Разработка профессора Хусама Амруша — AI Pro — работает как человеческий мозг. Его нейроморфная архитектура позволяет обрабатывать данные прямо на устройстве, без отправки в облако, что гарантирует безопасность. Чип в 10 раз энергоэффективнее аналогов.

Подробности опубликованы в издании IEEE Transactions on Circuits and Systems I Regular Papers.

Первый прототип уже изготовлен компанией Global Foundries в Дрездене. В отличие от обычных чипов, здесь вычисления и хранение данных объединены. Это стало возможным благодаря гиперразмерным вычислениям — чип ищет сходства и закономерности, но ему не нужны миллионы примеров для обучения.

Как это работает

• Обычные ИИ-чипы учатся на тысячах изображений — например, машин.
• AI Pro анализирует логические связи: у машины есть колеса, она ездит по дорогам, бывает разной формы.
• Такой подход ближе к человеческому мышлению — мы тоже делаем выводы на основе сходств.

Почему это важно

• Экономия энергии: тестовый расчет потребовал 24 микро-джоуля — в 10–100 раз меньше, чем у конкурентов.
• Скорость: данные не уходят в облако и не ждут очереди на обработку.
• Безопасность: личная информация (например, пульс с умных часов или маршрут дрона) остается на устройстве.

Профессор Амруш подчеркивает:

NVIDIA делает универсальные чипы для облаков, а мы — специализированные решения. Здесь огромный рынок.

Пока чип размером 1 мм² стоит 30 000 евро и уступает NVIDIA в мощности (10 млн транзисторов против 200 млрд). Но его сила — в другом. Он обрабатывает данные локально, сокращая задержки и нагрузку на серверы.

Будущее за теми, кто контролирует «железо», — говорит Амруш.

Польза разработки

• Энергоэффективность: снижение затрат на ИИ-обучение критично для мобильных устройств и IoT.
• Конфиденциальность: данные не утекают в облака, что важно для медицины и персональных гаджетов.
• Нишевые решения: вместо «универсальных монстров» вроде NVIDIA — кастомизация под конкретные задачи (дроны, носимые датчики).

Однако чип пока дорогой и узкоспециализированный. Для массового внедрения нужно удешевить производство и доказать, что его архитектура масштабируется под сложные задачи (например, генеративный ИИ).

Ранее эксперт рассказал, когда искусственный интеллект превзойдет человеческий.