Первый чип, который обучается и делает выводы

Аппаратный тупик ИИ

Современный искусственный интеллект упёрся не в алгоритмы, а в физику. Главным тормозом прогресса становится не математика, а железо, на котором работают нейросети.
Тренировка ИИ требует гигантских массивов специализированного кремния, колоссального энергопотребления и сложных систем охлаждения. Центры обработки данных уже перегружают энергосети, а охлаждение, зачастую основанное на водных системах, создаёт экологические и экономические проблемы.

Особенно энергоёмким остаётся обучение: оно требует миллиардов корректировок весов и непрерывных обменов между процессором и памятью.
Нейронные сети по сути аналоговы, а цифровые компьютеры — дискретны. Для аппроксимации аналоговых весов применяются представления с плавающей запятой, требующие огромных объёмов памяти и пропускной способности. Каждая корректировка во время обучения — это операция записи, и архитектуры памяти просто не рассчитаны на такую нагрузку. В результате — узкие места, задержки и огромные энергетические потери.

Эта неэффективность не только удорожает обучение больших моделей, но и делает невозможным самообучение ИИ в реальном времени. В отличие от мозга, цифровые нейросети не могут подстраиваться «на лету» — они проходят жёсткие циклы «обучение → развёртывание». Это фундаментальное ограничение аппаратной архитектуры.

Прорыв CEA-Leti: память, которая обучается и думает

Исследователи французского центра CEA-Leti представили решение, которое может изменить саму природу искусственного интеллекта.
В работе, опубликованной в журнале Nature Electronics 29 сентября 2025 года, они описали первую гибридную память, способную выполнять обучение и логический вывод на одном чипе.

Ключ к прорыву — объединение двух несовместимых ранее технологий:

• мемристоров, эффективных для логического вывода и аналоговых вычислений в памяти,
• и сегнетоэлектрических конденсаторов (FeCAP), идеально подходящих для быстрого, энергоэффективного обучения.

Проблема заключалась в том, что FeCAP не могли стабильно использоваться для вывода из-за разрушительного механизма считывания, а мемристоры — для обучения, так как плохо справлялись с частыми точечными обновлениями.

Команда Leti объединила обе функции в одном материале — стек на основе оксида гафния, легированного кремнием и дополненного титановым слоем. Меняя режим электрического «формования», тот же элемент может вести себя либо как FeCAP, либо как мемристор.

Во время обучения веса обновляются в режиме FeCAP, а при выполнении вычислений — в режиме мемристора. Периодически данные синхронизируются: наиболее точные веса из FeCAP переносятся в мемристорные ячейки, создавая баланс между точностью, энергоэффективностью и долговечностью.

Испытания и потенциал

Исследователи реализовали массив из 18 432 таких элементов, изготовленных с применением стандартного 130-нм КМОП-процесса — что особенно важно для масштабируемости.
Результаты показывают, что обучение и вывод могут сосуществовать на одном чипе, устраняя необходимость постоянного обмена с внешней памятью и снижая энергозатраты.

Возможные применения включают:

• автономный транспорт — локальное обучение на основе региональных паттернов движения;
• промышленную автоматику — адаптацию к постепенным изменениям в работе оборудования;
• медицинские сенсоры — индивидуализированный анализ данных пациента без передачи в облако.

Таким образом, гибридная память открывает путь к энергоэффективным, автономным системам ИИ, способным учиться и адаптироваться в реальном времени, не полагаясь на дата-центры.

От лаборатории — к новой парадигме

Несмотря на впечатляющие результаты, технология пока остаётся на стадии лабораторных испытаний. Остаются открытыми вопросы надёжности, вариативности и массового производства.

Если же гибридная архитектура FeCAP–мемристор будет доведена до промышленного уровня, она может сломать барьер между обучением и выводом, дав начало самообучающемуся аппаратному ИИ — системе, где вычисление и память сливаются в единое целое.

По сути, это первый шаг к “нейронным чипам”, которые не просто исполняют заранее обученные модели, а способны самостоятельно переосмысливать и обновлять знания — так, как это делает мозг.

Если вам понравился материал, кликните значок - вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал - не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!