Neuromorphes Computing: Die vom Gehirn inspirierte Technologie, die KI und mehr revolutioniert

Was ist neuromorphes Rechnen (und wie funktioniert es)?

Neuromorphes Rechnen – manchmal auch hirninspiriertes Rechnen genannt – ist ein Ansatz im Computerdesign, der die Struktur und Funktion des menschlichen Gehirns nachahmt ibm.com. Anstatt des traditionellen Modells, bei dem getrennte Einheiten für Verarbeitung und Speicher zuständig sind, integrieren neuromorphe Systeme diese Funktionen in Netzwerken aus künstlichen „Neuronen“ und „Synapsen“, ähnlich wie ein biologisches Gehirn. Einfach ausgedrückt ist ein neuromorpher Chip ein Computerchip, der wie ein Netzwerk von Gehirnzellen arbeitet, indem er Informationen durch eine große Anzahl miteinander verbundener Neuronen verarbeitet en.wikipedia.org.

Im Kern des neuromorphen Rechnens stehen spikende neuronale Netzwerke (SNNs) – Netzwerke aus künstlichen Neuronen, die über kurze elektrische Impulse, sogenannte „Spikes“, kommunizieren, analog zu den Spannungsspitzen in biologischen Neuronen ibm.com. Jedes Neuron sammelt eingehende Signale über die Zeit und „feuert“ einen Spike an andere Neuronen nur, wenn ein bestimmter Schwellenwert erreicht wird ibm.com. Bleiben die Eingaben unterhalb des Schwellenwerts, verschwindet das Signal schließlich (oft als „Leckstrom“ des Neurons beschrieben). Dieser ereignisgesteuerte Rechenstil bedeutet, dass im Gegensatz zu herkömmlichen Prozessoren, die kontinuierlich arbeiten, neuromorphe Chips meist im Leerlauf bleiben und nur dann Neuronen aktivieren, wenn Daten zu verarbeiten sind pawarsaurav842.medium.com. Dadurch verbrauchen sie deutlich weniger Energie – der Großteil des „hirnähnlichen“ Netzwerks bleibt inaktiv, bis er benötigt wird, genau wie in unseren Gehirnen Milliarden von Neuronen vorhanden sind, aber nur ein kleiner Prozentsatz zu einem bestimmten Zeitpunkt feuert pawarsaurav842.medium.com.

Ein weiteres zentrales Merkmal ist, dass Verarbeitung und Speicher zusammengelegt sind. In einem neuromorphen Design kann jedes Neuron sowohl Informationen speichern als auch verarbeiten, während in einem klassischen Computer Daten ständig zwischen einer CPU und separaten Speicherbänken hin- und herbewegt werden. Durch das Einbetten von Speicher in die Rechenelemente (die Neuronen) vermeiden neuromorphe Chips den Engpass des Datentransfers traditioneller Architekturen spectrum.ieee.org, newsroom.intel.com. Dies führt zu massiver Parallelität und Effizienz: Viele Neuronen arbeiten gleichzeitig, und es ist nur lokale Kommunikation erforderlich. Wie IBMs Leiter der neuromorphen Forschung Dharmendra Modha erklärt, „Das Gehirn ist weitaus energieeffizienter als moderne Computer, unter anderem weil es Speicher und Rechenleistung in jedem Neuron vereint.“ spectrum.ieee.org. Tatsächlich arbeiten neuromorphe Systeme eher wie lebende neuronale Netzwerke als wie herkömmliche serielle Computer und ermöglichen Echtzeit-Informationsverarbeitung und spärliche, ereignisgesteuerte Kommunikation zwischen Neuronen nature.com.

Ein kurzer Überblick über die Geschichte und wichtige Meilensteine

Neuromorphes Computing mag futuristisch klingen, aber seine konzeptionellen Ursprünge reichen bis in die 1980er Jahre zurück. Der Begriff „neuromorph“ (bedeutet „gehirnförmig“) wurde von Carver Mead geprägt, einem Caltech-Professor, der dieses Feld in den späten 1980er Jahren maßgeblich vorantrieb colocationamerica.com. In dieser Zeit bauten Mead und seine Kollegen wie Misha Mahowald die ersten experimentellen „Silizium-Neuronen“ und Sensorchips – zum Beispiel eine analoge Silizium-Retina, die Licht wie ein menschliches Auge erkennen konnte, und eine Silizium-Cochlea, die Schall verarbeitete ibm.com. Diese frühen Chips zeigten, dass elektronische Schaltungen grundlegende neuronale Funktionen nachbilden können, und weckten die Vision, dass Computer eines Tages mehr wie Gehirne arbeiten könnten.

In den 1990er und 2000er Jahren blieb das neuromorphe Engineering größtenteils in der akademischen Welt und in Forschungslaboren und entwickelte sich im Hintergrund stetig weiter. Ein bedeutender Meilenstein wurde 2014 mit dem TrueNorth-Chip von IBM erreicht, der im Rahmen des SyNAPSE-Programms der DARPA entwickelt wurde. TrueNorth vereinte 1 Million „Neuronen“ und 256 Millionen „Synapsen“ auf einem einzigen Chip, mit erstaunlichen 5,4 Milliarden Transistoren – und das bei einem Stromverbrauch von unter 100 Milliwatt darpa.mil. Dieses „Gehirn auf einem Chip“, inspiriert von der Architektur von Säugetiergehirnen, konnte komplexe Mustererkennungsaufgaben mit zwei Größenordnungen weniger Energie als herkömmliche Prozessoren ausführen darpa.mil. Das Design von TrueNorth war ereignisgesteuert und massiv parallel: 4.096 neurosynaptische Kerne kommunizierten über Spikes und demonstrierten die Machbarkeit großskaliger neuromorpher Hardware. IBM verglich die Größenordnung von TrueNorth (eine Million Neuronen) etwa mit dem Gehirn einer Biene oder Kakerlake und bewies, dass neuromorphe Chips sowohl energieeffizient als auch zu gehirnähnlichen Aufgaben fähig sein können darpa.mil.

Ein weiterer Sprung erfolgte 2017, als Intel seinen neuromorphen Loihi-Chip vorstellte. Loihi war ein vollständig digitaler neuromorpher Prozessor mit 128 Kernen, 130.000 Neuronen und 130 Millionen Synapsen, die in Silizium implementiert wurden pawarsaurav842.medium.com. Wichtig war, dass Loihi über On-Chip-Lernen verfügte: Jeder Neuronen-Kern hatte eine integrierte Lern-Engine, sodass der Chip synaptische Gewichte anpassen und im Laufe der Zeit aus Mustern „lernen“ konnte. In einer Demonstration zeigte Intel, dass Loihi lernen konnte, die Gerüche gefährlicher Chemikalien zu erkennen – im Grunde einem Chip das Riechen beizubringen, indem er olfaktorische Sensordaten auf gehirnähnliche Weise verarbeitete pawarsaurav842.medium.com. Diese Fähigkeit zum Selbstlernen zeigte, wie neuromorphe Systeme sich in Echtzeit anpassen können – ein Schritt über das Ausführen vortrainierter neuronaler Netze hinaus.

Seitdem hat sich der Fortschritt beschleunigt. Universitäten bauten spezialisierte neuromorphe Supercomputer wie SpiNNaker (University of Manchester), eine Maschine mit über einer Million kleiner Prozessoren, die darauf ausgelegt ist, eine Milliarde spikender Neuronen in Echtzeit zu simulieren pawarsaurav842.medium.com. In Europa unterstützte das zehnjährige Human Brain Project (2013–2023) neuromorphe Plattformen wie BrainScaleS (Universität Heidelberg), das analoge elektronische Schaltkreise zur Nachbildung von Neuronen verwendet, sowie eine Version von SpiNNaker – beide sind für Forschende über die EBRAINS-Forschungsinfrastruktur zugänglich ibm.com. Diese groß angelegten akademischen Projekte waren Meilensteine, die zeigten, wie neuromorphe Prinzipien skaliert werden können.

Auf der Industrieseite treiben IBM, Intel und andere die Entwicklung weiter voran. IBMs neueste neuromorphe Entwicklung, die 2023 vorgestellt wurde, trägt den Codenamen NorthPole – ein Chip, der Speicher und Verarbeitung noch enger miteinander verbindet. NorthPole erzielt dramatische Verbesserungen bei Geschwindigkeit und Effizienz, ist Berichten zufolge 25× energieeffizienter und 22× schneller als die besten herkömmlichen KI-Chips bei Aufgaben der Bilderkennung spectrum.ieee.org. Er enthält 22 Milliarden Transistoren in einem 800 mm² großen Gehäuse und reduziert durch den vollständigen Verzicht auf externen Speicher den Energieverbrauch für Datenbewegungen drastisch spectrum.ieee.org. IBM-Forschende beschreiben NorthPole als „einen Durchbruch in der Chip-Architektur, der massive Verbesserungen bei Energie-, Platz- und Zeiteffizienz liefert“ research.ibm.com, basierend auf den Erfahrungen mit TrueNorth ein Jahrzehnt zuvor. Parallel dazu stellte Intel 2021 einen Chip der zweiten Generation vor, Loihi 2, und kündigte 2024 Hala Point an, ein neuromorphes Supersystem mit 1.152 Loihi 2-Chips und insgesamt 1,2 Milliarden Neuronen – was ungefähr der Gehirnkapazität eines kleinen Vogels (einer Eule) entspricht newsroom.intel.com. Eingesetzt in den Sandia National Labs ist Hala Point derzeit der weltweit größte neuromorphe Computer und soll die Erforschung von KI im Gehirnmaßstab ermöglichen.

Von Carver Meads Ein-Transistor-Neuronen bis hin zu heutigen Systemen mit Milliarden von Neuronen hat sich das neuromorphe Computing von einer Nischenidee der Wissenschaft zu einer Spitzentechnologie entwickelt. Die Geschichte ist geprägt von kontinuierlichen Verbesserungen bei Skalierbarkeit, Energieeffizienz und Realismus der gehirnähnlichen Verarbeitung und ebnet den Weg für die nächste Ära des Computing.

Schlüsseltechnologien im neuromorphen Computing

Neuromorphes Rechnen vereint Innovationen in Hardware-Geräten und neuronalen Netzwerkmodellen. Einige der Schlüsseltechnologien, die diesen vom Gehirn inspirierten Ansatz ermöglichen, sind:

Spiking Neural Networks (SNNs): Wie bereits erwähnt, sind SNNs das algorithmische Rückgrat neuromorpher Systeme. Sie werden manchmal als „dritte Generation“ von neuronalen Netzwerken pawarsaurav842.medium.com bezeichnet und integrieren das Element Zeit in Neuronenmodelle. Im Gegensatz zu den stetigen, kontinuierlichen Aktivierungen in herkömmlichen künstlichen neuronalen Netzwerken kommunizieren spikende Neuronen mit diskreten Impulsen, was eine zeitliche Codierung ermöglicht (Informationen werden durch das Timing der Impulse vermittelt) und einen ereignisgesteuerten Betrieb erlaubt. SNNs können Phänomene wie neuronales Timing, Refraktärzeiten und Plastizität (Lernen durch Änderungen der Synapsenstärke) natürlicher modellieren als traditionelle Netzwerke ibm.com. Das macht sie besonders geeignet, sensorische Datenströme (Sehen, Audio usw.) in Echtzeit zu verarbeiten. Die Entwicklung von Trainingsalgorithmen für SNNs ist jedoch eine komplexe Aufgabe – Forscher nutzen Methoden, die von der Abbildung trainierter Deep Networks auf spikende Äquivalente bis hin zu bio-inspirierten Lernregeln reichen ibm.com. SNNs sind ein lebendiges Forschungsfeld und ein entscheidendes Element des neuromorphen Puzzles.
Memristoren und neuartige Bauelemente: Viele neuromorphe Plattformen verwenden noch herkömmliche Siliziumtransistoren, aber es besteht großes Interesse an neuen Bauelementen wie Memristoren (Memory-Resistoren). Ein Memristor ist ein nanoskaliges elektronisches Element, das gleichzeitig Daten speichern (wie ein Speicher) und Berechnungen durchführen (wie ein Widerstand/Netzwerk) kann, indem es seinen Widerstand basierend auf dem Stromfluss ändert – im Wesentlichen ahmt es die Fähigkeit einer Synapse nach, sich durch Verstärkung oder Abschwächung von Verbindungen zu „erinnern“ ibm.com. Memristoren und andere resistive Speichertechnologien (z. B. Phasenwechsel-Speicher, ferroelektrische Bauelemente, spintronische Bauelemente) können „analoge“ Synapsen implementieren, die kontinuierlich aktualisiert werden, und ermöglichen In-Memory-Computing-Architekturen. Durch die Integration von Speicher in dieselben physischen Bauelemente, die auch die Berechnung übernehmen, wird die Trennung, die dem traditionellen Rechenparadigma innewohnt, weiter aufgehoben. Diese aufkommenden Komponenten versprechen Effizienzgewinne um Größenordnungen; sie sind jedoch 2025 noch experimentell und stehen vor Herausforderungen hinsichtlich Zuverlässigkeit und Fertigung. Wie ein Experte anmerkte, haben analoge neuromorphe Systeme großes Potenzial, „haben aber noch nicht die technologische Reife erreicht“, weshalb viele aktuelle Designs (wie IBMs NorthPole und Intels Loihi) als kurzfristige Lösung auf digitale Schaltungen setzen spectrum.ieee.org.
Asynchrone Schaltungen und ereignisgesteuerte Hardware: Neuromorphe Chips verwenden häufig asynchrone Logik, was bedeutet, dass sie keinen einzigen globalen Takt haben, der jede Operation im Gleichschritt antreibt. Stattdessen ist die Berechnung verteilt und ereignisgesteuert. Wenn ein Neuron feuert, löst es nachgeschaltete Neuronen aus; gibt es keine Aktivität, gehen Teile der Schaltung in den Ruhezustand. Dieser Hardware-Ansatz, manchmal auch „taktloses“ oder ereignisbasiertes Design genannt, unterstützt direkt die sparsamen, spike-getriebenen Arbeitslasten von SNNs. Es ist ein Bruch mit dem synchronen Design der meisten CPUs/GPUs. Zum Beispiel lief IBMs TrueNorth vollständig asynchron, und seine Neuronen kommunizierten über Pakete in einem Network-on-Chip, wenn Ereignisse auftraten darpa.mil. Das spart nicht nur Energie, sondern entspricht auch der Funktionsweise biologischer neuronaler Netze, die parallel ohne Master-Takt arbeiten.
Compute-in-Memory-Architektur: Ein Begriff, der oft mit neuromorphen Chips in Verbindung gebracht wird, ist Compute-in-Memory, bei dem Speicherelemente (ob SRAM, nichtflüchtiger Speicher oder Memristoren) mit Recheneinheiten zusammen platziert werden. Dadurch minimieren neuromorphe Designs die Datenbewegung – eine der größten Energiequellen beim Rechnen newsroom.intel.com. In der Praxis könnte das bedeuten, dass jeder Neuronen-Kern auf einem Chip seinen eigenen lokalen Speicher hat, in dem sein Zustand und seine synaptischen Gewichte gespeichert sind, sodass ständige Zugriffe auf externes DRAM entfallen. IBMs NorthPole-Chip ist ein Beispiel dafür: Er eliminiert externen Speicher vollständig, platziert alle Gewichte auf dem Chip und lässt den Chip für ein System als „aktives Speicher“-Gerät erscheinen spectrum.ieee.org. Compute-in-Memory kann digital (wie bei NorthPole) oder analog (unter Verwendung von Memristor-Crossbar-Arrays zur Durchführung von Matrixoperationen direkt im Speicher) realisiert werden. Dieses Konzept ist zentral, um eine gehirnähnliche Effizienz zu erreichen.

Zusammengefasst schöpft neuromorphes Computing aus Neurowissenschaften (spikende Neuronen, plastische Synapsen), neuartiger Hardware (Memristoren, Phasenwechsel-Speicher) und nicht-traditionellem Schaltungsdesign (ereignisgesteuert, Integration von Speicher und Rechenwerk), um Computersysteme zu schaffen, die nach völlig anderen Prinzipien arbeiten als die energiehungrigen Chips von heute.

Neuromorphes vs. traditionelles Computing-Paradigma

Um neuromorphes Computing zu verstehen, hilft es, es mit der traditionellen Von-Neumann-Architektur zu vergleichen, die seit Mitte des 20. Jahrhunderts dominiert. In einem klassischen Computer (egal ob PC oder Smartphone) ist das Design grundsätzlich seriell und getrennt: Ein zentraler Prozessor holt Anweisungen und Daten aus dem Speicher, führt sie aus (eine nach der anderen, sehr schnell) und schreibt die Ergebnisse zurück in den Speicher. Selbst wenn moderne CPUs und GPUs parallele Kerne oder Pipelines verwenden, leiden sie immer noch unter dem sogenannten Von-Neumann-Flaschenhals – der Notwendigkeit, Daten ständig zwischen Speicher und Prozessor zu bewegen, was Zeit und Energie kostet colocationamerica.com, spectrum.ieee.org. Stellen Sie sich einen Koch vor, der für jede einzelne Zutat zur Speisekammer laufen muss, bevor er sie schneidet und mischt; so arbeiten herkömmliche Computer.

Neuromorphe Computer hingegen funktionieren eher wie ein riesiges Netzwerk von Mini-Prozessoren (Neuronen), die alle parallel arbeiten, jeder mit eigenem lokalen Speicher. Es gibt keine zentrale Uhr oder einen Programmzähler, der Anweisungen seriell abarbeitet. Stattdessen findet die Berechnung kollektiv und asynchron statt: Tausende oder Millionen von Neuronen führen einfache Operationen gleichzeitig aus und kommunizieren die Ergebnisse über Spikes. Das ist vergleichbar damit, wie das menschliche Gehirn Aufgaben verarbeitet – Milliarden von Neuronen feuern parallel, ohne dass eine einzelne CPU die Kontrolle hat. Das Ergebnis ist ein System, das massiv parallel und ereignisgesteuert sein kann, viele Signale gleichzeitig verarbeitet und bei Inaktivität von selbst wartet.

Die Vorteile umfassen Geschwindigkeit durch Parallelität und eine weitaus höhere Energieeffizienz. Ein herkömmlicher Prozessor könnte 100 Watt benötigen, um ein großes KI-Modell auszuführen, hauptsächlich aufgrund des Umschaltens von Milliarden Transistoren und des Verschiebens von Daten in und aus den Speicher-Caches. Im Gegensatz dazu verwenden neuromorphe Chips Ereignisse und spärliches Feuern: Wenn nur 5 % der Neuronen gleichzeitig aktiv sind, verbrauchen die anderen 95 % praktisch keinen Strom. Diese spärliche Aktivität ist einer der Gründe, warum neuromorphe Architekturen bei bestimmten KI-Aufgaben eine bis zu 1000× bessere Energieeffizienz im Vergleich zu CPUs/GPUs gezeigt haben medium.com. Tatsächlich arbeitet das menschliche Gehirn, an dem sich unsere neuromorphen Designs orientieren, mit nur etwa 20 Watt Leistung (weniger als eine schwache Glühbirne) und übertrifft dennoch heutige Supercomputer in Bereichen wie Sehen und Mustererkennung medium.com. Wie Intels Neuromorphie-Laborleiter Mike Davies sagte: „Die Rechenkosten heutiger KI-Modelle steigen in einem nicht nachhaltigen Tempo. Die Branche braucht grundlegend neue Ansätze, die skalierbar sind.“ newsroom.intel.com Neuromorphes Computing bietet einen solchen neuen Ansatz, indem es Speicher mit Rechenleistung integriert und hochgradig parallele, gehirnähnliche Architekturen nutzt, um Datenbewegungen und Energieverbrauch zu minimieren newsroom.intel.com.

Es ist jedoch wichtig zu beachten, dass neuromorphes Computing kein Ersatz für alle Arten von Rechenaufgaben ist. Herkömmliche deterministische Prozessoren sind hervorragend bei präzisen, linearen Aufgaben (wie Arithmetik, Datenbankabfragen usw.), während neuromorphe Systeme bei sensorischen, wahrnehmungsbezogenen und musterabgleichenden Aufgaben glänzen, bei denen gehirnähnliche Verarbeitung gefragt ist. In vielen Zukunftsvisionen werden neuromorphe Chips klassische CPUs und GPUs ergänzen – sie fungieren als spezialisierte Co-Prozessoren für KI-Workloads, die Wahrnehmung, Lernen oder Anpassung erfordern, ähnlich wie GPUs heute Grafik- und neuronale Netzwerkberechnungen beschleunigen. Die beiden Paradigmen können koexistieren, wobei neuromorphe Hardware die „gehirnähnlichen“ Aufgaben auf eine grundsätzlich effizientere Weise übernimmt. Im Wesentlichen sind Von-Neumann-Maschinen wie sequentielle Zahlenverarbeiter, während neuromorphe Maschinen wie parallele Mustererkenner sind – beide haben ihren Platz.

Wichtige Akteure und Projekte, die die neuromorphe Technologie vorantreiben

Neuromorphes Computing ist eine multidisziplinäre Anstrengung, die Technologieunternehmen, Forschungslabore und die Wissenschaft umfasst. Große Unternehmen, Start-ups und Regierungsbehörden haben sich alle daran beteiligt, gehirninspirierte Hardware und Software zu entwickeln. Hier sind einige der wichtigsten Akteure und Projekte im Jahr 2025:

IBM: IBM war ein Pionier in der Forschung zu kognitivem Computing. Über den bahnbrechenden TrueNorth-Chip (2014) mit 1 Mio. Neuronen hinaus stellte das von Dharmendra Modha geleitete IBM-Forschungsteam kürzlich NorthPole (2023) vor, einen neuromorphen Inferenz-Chip der nächsten Generation. Der Durchbruch von NorthPole liegt in der engen Verknüpfung von Rechenleistung und Speicher auf dem Chip, was eine beispiellose Effizienz für KI-Inferenzaufgaben ermöglicht spectrum.ieee.org. IBM berichtet, dass NorthPole sogar modernste GPUs bei Benchmarks wie Bilderkennung übertreffen kann und dabei nur einen Bruchteil der Energie verbraucht spectrum.ieee.org. Die langfristige Vision von IBM ist es, solche Chips zu nutzen, um KI-Systeme wesentlich energieeffizienter zu machen, sodass KI künftig von Rechenzentren bis zu Edge-Geräten ohne die heutigen Energieeinschränkungen betrieben werden kann.
Intel: Intel hat ein eigenes Neuromorphic Computing Lab gegründet und die Loihi-Chipfamilie eingeführt. Der erste Loihi (2017) und Loihi 2 (2021) sind Forschungs-Chips, die Universitäten und Unternehmen über Intels Neuromorphic Research Community zur Verfügung gestellt werden. Intels Ansatz ist vollständig digital, aber mit asynchronen Spiking-Kernen und On-Chip-Lernen. Im April 2024 kündigte Intel Hala Point an, im Wesentlichen einen neuromorphen Supercomputer mit über tausend verbundenen Loihi 2-Chips newsroom.intel.com. Hala Point, eingesetzt in den Sandia Labs, kann über 1 Milliarde Neuronen simulieren und wird genutzt, um großskalige gehirninspirierte Algorithmen und kontinuierlich lernende KI-Systeme zu erforschen newsroom.intel.com. Intel sieht neuromorphe Technologie als Schlüssel zu nachhaltigerer KI, mit dem Ziel, den Energiebedarf für KI-Training und Inferenz drastisch zu senken newsroom.intel.com. Wie Mike Davies bei der Vorstellung betonte, ist das Skalieren heutiger KI mit aktueller Hardware energetisch kaum machbar, weshalb Intel auf neuromorphe Designs setzt, um diese Effizienzgrenze zu durchbrechen newsroom.intel.com.
Qualcomm: Qualcomm hat neuromorphe Prinzipien für energieeffiziente KI auf Geräten erforscht. Bereits früh (etwa 2013–2015) entwickelte das Unternehmen eine Plattform namens „Zeroth“ und demonstrierte Spiking-Neural-Network-Beschleuniger für Aufgaben wie Mustererkennung auf Smartphones. In den letzten Jahren sind Qualcomms neuromorphe Bemühungen weniger öffentlich, aber Berichte deuten darauf hin, dass sie weiterhin F&E betreiben, insbesondere da neuromorphes Computing gut zu ultra-niedrigem Energieverbrauch für Edge-KI passt (was ein natürlicher Schwerpunkt für Qualcomms Mobil- und Embedded-Chip-Geschäft ist) medium.com. Qualcomms Interesse unterstreicht, dass selbst Hersteller von Mobilchips Potenzial in gehirninspirierten Designs sehen, um mit den Anforderungen der KI Schritt zu halten, ohne die Akkus der Geräte zu entleeren.
BrainChip Holdings: Das australische Startup BrainChip ist eines der ersten Unternehmen, das neuromorphe IP kommerzialisiert. Ihr Akida-neuromorpher Prozessor ist ein vollständig digitales, ereignisbasiertes Design, das als KI-Beschleuniger in Edge-Geräten eingesetzt werden kann brainchip.com. BrainChip legt den Schwerpunkt auf Echtzeit-Lernen und -Schlussfolgerung bei geringem Energieverbrauch – zum Beispiel, um lokale Gesten- oder Anomalieerkennung zu IoT-Sensoren oder Fahrzeugen hinzuzufügen, ohne Cloud-Anbindung. Stand 2025 arbeitet BrainChip mit Partnern zusammen, um Akida in Produkte von intelligenten Sensoren bis hin zu Luft- und Raumfahrtsystemen zu integrieren, und hat sogar neuromorphe Verarbeitung für Weltraumanwendungen demonstriert (in Zusammenarbeit mit Organisationen wie der NASA und dem Air Force Research Lab) embedded.com, design-reuse.com. Startups wie BrainChip zeigen das wachsende kommerzielle Interesse, neuromorphe Technologie für Edge-KI und IoT auf den Markt zu bringen.
Akademische und staatliche Labore: Im akademischen Bereich haben mehrere Universitäten und Zusammenschlüsse bedeutende neuromorphe Systeme aufgebaut. Wir erwähnten SpiNNaker (University of Manchester, UK), das 2018 ein Hardware-Neuronales-Netzwerk mit einer Million Kernen erreichte, mit dem Ziel, 1 % der Neuronen des menschlichen Gehirns in Echtzeit zu modellieren pawarsaurav842.medium.com. Es gibt auch BrainScaleS (Heidelberg Univ., Deutschland), das analoge Schaltkreise auf großen Siliziumwafern verwendet, um neuronale Netzwerke mit beschleunigten Geschwindigkeiten zu emulieren (effektiv ein „Vorspulen“ neuronaler Prozesse, um Lernen zu untersuchen). In den USA haben Forschungseinrichtungen wie Stanford (das das Neurogrid-System entwickelte, das eine Simulation von einer Million Neuronen ermöglicht ibm.com) und MIT, unter anderen, aktive neuromorphe Ingenieurlabore. Regierungsbehörden wie DARPA finanzieren weiterhin Programme (z. B. das laufende „Electronic Photonic Neural Networks“-Programm zur Erforschung photonischer neuromorpher Chips). Inzwischen hat das EU Human Brain Project (HBP) stark in neuromorphe Infrastrukturen über seine Neuromorphic Computing Platform investiert, und seine Nachfolgeinitiativen unter der EBRAINS-Forschungsinfrastruktur bieten Wissenschaftlern weiterhin Zugang zu neuromorpher Hardware ibm.com.
Weitere Akteure der Industrie: Neben IBM und Intel haben Unternehmen wie Samsung und HRL Laboratories sich mit neuromorpher Technologie beschäftigt. 2021 kündigten Samsung-Forscher eine Vision an, die neuronalen Verbindungen des Gehirns auf Speicherchips zu „kopieren und einzufügen“, indem sie im Wesentlichen 3D-Speicherarrays verwenden, um die Konnektivität eines biologischen Gehirns als neuromorphes System abzubilden – ein ehrgeiziges Ziel, das noch weit von der praktischen Umsetzung entfernt ist. HRL Labs (gemeinsam im Besitz von Boeing und GM) entwickelten einen neuromorphen Chip mit Memristoren, der 2019 One-Shot-Lernen demonstrierte (das Gerät konnte ein Muster anhand eines einzigen Beispiels erkennen lernen). Auch europäische Start-ups wie GrAI Matter Labs (mit seinen GrAI „NeuronFlow“-Chips ibm.com) und SynSense (ein in Zürich/China ansässiges Unternehmen, bekannt für ultra-niedrigleistungsfähige Vision-Chips) sind bemerkenswerte Mitwirkende.

Zusammenfassend ist das neuromorphe Feld eine kollaborative Mischung aus Technologieriesen, die die Grenzen verschieben, Start-ups, die Innovationen in spezialisierte Märkte bringen, und akademischen Konsortien, die neue Grenzen erforschen. Dieses breite Ökosystem beschleunigt den Fortschritt und bringt neuromorphe Ideen aus dem Labor in reale Anwendungen.

Aktuelle Anwendungen und reale Anwendungsfälle

Neuromorphes Rechnen ist noch eine aufkommende Technologie, daher stehen ihre Anwendungen in der realen Welt noch am Anfang – aber es gab vielversprechende Demonstrationen in verschiedenen Bereichen. Denken Sie an Aufgaben, die unser Gehirn bemerkenswert gut (und effizient) bewältigt, mit denen herkömmliche Computer jedoch Schwierigkeiten haben – genau dort glänzen neuromorphe Systeme. Hier sind einige bemerkenswerte Anwendungsfälle und potenzielle Einsatzgebiete:

Autonome Fahrzeuge: Selbstfahrende Autos und Drohnen müssen in Echtzeit auf dynamische Umgebungen reagieren. Neuromorphe Chips mit ihrer schnellen parallelen Verarbeitung und ihrem niedrigen Energieverbrauch können Fahrzeugen helfen, ihre Umgebung wahrzunehmen und Entscheidungen zu treffen – ähnlich wie ein menschlicher Fahrer. Beispielsweise kann ein neuromorpher Prozessor Kamera- und Sensordaten aufnehmen und Hindernisse erkennen oder Navigationsentscheidungen mit sehr geringer Latenz treffen. IBM-Forscher weisen darauf hin, dass neuromorphes Rechnen schnellere Kurskorrekturen und Kollisionsvermeidung in autonomen Fahrzeugen ermöglichen könnte – und das bei drastisch reduziertem Energieverbrauch (wichtig für Elektrofahrzeuge und Drohnen) ibm.com. Praktisch könnte ein spikendes neuronales Netzwerk die Umgebung eines Autos kontinuierlich analysieren, aber nur dann Neuronen aktivieren, wenn ein relevantes Ereignis eintritt (wie ein Fußgänger, der auf die Straße tritt), was schnelle Reflexe ermöglicht, ohne Energie für untätige Berechnungen zu verschwenden.
Cybersicherheit und Anomalieerkennung: Cybersicherheitssysteme müssen ungewöhnliche Muster (potenzielle Eindringversuche oder Betrug) in riesigen Datenströmen erkennen. Neuromorphe Architekturen sind von Natur aus besonders gut in der Mustererkennung und können genutzt werden, um Anomalien in Echtzeit zu erkennen. Da sie ereignisgesteuert sind, können sie Netzwerkverkehr oder Sensordaten überwachen und nur dann „spiken“, wenn tatsächlich ein ungewöhnliches Muster auftritt. Dies ermöglicht Bedrohungserkennung in Echtzeit mit niedriger Latenz, und es ist so energieeffizient, dass ein solches System potenziell kontinuierlich auf einfacher Hardware laufen könnte ibm.com. In einigen Experimenten wurden neuromorphe Chips eingesetzt, um Netzwerkeinbrüche oder Kreditkartenbetrug zu erkennen, indem sie die „normalen“ Muster erlernten und dann Abweichungen erkannten, ohne jeden Datenpunkt durch eine energiehungrige CPU zu schleusen.
- Edge-KI und IoT-Geräte: Einer der unmittelbarsten Anwendungsfälle für neuromorphes Computing liegt in Edge-Geräten – wie intelligente Sensoren, Wearables oder Haushaltsgeräte – bei denen Strom- und Rechenressourcen begrenzt sind. Der extrem niedrige Stromverbrauch neuromorpher Chips ermöglicht es, KI-Fähigkeiten (wie Spracherkennung, Gestenerkennung oder Ereigniserkennung) auf Geräte zu bringen, ohne dass Cloud-Server oder häufige Akkuaufladungen nötig sind ibm.com. Beispielsweise könnte eine Drohne mit einem neuromorphen Sehsensor selbstständig navigieren und Hindernissen ausweichen, indem sie so schnell und effizient wie eine Fledermaus mit Echoortung reagiert. Drohnen mit neuromorphen Sehsystemen haben gezeigt, dass sie komplexes Gelände durchqueren und auf Veränderungen reagieren können, indem sie die Rechenleistung nur dann erhöhen, wenn neue sensorische Eingaben vorliegen – ähnlich wie das Gehirn eines Lebewesens funktioniert builtin.com. Ebenso könnte eine Smartwatch oder ein Gesundheitsmonitor mit einem winzigen neuromorphen Chip kontinuierlich Biosignale (Herzfrequenz, EEG usw.) lokal analysieren, Anomalien wie Arrhythmien oder Anfälle in Echtzeit erkennen und das tagelang mit einer einzigen Akkuladung tun – etwas, das mit herkömmlichen Chips äußerst schwierig ist. (Tatsächlich wurde kürzlich berichtet, dass eine neuromorph betriebene Smartwatch die Herzrhythmusstörung eines Patienten sofort erkannte – was mit cloudbasierter Analyse schwierig gewesen wäre medium.com.)
Mustererkennung und kognitives Computing: Neuromorphe Systeme sind von Natur aus gut bei Aufgaben, die Mustererkennung in verrauschten Daten erfordern – seien es Bilder, Geräusche oder Sensorsignale. Sie wurden in experimentellen Setups für Bilderkennung, Sprach- und Audioverarbeitung und sogar Geruchserkennung eingesetzt (wie beim Loihi-Chip von Intel, der verschiedene Gerüche lernt) pawarsaurav842.medium.com. Neuromorphe Chips können auch mit analogen Sensoren (wie dynamischen Sehsensoren, die bei Veränderungen in einer Szene Impulse ausgeben) verbunden werden, um durchgängige neuromorphe Sensorsysteme zu schaffen. In der Medizin könnten neuromorphe Prozessoren Ströme biomedizinischer Signale (z. B. EEG-Hirnwellen) analysieren und wichtige Ereignisse oder Muster für die Diagnose herausfiltern ibm.com. Ihre Fähigkeit zu lernen und sich anzupassen bedeutet auch, dass sie die Mustererkennung direkt auf dem Gerät personalisieren könnten – zum Beispiel könnte ein neuromorphes Hörgerät sich kontinuierlich an die Umgebung des jeweiligen Nutzers anpassen und die Filterung von Störgeräuschen gegenüber Sprache verbessern.
Robotik und Echtzeitsteuerung: Robotik erfordert oft enge Rückkopplungsschleifen zur Steuerung von Motoren, zur Interpretation von Sensoren und zur schnellen Entscheidungsfindung. Neuromorphe Controller können Robotern eine Art Reflexe und Anpassungsfähigkeit verleihen. Da sie Informationen parallel verarbeiten und aus sensorischem Feedback lernen können, eignen sie sich gut für Aufgaben wie Balancieren, Greifen oder Gehen in unvorhersehbarem Gelände. Forscher haben neuromorphe Chips zur Steuerung von Roboterarmen und -beinen eingesetzt, wobei der Controller lernt, Motorsignale basierend auf Sensoreingaben in Echtzeit anzupassen, ähnlich wie ein Mensch motorische Fähigkeiten erlernt. Ein beobachteter Vorteil ist, dass Roboter, die von spikenden neuronalen Netzen angetrieben werden, auch dann weiter funktionieren können, wenn einige Neuronen ausfallen (eine Art sanfter Leistungsabfall), was eine Fehlertoleranz ähnlich wie bei biologischen Systemen bietet colocationamerica.com. Unternehmen wie Boston Dynamics haben angedeutet, neuromorph inspirierte Systeme zu erforschen, um die Effizienz und Reaktionszeiten von Robotern zu verbessern. In der Fertigung könnte ein neuromorphes Vision-System es einem Roboter ermöglichen, Objekte zu erkennen oder sich natürlicher auf einem belebten Fabrikboden zu bewegen und schneller auf plötzliche Veränderungen zu reagieren builtin.com.
Gehirn-Maschine-Schnittstellen und Neurowissenschaften: Da neuromorphe Chips nach Prinzipien arbeiten, die dem biologischen Gehirn sehr nahekommen, werden sie als Werkzeuge zum Verständnis der Neurowissenschaften und sogar zur Schnittstelle mit lebenden Neuronen eingesetzt. Beispielsweise können Wissenschaftler lebende neuronale Kulturen mit neuromorpher Hardware verbinden, um Hybridsysteme zu schaffen, wobei der Chip die biologischen Neuronen stimulieren oder überwachen kann, wie es normale Computer in Echtzeit nicht so einfach können. Darüber hinaus helfen neuromorphe Modelle Neurowissenschaftlern, Hypothesen darüber zu testen, wie bestimmte neuronale Schaltkreise im Gehirn funktionieren könnten, indem sie diese Schaltkreise in silico nachbilden und beobachten, ob sie sich ähnlich verhalten. Auch wenn dies eher Forschungsanwendungen als kommerzielle Anwendungen sind, unterstreichen sie die Vielseitigkeit der Technologie.

Es ist erwähnenswert, dass viele dieser Anwendungen noch im Prototyp- oder Forschungsstadium sind. Neuromorphes Computing im Jahr 2025 befindet sich ungefähr dort, wo die konventionelle KI vielleicht Anfang der 2010er Jahre war – wir sehen vielversprechende Demos und Nischenanwendungen, aber die Technologie beginnt gerade erst, das Labor zu verlassen. Technologieberatungen wie Gartner und PwC haben neuromorphes Computing als aufkommende Technologie genannt, die in den kommenden Jahren zu beobachten ist ibm.com. Die Erwartung ist, dass mit der Reifung von Hardware und Software neuromorphe Prozessoren Alltagsgeräten ermöglichen werden, Wahrnehmungsintelligenz zu besitzen, ohne massive Rechenressourcen zu benötigen. Von selbstfahrenden Autos bis hin zu winzigen medizinischen Implantaten – jedes Szenario, in dem wir Echtzeit-KI in einer energie- oder größenbeschränkten Umgebung benötigen, könnte ein Kandidat für neuromorphe Lösungen sein.

Herausforderungen und Einschränkungen

Trotz ihres aufregenden Potenzials steht das neuromorphe Computing vor erheblichen Herausforderungen auf dem Weg zu einer breiteren Akzeptanz. Viele dieser Herausforderungen ergeben sich daraus, dass neuromorphe Ansätze radikal anders sind als der Status quo und ein Umdenken in Hardware, Software und sogar in der Ausbildung erfordern. Hier sind einige der wichtigsten Hürden und Einschränkungen im Jahr 2025:

Reife der Technologie: Neuromorphes Computing ist noch keine ausgereifte, weit verbreitete Technologie. Im Gartner-Hype-Zyklus würde es sich in den frühen Phasen befinden – vielversprechend, aber noch nicht bereit für den breiten Einsatz ibm.com. Die aktuellen neuromorphen Chips sind meist Forschungsprototypen oder Geräte in limitierter Produktion. Es gibt noch keine allgemein anerkannten Industriestandards für neuromorphe Hardware-Designs oder Leistungsbenchmarks builtin.com. Das macht es potenziellen Nutzern schwer, Systeme zu bewerten und zu vergleichen. Daher erkunden Organisationen neuromorphe Technologien vorsichtig, da sie wissen, dass sich diese noch entwickeln und nicht sofort herkömmliche Lösungen bei allen Problemen übertreffen werden.
Mangel an Software und Tools: Einer der größten Engpässe ist das Software-Ökosystem. Die Computerwelt wurde jahrzehntelang um Von-Neumann-Maschinen herum aufgebaut – Programmiersprachen, Compiler, Betriebssysteme und Entwicklerexpertise gehen alle von einer traditionellen Architektur aus. Neuromorphe Hardware hingegen erfordert einen anderen Programmieransatz (mehr das Entwerfen neuronaler Netze und das Abstimmen von Modellen als das Schreiben von sequentiellem Code). Bislang „existieren die richtigen Software-Bauwerkzeuge für neuromorphe Systeme eigentlich nicht“, wie es ein Forscher ausdrückte builtin.com. Viele neuromorphe Experimente basieren auf maßgeschneiderter Software oder Anpassungen von Frameworks für neuronale Netze. Es gibt Bemühungen (zum Beispiel Intels Lava-Open-Source-Framework für Loihi oder Universitätsprojekte wie Nengo), aber es existiert noch keine einheitliche, einfach zu bedienende Plattform, die mit TensorFlow oder PyTorch für spikende neuronale Netze im großen Maßstab vergleichbar wäre. Diese steile Lernkurve begrenzt die Akzeptanz – ein typischer KI-Entwickler kann nicht einfach einen neuromorphen Chip nehmen und eine Anwendung ohne umfangreiche Umschulung einsetzen. Die Verbesserung des Software-Stacks, der Bibliotheken und Simulatoren ist eine entscheidende Aufgabe für die Community.
Paradigmenwechsel in der Programmierung: Im Zusammenhang mit dem Tool-Problem steht ein grundlegender Paradigmenwechsel im Denken. Die Programmierung eines neuromorphen Systems ist nicht wie das Schreiben eines Python-Skripts; es ähnelt eher dem Entwerfen und Trainieren eines gehirnähnlichen Modells. Entwickler benötigen neben Informatikkenntnissen auch Vertrautheit mit neurowissenschaftlichen Konzepten (Spike-Raten, synaptische Plastizität). Das bedeutet, dass die Einstiegshürde hoch ist. Schätzungen zufolge gibt es weltweit nur einige Hundert echte Experten für neuromorphes Computing builtin.com. Diese Talentlücke zu überbrücken ist eine Herausforderung – wir müssen entweder mehr Menschen in diesem interdisziplinären Feld ausbilden oder höherstufige Tools schaffen, die die Komplexität abstrahieren. Bis dahin bleibt neuromorphes Computing eher eine Nische, zugänglich hauptsächlich für spezialisierte Forschungsgruppen.
Hardware-Skalierbarkeit und Fertigung: Neuromorphe Hardware zu bauen, die die Komplexität des Gehirns zuverlässig nachbildet, ist extrem herausfordernd. Während digitale Chips wie Loihi und TrueNorth gezeigt haben, dass wir auf eine Million Neuronen oder mehr skalieren können, ist das Erreichen von Gehirnmaßstab (86 Milliarden Neuronen im menschlichen Gehirn) noch in weiter Ferne. Noch wichtiger ist, dass analoge Ansätze (z. B. mit Memristoren), die Synapsen am besten nachbilden könnten, noch nicht produktionsreif sind – es werden neue Materialien und Fertigungsprozesse benötigt, um sie stabil und reproduzierbar zu machen spectrum.ieee.org. Die modernsten analogen Geräte haben oft Probleme wie Gerätevariabilität, Drift oder begrenzte Lebensdauer. Digitale neuromorphe Chips hingegen nutzen die Standard-CMOS-Fertigung, könnten aber im Vergleich zu analogen Ansätzen an Effizienz oder Dichte einbüßen. Es gibt auch die Herausforderung, neuromorphe Chips in bestehende Computersysteme zu integrieren (Kommunikationsschnittstellen, Formfaktoren usw.). IBMs NorthPole-Chip versucht, dieses Problem zu lösen, indem er sich einem Host-System als „aktiver Speicher“ präsentiert spectrum.ieee.org, aber solche Integrationslösungen sind noch experimentell. Kurz gesagt, neuromorphe Hardware steht an der Schwelle – vielversprechend, aber es sind noch mehr F&E-Anstrengungen nötig, um sie robust, skalierbar und kosteneffizient für die Massenproduktion zu machen.
Standardisierung und Benchmarks: In der herkömmlichen Computertechnik verfügen wir über klar definierte Benchmarks (SPEC für CPUs, MLPerf für KI-Beschleuniger usw.) und Leistungsmetriken. Für neuromorphe Systeme ist jedoch noch nicht klar, wie man die Leistung fair messen und vergleichen kann. Wenn ein Chip ein spikendes neuronales Netz und ein anderer ein Standard-neuronales Netz ausführt, wie vergleicht man dann „Genauigkeit“ oder „Durchsatz“ bei einer bestimmten Aufgabe? Neue Benchmarks, die die Stärken der Neuromorphie ausspielen (wie kontinuierliches Lernen oder energiebegrenzte Mustererkennung), werden entwickelt, aber solange sich die Community nicht darauf einigt, ist es schwierig, Außenstehenden den Wert neuromorpher Lösungen zu beweisen builtin.com. Das Fehlen standardisierter Metriken und Architekturen bedeutet auch, dass das Teilen von Ergebnissen zwischen Forschungsgruppen problematisch sein kann – was auf einem Chip funktioniert, lässt sich möglicherweise nicht auf einen anderen übertragen, wenn sich deren Neuronenmodelle oder Toolchains unterscheiden.
Kompatibilität mit bestehender KI: Derzeit läuft der Großteil der weltweiten KI auf Deep-Learning-Modellen, die für GPUs und TPUs optimiert sind. Diese Modelle verwenden hochpräzise Arithmetik, dichte Matrixmultiplikationen usw., was nicht direkt mit spikender neuromorpher Hardware kompatibel ist. Um die Effizienz der Neuromorphie zu nutzen, muss man oft ein Standard-neuronales Netz in ein spikendes neuronales Netz umwandeln oder neu trainieren, ein Prozess, der mit einem gewissen Genauigkeitsverlust einhergehen kann builtin.com. Manche Aufgaben können eine verschlechterte Leistung zeigen, wenn sie in das Spiking-Paradigma gezwungen werden. Darüber hinaus sind bestimmte KI-Algorithmen (wie große Transformer, die in Sprachmodellen verwendet werden) derzeit noch nicht offensichtlich für spikende Implementierungen geeignet. Das bedeutet, dass neuromorphe Chips derzeit in Nischenbereichen (z. B. Vision, Sensorverarbeitung, einfaches Reinforcement Learning) glänzen, aber sie sind derzeit keine universelle Lösung für alle KI-Probleme. Forscher arbeiten an hybriden Ansätzen und besseren Trainingstechniken, um die Genauigkeitslücke zu schließen, aber es bleibt eine Herausforderung, sicherzustellen, dass ein neuromorphes System für eine bestimmte Anwendung die gleiche Ergebnisqualität wie ein konventionelles System erreicht.
Markt- und Ökosystem-Herausforderungen: Aus geschäftlicher Sicht sucht das neuromorphe Computing noch immer nach seiner „Killer-App“ und einem klaren Weg zur Kommerzialisierung. Investoren und Unternehmen sind vorsichtig, weil der Zeitrahmen für die Amortisation der Technologie ungewiss ist. Eine Analyse Anfang 2025 beschrieb neuromorphes Computing als „vielversprechende Innovation mit schwierigen Marktbedingungen“ und stellte fest, dass das Potenzial zwar hoch ist, aber das Fehlen sofort umsatzgenerierender Anwendungen es für Unternehmen zu einer riskanten Wette macht omdia.tech.informa.com. Es gibt ein Henne-Ei-Problem: Hardwarehersteller warten auf Nachfrage, um die Chipproduktion im großen Maßstab zu rechtfertigen, aber Endnutzer warten auf zugängliche Chips, um die Entwicklung von Anwendungen zu rechtfertigen. Dennoch nimmt die Dynamik zu, und Nischenanwendungen (wie neuromorphe Chips in Satelliten oder militärischen Sensoren, bei denen Stromverbrauch entscheidend ist) beginnen, echten Mehrwert zu zeigen, was den Markt allmählich erweitern könnte.

Zusammenfassend lässt sich sagen, dass neuromorphes Computing im Jahr 2025 an der Spitze der Forschung und Technik steht. Das Gebiet steht vor nicht-trivialen Herausforderungen in der Technologieentwicklung, bei den Werkzeugen und im Aufbau des Ökosystems. Doch keine dieser Herausforderungen sind grundlegende Hindernisse – sie ähneln den Hürden, denen sich frühe Parallelrechner oder die ersten GPUs für allgemeines Rechnen gegenübersahen. Während die Community an der Standardisierung arbeitet, die Hardware verbessert und mehr Entwickler ausbildet, können wir erwarten, dass viele dieser Einschränkungen in den kommenden Jahren verringert werden. Eine Nature-Perspektive im Jahr 2025 stellte optimistisch fest, dass nach einigen Fehlstarts das Zusammentreffen jüngster Fortschritte (bessere Trainingsalgorithmen, Verbesserungen im digitalen Design und In-Memory-Computing) „nun eine weitverbreitete kommerzielle Einführung verspricht“ der neuromorphen Technologie, vorausgesetzt, wir lösen, wie man diese Systeme im großen Maßstab programmiert und einsetzt nature.com. An diesen Lösungen wird aktiv gearbeitet, und das kommende Jahrzehnt wird wahrscheinlich bestimmen, wie weit neuromorphes Computing von hier aus gehen wird.

Neueste Entwicklungen und Nachrichten (Stand 2025)

In den letzten Jahren gab es bedeutende Meilensteine und neues Interesse am neuromorphen Computing, was darauf hindeutet, dass das Feld an Fahrt gewinnt. Hier sind einige der jüngsten Entwicklungen bis 2025:

Intels Hala Point – Vorstoß in neuromorphe Skalierung: Im April 2024 kündigte Intel Hala Point an, das größte jemals gebaute neuromorphe Computersystem newsroom.intel.com. Hala Point bündelt 1.152 Loihi-2-Chips und erreicht eine neuronale Kapazität von etwa 1,15 Milliarden Neuronen (vergleichbar mit dem Gehirn einer Eule) newsroom.intel.com. Es ist in den Sandia National Laboratories installiert und dient als Forschungstestumgebung zur Skalierung neuromorpher Algorithmen. Bemerkenswert ist, dass Hala Point die Fähigkeit demonstrierte, gängige KI-Workloads (wie tiefe neuronale Netze) mit beispielloser Effizienz auszuführen – und dabei 20 Billiarden Operationen pro Sekunde mit über 15 Billionen Operationen pro Sekunde und Watt in Tests erreichte newsroom.intel.com. Intel behauptet, dies könne mit der Leistung von GPU/CPU-Clustern bei diesen Aufgaben mithalten oder sie sogar übertreffen, jedoch mit deutlich besserer Energieeffizienz newsroom.intel.com. Die Bedeutung liegt darin, dass neuromorphe Systeme nicht mehr nur Spielzeugmodelle sind; sie bewältigen KI-Aufgaben in für die Industrie relevanten Maßstäben und deuten darauf hin, dass neuromorphe Ansätze in Zukunft aktuelle KI-Beschleuniger ergänzen oder sogar mit ihnen konkurrieren könnten. Mike Davies von Intel Labs bemerkte, dass Hala Point die Effizienz des Deep Learning mit „neuartigem, vom Gehirn inspiriertem Lernen“ kombiniert, um nachhaltigere KI zu erforschen, und dass solche Forschung zu KI-Systemen führen könnte, die kontinuierlich lernen anstatt des derzeit ineffizienten Zyklus aus Training und Einsatz newsroom.intel.com.
IBMs NorthPole und wissenschaftlicher Durchbruch: Ende 2023 veröffentlichte IBM Details zu seinem NorthPole-Chip in der Zeitschrift Science und erregte damit beträchtliche Aufmerksamkeit spectrum.ieee.org. NorthPole ist nicht nur wegen seiner reinen Spezifikationen (wie zuvor erwähnt) bedeutend, sondern auch, weil es einen klaren Weg aufzeigt, wie neuromorphe Chips in konventionelle Systeme integriert werden können. Von außen betrachtet verhält er sich wie eine Speichereinheit, was bedeutet, dass er auf den Speicherbus eines Computers gesetzt und mit bestehenden CPUs zusammenarbeiten könnte spectrum.ieee.org. Diese Art der Integration ist entscheidend für die Kommerzialisierung. Der Science-Artikel zeigte, dass NorthPole Vision-AI-Modelle (wie ResNet-50 für Bildklassifikation und YOLO für Objekterkennung) dramatisch schneller und effizienter ausführen kann als eine NVIDIA V100 GPU – und sogar die High-End NVIDIA H100 in der Energieeffizienz um etwa das 5-Fache übertrifft spectrum.ieee.org. Ein unabhängiger Experte, Professor Vwani Roychowdhury von der UCLA, nannte die Arbeit „eine Meisterleistung des Engineerings“ und merkte an, dass, da analoge neuromorphe Technik noch nicht einsatzbereit ist, NorthPoles digitaler Ansatz „eine kurzfristige Option bietet, KI dort einzusetzen, wo sie gebraucht wird.“ spectrum.ieee.org. Mit anderen Worten: IBM hat gezeigt, dass neuromorphe Chips schon jetzt praktische Auswirkungen haben können, und zwar mit heutiger Fertigungstechnologie. Diese Entwicklung wurde in den Technikmedien breit aufgegriffen und als großer Schritt gesehen, um neuromorphe Ideen in reale Produkte zu bringen.
Gehirninspirierte KI für Raumfahrt und Verteidigung: In den Jahren 2022 und 2023 begannen Agenturen wie die NASA und das US-Verteidigungsministerium, mit neuromorphen Prozessoren für spezielle Anwendungen zu experimentieren. Die NASA testete einen neuromorphen Chip (Loihi) für die Verarbeitung von Satellitenbildern und die Navigation von Raumfahrzeugen, wo Strahlenresistenz und geringer Stromverbrauch entscheidend sind. Die Idee ist, dass ein kleiner neuromorpher Co-Prozessor an Bord eines Satelliten Sensordaten direkt vor Ort analysieren könnte (z. B. Merkmale auf der Oberfläche eines Planeten erkennen oder Anomalien in der Telemetrie des Raumfahrzeugs feststellen), ohne ständig mit der Erde kommunizieren zu müssen, was Bandbreite und Energie spart. Das Air Force Research Lab arbeitete mit Start-ups (z. B. BrainChip) zusammen, um zu prüfen, ob neuromorphe Technik komplexe Sensorsignale für autonome Flugzeuge oder Raketenerkennungssysteme embedded.com abbilden kann. Die extreme Energieeffizienz und das Echtzeit-Lernen neuromorpher Systeme sind sehr attraktiv für autonome militärische Systeme, die mit Batterie- oder Solarstrom betrieben werden. Diese Projekte befinden sich größtenteils noch in der Testphase, signalisieren aber ein wachsendes Vertrauen in die Zuverlässigkeit neuromorpher Hardware außerhalb des Labors.
Kommerzielle Edge-AI-Produkte: Bis 2025 sehen wir die ersten kommerziellen Produkte, die neuromorphe Technologie integrieren. Das Akida-IP von BrainChip zum Beispiel wurde für den Einsatz in Automobilsensormodulen lizenziert – ein Beispiel ist die Nutzung neuromorpher Netzwerke zur Analyse von Daten aus Reifendrucksensoren eines Autos, um Reifenschlupf oder Veränderungen der Straßenbedingungen in Echtzeit zu erkennen. Ein weiteres Beispiel findet sich bei Smart-Home-Geräten: eine neuromorph-fähige Kamera, die Personen- und Gestenerkennung direkt auf dem Gerät durchführen kann und dabei monatelang mit einer einzigen Batterie läuft. Diese sind noch keine bekannten Markennamen, aber sie zeigen, dass neuromorphes Computing seinen Weg in Nischenanwendungen mit hohem Mehrwert findet. Analysten prognostizieren, dass mit der Ausweitung des Internet of Things (IoT) der Bedarf an winziger, stromsparender KI explodieren wird und neuromorphe Chips einen bedeutenden Teil dieses Marktes erobern könnten, wenn sie sich einfach integrieren lassen. Marktforschungsberichte sagen für das nächste Jahrzehnt ein rasantes Wachstum der Umsätze im Bereich neuromorphes Computing voraus – in der Größenordnung von 25-30 % durchschnittlicher jährlicher Wachstumsrate – was bis 2030 einen Multi-Milliarden-Dollar-Markt schaffen könnte builtin.com.
Globale Zusammenarbeit und Konferenzen: Die neuromorphe Community teilt ihre Fortschritte aktiv. Konferenzen wie der Neuromorphic Engineering Workshop (Telluride) und das IEEE-Event Neuro Inspired Computational Elements (NICE) verzeichnen einen starken Anstieg der Teilnahme. 2023 präsentierte der Telluride-Workshop neuromorph-gesteuerte Roboterhunde, Gesichtserkennungs-Demos auf Einplatinen-Neuromorphsystemen und weitere Anwendungen zur neuromorphen Sensorfusion. Auch Open-Source-Initiativen nehmen zu – zum Beispiel sind der Spiking Neural Network Architecture (SpiNNaker)-Code und Simulatoren weltweit für Forschende verfügbar, und Intels Lava-Software für Loihi wurde Ende 2022 als Open Source veröffentlicht, um Community-Beiträge zu Algorithmen und Anwendungsfällen zu ermöglichen.
Die KI-Energiekrise und neuromorphe Hoffnung: Ein Thema in den aktuellen Nachrichten ist die Energiekosten von KI. Da große Sprachmodelle und KI-Dienste immer mehr Strom verbrauchen (einige Schätzungen setzen den Stromverbrauch der KI-Branche auf einen enormen und wachsenden Anteil am weltweiten Energiebedarf), wird neuromorphes Computing oft als potenzielle Lösung hervorgehoben. Anfang 2025 wies ein Medium-Artikel darauf hin, dass der Energie-Fußabdruck von KI in die Höhe schnellt und bezeichnete neuromorphe Chips als „grüne, kluge Zukunft der KI“, wobei 2025 als möglicher Wendepunkt gesehen wird, an dem die Industrie ernsthaft auf gehirninspirierte Chips setzt, um den Energieverbrauch zu zügeln medium.com. Diese Erzählung gewinnt in der Tech-Berichterstattung und auf KI-Konferenzen an Fahrt: im Wesentlichen neuromorphes Computing für nachhaltige KI. Auch Regierungen beginnen im Rahmen von Initiativen für energieeffizientes Computing, neuromorphe Forschung zu fördern – mit dem doppelten Ziel, das KI-Leistungswachstum aufrechtzuerhalten und gleichzeitig Energie- und CO2-Kosten zu senken.

All diese Entwicklungen zeichnen das Bild eines Bereichs, der sich rasant an mehreren Fronten weiterentwickelt: wissenschaftliches Verständnis, technische Meisterleistungen und erste kommerzielle Erprobungen. Es entsteht der Eindruck, dass das neuromorphe Computing von einer langen Inkubationszeit in eine Phase praktischer Demonstrationen übergeht. Auch wenn es noch nicht „Mainstream“ ist, deutet der Fortschritt in den Jahren 2023–2025 darauf hin, dass sich das in den kommenden Jahren ändern könnte. In der Community herrscht Einigkeit darüber, dass neuromorphe Technologie ein Game-Changer für die nächste Welle der KI sein könnte – vorausgesetzt, die verbleibenden Hürden (insbesondere Software und Skalierbarkeit) werden überwunden. Diese nächste Welle wäre anpassungsfähiger, immer aktiv und energieeffizienter als das, was wir mit bestehenden Architekturen erreichen können.

Expertenperspektiven zur Zukunft

Um diesen Überblick abzurunden, ist es aufschlussreich, was Experten auf diesem Gebiet sagen über neuromorphes Computing und seine Zukunft. Hier sind einige aufschlussreiche Zitate und Standpunkte führender Forscher und Branchenvertreter:

Dharmendra S. Modha (IBM Fellow, Chief Scientist for Brain-Inspired Computing): „NorthPole verwischt die Grenzen zwischen gehirninspiriertem Computing und siliziumoptimiertem Computing, zwischen Rechenleistung und Speicher, zwischen Hardware und Software.“ spectrum.ieee.org Modha betont, dass IBMs Ansatz mit NorthPole traditionelle Unterscheidungen im Computerdesign auflöst – und eine neue Chipklasse schafft, die zugleich Prozessor und Speicher, sowohl Hardware als auch Algorithmus ist. Er setzt sich seit langem dafür ein, dass die räumliche Nähe von Speicher und Rechenleistung der Schlüssel zur Erreichung gehirnähnlicher Effizienz ist. Seiner Ansicht nach erfordern wirklich neuromorphe Chips ein Umdenken des gesamten Stacks, und NorthPoles Erfolg beim Übertreffen von GPUs ist ein Beweis dafür, dass dieser unkonventionelle Ansatz funktioniert. Modha hat sogar angedeutet, dass neuromorphe Systeme, wenn sie skaliert werden, eines Tages die Fähigkeiten des menschlichen Cortex für bestimmte Aufgaben erreichen könnten – und das bei einem winzigen Bruchteil des Energieverbrauchs heutiger Supercomputer spectrum.ieee.org.
Mike Davies (Direktor von Intels Neuromorphic Computing Lab): „Die Rechenkosten heutiger KI-Modelle steigen in einem nicht nachhaltigen Tempo… Die Branche braucht grundlegend neue Ansätze, die skalierbar sind.“ newsroom.intel.com Davies spricht oft über die Energieeffizienz-Mauer, an die KI stößt. Er weist darauf hin, dass es langfristig nicht praktikabel ist, einfach mehr GPUs auf das Problem zu werfen, da es Energie- und Skalierungsgrenzen gibt. Neuromorphes Computing, so argumentiert er, ist einer der wenigen Wege, um den Fortschritt fortzusetzen. Intels Strategie spiegelt diesen Glauben wider: Durch Investitionen in neuromorphe Forschung wie Loihi und Hala Point wollen sie neue Algorithmen entdecken (wie kontinuierliches Lernen, Sparse Coding usw.), die zukünftige KI nicht nur schneller, sondern auch viel effizienter machen könnten. Davies hat hervorgehoben, wie neuromorphe Chips bei Aufgaben wie adaptiver Steuerung und Sensorik glänzen, und er sieht voraus, dass sie in größere KI-Systeme integriert werden – vielleicht ein KI-Server mit einigen neuromorphen Beschleunigern neben GPUs, wobei jede Einheit die Aufgaben übernimmt, für die sie am besten geeignet ist. Sein Zitat unterstreicht, dass Skalierbarkeit in der KI Paradigmenwechsel erfordern wird, und neuromorphes Design ist ein solcher Wandel.
Carver Mead (Pionier des neuromorphen Engineerings): (Aus historischer Perspektive) Mead hat oft seine Bewunderung für die Effizienz der Biologie geäußert. In Interviews sagte er Dinge wie: „Wenn man 10¹¹ Neuronen hat, die alle parallel rechnen, kann man mit einem Joule Energie Dinge tun, für die ein herkömmlicher Computer Kilojoule oder mehr benötigen würde.“ (sinngemäß aus verschiedenen Vorträgen). Meads Vision aus den 1980er Jahren – dass die Verbindung von analoger Physik mit Informatik gehirnähnliche Fähigkeiten freisetzen könnte – trägt nun endlich Früchte. Er ist der Ansicht, dass neuromorphes Engineering „die natürliche Fortsetzung von Moores Gesetz“ darpa.mil in gewisser Weise ist: Da das Transistor-Skaling abnehmende Erträge bringt, müssen wir neue Wege finden, große Transistorzahlen zu nutzen, und sie zur Nachbildung von Gehirnschaltkreisen zu verwenden (die Energieeffizienz über Präzision stellen), ist der logische nächste Schritt. Nach seinen jüngsten Kommentaren bleibt Mead optimistisch, dass die kommende Ingenieursgeneration diese Ideen weiter verfeinern wird und dass neuromorphe Prinzipien zukünftige Computerplattformen durchdringen werden (obwohl Mead im Ruhestand ist, ist sein Vermächtnis in jedem neuromorphen Projekt deutlich spürbar).
Vwani Roychowdhury (Professor für Elektrotechnik, UCLA): „Da analoge Systeme technologisch noch nicht ausgereift sind, bietet diese Arbeit eine kurzfristige Option, KI dort einzusetzen, wo sie benötigt wird.“ spectrum.ieee.org Roychowdhury gab diese Einschätzung in Bezug auf IBMs NorthPole-Chip ab. Als unabhängiger Wissenschaftler, der nicht direkt mit IBM oder Intel verbunden ist, hat seine Perspektive Gewicht: Er erkennt an, dass das große Ziel zwar analoge neuromorphe Prozessoren sind (die theoretisch noch effizienter und gehirnähnlicher sein könnten), diese aber noch nicht einsatzbereit sind. In der Zwischenzeit zeigen Chips wie NorthPole, dass digitale neuromorphe Chips die Lücke überbrücken und sofortige Vorteile für Edge-AI-Anwendungen bieten können spectrum.ieee.org. Sein Zitat unterstreicht eine pragmatische Sichtweise in der Community: Man nutzt, was jetzt funktioniert (auch wenn es digital simulierte Neuronen sind), um bereits Vorteile zu erzielen, und forscht weiter an exotischeren analogen Geräten für die Zukunft. Es ist eine Bestätigung, dass neuromorphe Technik heute für bestimmte Aufgaben bereit ist.
Forscher des Los Alamos National Laboratory: In einem Artikel vom März 2025 schrieben KI-Forscher am Los Alamos, dass „neuromorphes Computing, die nächste Generation der KI, kleiner, schneller und effizienter sein wird als das menschliche Gehirn.“ en.wikipedia.org Diese kühne Behauptung spiegelt den Optimismus wider, den einige Experten hinsichtlich des ultimativen Potenzials neuromorpher Designs haben. Auch wenn es ein hochgestecktes Ziel ist, „kleiner und schneller“ als das menschliche Gehirn zu sein (das Gehirn ist eine außergewöhnlich leistungsfähige 20-Watt-Maschine), wird damit ausgesagt, dass neuromorphes Computing KI-Systeme ermöglichen könnte, die nicht nur menschenähnliche Intelligenz erreichen, sondern das Gehirn bei bestimmten Operationen sogar in Geschwindigkeit und Effizienz übertreffen. Der Kontext dieses Zitats ist die Idee, dass Gehirne, so erstaunlich sie auch sind, ein Produkt der Biologie und damit gewissen Einschränkungen unterworfen sind – von Gehirnen inspirierte Maschinen könnten diese Einschränkungen möglicherweise überwinden (zum Beispiel durch elektrische Signalübertragung über kürzere Distanzen als biologische Neuronen, was eine schnellere Signalweiterleitung erlaubt, und durch Materialien, die höhere Feuerraten ermöglichen usw.). Es ist eine langfristige Vision, aber es ist bezeichnend, dass seriöse Forscher solche Möglichkeiten in Betracht ziehen.

Diese Perspektiven zusammen zeichnen das Bild eines Feldes, das sowohl zukunftsorientiert als auch bodenständig ist. Die Experten erkennen die Hürden an, sind aber eindeutig begeistert von der Entwicklung. Das durchgängige Thema ist, dass neuromorphes Computing als Schlüssel für die Zukunft des Rechnens gesehen wird – insbesondere für KI und maschinelles Lernen. Es geht nicht darum, das Gehirn zu ersetzen oder fühlende Maschinen zu erschaffen, sondern darum, sich von der Biologie inspirieren zu lassen, um aktuelle Grenzen zu überwinden. Wie Modha es treffend zusammenfasste, ist das Ziel, das Beste aus beiden Welten zu vereinen: gehirnähnliche Anpassungsfähigkeit und Effizienz mit den Vorteilen moderner Silizium-Computer spectrum.ieee.org.

Weiterführende Literatur und Ressourcen

Für alle, die sich eingehender mit neuromorpher Datenverarbeitung beschäftigen möchten, finden sich hier einige glaubwürdige Quellen und Referenzen:

IBM Research – Neuromorphic Computing: IBMs Übersichtsartikel „What is neuromorphic computing?“ bietet eine verständliche Einführung und hebt IBMs Projekte wie TrueNorth und NorthPole hervor ibm.com ibm.com.
Intel Neuromorphic Research Community: Intels Newsroom und Forschungsblogs bieten Updates zu Loihi und Hala Point, einschließlich der Pressemitteilung vom April 2024 mit Details zu Hala Points Spezifikationen und Zielen newsroom.intel.com.
DARPA SyNAPSE Program: DARPAs Ankündigung des IBM TrueNorth-Chips aus dem Jahr 2014 bietet Einblicke in die Beweggründe (Energieeffizienz) und die Architektur des Chips darpa.mi l.
IEEE Spectrum: Der Artikel vom Oktober 2023 „IBM Debuts Brain-Inspired Chip For Speedy, Efficient AI“ von Charles Q. Choi untersucht den NorthPole-Chip im Detail und enthält Kommentare von Expertenspectrum.ieee.org.
Nature und Nature Communications: Für eine wissenschaftlichere Perspektive veröffentlichte Nature Communications (April 2025) „The road to commercial success for neuromorphic technologies“ nature.com, das den weiteren Weg und verbleibende Herausforderungen diskutiert. Science (Okt 2023) enthält das technische Paper zu NorthPole für alle, die sich für Details interessieren.
BuiltIn & Medium-Artikel: Die Technikseite BuiltIn bietet eine umfassende Einführung in neuromorphes Computing, einschließlich Vorteilen und Herausforderungen in leicht verständlicher Sprache builtin.com. Außerdem haben einige Medium-Autoren Beiträge verfasst (z. B. darüber, warum Unternehmen wie IBM und Intel in neuromorphes Computing investieren) und bieten damit eine Perspektive für ein allgemeines Publikum medium.com.

Neuromorphes Computing ist ein sich rasant entwickelndes Feld an der Schnittstelle von Informatik, Elektronik und Neurowissenschaften. Es stellt eine mutige Neuerfindung dar, wie wir Maschinen bauen, die „denken“. Wie wir gesehen haben, ist der Weg von der Idee zur Realität seit Jahrzehnten in Arbeit, aber der Fortschritt ist unbestreitbar und beschleunigt sich. Wenn sich die aktuellen Trends fortsetzen, könnten gehirninspirierte Chips schon bald die CPUs und GPUs in unseren Geräten ergänzen und KI allgegenwärtig und hocheffizient machen. In den Worten eines Forscherteams steht die neuromorphe Technologie kurz davor, „die nächste Generation der KI“ en.wikipedia.org zu werden – eine Entwicklung, die das Computing, wie wir es kennen, grundlegend verändern könnte. Es ist ein Bereich, den es in den kommenden Jahren zu beobachten gilt.

Quellen:

IBM Research, „What is Neuromorphic Computing?“ (2024 )ibm.com
DARPA News, „SyNAPSE Program Develops Advanced Brain-Inspired Chip“ (Aug 2014) darpa.mil
Intel Newsroom, „Intel Builds World’s Largest Neuromorphic System (Hala Point)“ (Apr 17, 2024) newsroom.intel.com
IEEE Spectrum, „IBM Debuts Brain-Inspired Chip For Speedy, Efficient AI“ (Oct 23, 2023) spectrum.ieee.org
BuiltIn, „What Is Neuromorphic Computing?“ (2023) builtin.com
Nature Communications, „Der Weg zum kommerziellen Erfolg für neuromorphe Technologien“ (15. Apr. 2025) nature.com
Wikipedia, „Neuromorphes Rechnen“ (abgerufen 2025) en.wikipedia.org

Neuromorphic Computing Is a Big Deal for A.I., But What Is It?

Dieses Video auf YouTube ansehen.