Neuromorficzne chipy wyprowadzają AI poza centra danych. Refleks modliszki i obliczenia działające na wzór ludzkiego mózgu

Do 2028 r. globalne wydatki na infrastrukturę brzegową mają wzrosnąć z 261 mld do 380 mld dolarów, co jest konsekwencją zwiększającego się zapotrzebowania na inteligentne i energooszczędne rozwiązania do przetwarzania danych. Pomocne w zaspokojeniu tego wyzwania może być neuromorficzne podejście do obliczeń, które zaczyna „wypychać” sztuczną inteligencję poza centra danych, umożliwiając działanie jej mechanizmów bliżej źródeł informacji. Znajduje ono już zastosowanie w robotyce, medycynie, modelowaniu klimatu czy cyberbezpieczeństwie. Jednak, jak wskazują eksperci Vertiv, za rozwojem takich rozwiązań wciąż nie nadąża infrastruktura (zarówno sprzętowa, jak i programowa) potrzebna do ich wdrażania na większą skalę.

Neuromorficzne chipy to nowa generacja układów scalonych, których architektura bazuje na strukturze i mechanizmach działania ludzkiego mózgu. Wykorzystują one impulsowe sieci neuronowe (SNN), które aktywują się tylko w przypadku zaistnienia istotnego sygnału wejściowego – podobnie jak biologiczne neurony. W przeciwieństwie do tradycyjnych procesorów, które korzystają z oddzielnej pamięci, chipy neuromorficzne łączą pamięć i moduł obliczeniowy w jednym miejscu, dzięki czemu przetwarzają dane szybciej i zużywają mniej energii.

Według danych Precedence Reasearch, wartość globalnego rynku neuromorficznych chipów wyniosła w 2024 roku 1,73 mld dolarów, a do 2034 r. ma wzrosnąć niemal czterokrotnie – do 8,86 mld dolarów. Prognozowany średni roczny wzrost (CAGR) wynosi 17,7%, co wynika z rosnącego zapotrzebowania na energooszczędne systemy obliczeniowe oraz rozwój autonomicznych rozwiązań.

Zwinność maszyn inspirowana naturą

Neuromorficzne chipy znajdują zastosowanie w dziedzinach, w których kluczowe znaczenie ma szybkie reagowanie oraz niski pobór energii. W branży medycznej mogą one wspierać rozwój urządzeń diagnostycznych analizujących sygnały biologiczne w czasie rzeczywistym lub działać w inteligentnych protezach reagujących niemal natychmiast na ruch użytkownika. Dzięki architekturze, na której bazują SNN, układy te potrafią przetwarzać dane sensoryczne bezpośrednio w urządzeniu, eliminując konieczność przesyłania ich do chmury. To otwiera drogę do bardziej autonomicznych i energooszczędnych rozwiązań, działających w sposób ciągły nawet w środowiskach o ograniczonym dostępie do sieci.

W robotach oraz innych autonomicznych urządzeniach układy neuromorficzne pozwalają maszynom odbierać bodźce z otoczenia i reagować w czasie rzeczywistym, co zwiększa precyzję oraz bezpieczeństwo ich działania. Systemy wizyjne inspirowane ludzką siatkówką potrafią rejestrować zmiany światła oraz wykrywać ruch i obiekty z wyjątkową szybkością, dzięki czemu roboty czy drony mogą poruszać się ze zwinnością spotykaną u owadów.

– Zdolność przetwarzania różnych sygnałów w ułamku sekundy sprawia, że maszyny stają się nie tylko szybsze, ale też zdolne do lepszej adaptacji – potrafią reagować na dynamiczne warunki otoczenia. Rozwiązania te mogą znaleźć zastosowanie również w inteligentnym monitoringu, transporcie czy analizie danych środowiskowych, gdzie liczy się nie tylko szybkość reagowania, ale również zdolność do poradzenia sobie w nieprzewidywalnych sytuacjach – mówi Krzysztof Krawczyk, Senior Technical Sales – Strategic Account Engineer | IT Systems w firmie Vertiv.

Nowe wyzwania dla infrastruktury obliczeniowej

Rozwój neuromorficznych systemów wymaga nowego podejścia do projektowania infrastruktury obliczeniowej – zarówno w warstwie sprzętowej, jak i energetycznej. Mowa tu o całym zapleczu technicznym, które umożliwi pracę sztucznej inteligencji poza centrami danych: od lokalnych serwerowni i urządzeń brzegowych po systemy zasilania, chłodzenia i transmisji danych. Oznacza to, że infrastruktura musi radzić sobie z impulsowym, nieregularnym obciążeniem, które może w jednej chwili wzrosnąć, a następnie niemal zniknąć.

W takich warunkach kluczowe znaczenie zyskują systemy zasilania i chłodzenia zdolne do dynamicznej adaptacji. Muszą one umieć reagować na nagłe zmiany zapotrzebowania energetycznego bez jego przewymiarowania, które zwiększyłoby koszty i straty energii. Równie ważne jest zastosowanie w sieci łączy o bardzo niskich opóźnieniach, umożliwiających szybkie przesyłanie danych pomiędzy urządzeniami działającymi lokalnie.

– Obsługa systemów neuromorficznych wymaga czegoś więcej niż stopniowych usprawnień po stronie urządzeń brzegowych. Potrzebna jest specjalnie zaprojektowana infrastruktura, która może być skalowana wraz z rosnącym zapotrzebowaniem, dostosowana do zmieniających się obciążeń i działać w środowiskach o ograniczonej przestrzeni lub mocy. Dla przykładu, bezpośrednie chłodzenie procesorów cieczą pozwala skuteczniej radzić sobie z nagłymi wzrostami temperatury niż chłodzenie powietrzem. Podobnie systemy zasilania muszą reagować błyskawicznie na gwałtowne wahania napięcia, nie wymagając przy tym nadmiernej rozbudowy infrastruktury, co zwiększyłoby zarówno koszty, jak i zapotrzebowanie na miejsce – wskazuje Krzysztof Krawczyk.

Neuromorficzne chipy stanowią jeden z najbardziej obiecujących kierunków rozwoju sztucznej inteligencji. Aby w pełni wykorzystać ich możliwości, niezbędne jest wdrożenie infrastruktury zdolnej sprostać nowym wymaganiom – elastycznej, energooszczędnej i zaprojektowanej z myślą o pracy blisko źródła danych.

Źródła:
Dane IDC: my.idc.com/getdoc.jsp?containerId=prUS53261225
Dane Precedence Research: www.precedenceresearch.com/neuromorphic-chip-market