Mitä on neuromorfinen laskenta (ja miten se toimii)?
Neuromorfinen laskenta – jota kutsutaan joskus myös aivojen inspiroimaksi laskennaksi – on lähestymistapa tietokoneiden suunnitteluun, joka jäljittelee ihmisaivojen rakennetta ja toimintaa ibm.com. Perinteisen mallin sijaan, jossa erilliset yksiköt hoitavat prosessointia ja muistia, neuromorfiset järjestelmät yhdistävät nämä toiminnot keinotekoisten “hermojen” ja “synapsien” verkostoihin, aivan kuten biologisissa aivoissa. Yksinkertaisesti sanottuna, neuromorfinen siru on tietokonesiru, joka toimii kuin aivosolujen verkosto, käsitellen tietoa suurten toisiinsa kytkeytyneiden hermosolujen kautta en.wikipedia.org.
Neuromorfisen laskennan ytimessä ovat spike-pohjaiset neuroverkot (SNN:t) – keinotekoisten hermosolujen verkostot, jotka viestivät lyhyiden sähköpulssien eli “piikkien” avulla, mikä on analogista biologisten hermosolujen jännitepiikeille ibm.com. Jokainen hermosolu kerää saapuvia signaaleja ajan myötä ja “laukaisee” piikin muille hermosoluille vain kun tietty kynnysarvo ylittyy ibm.com. Jos syötteet pysyvät alle kynnysarvon, signaali lopulta hiipuu (tätä kuvataan usein hermosolun varauksen vuotamisena pois). Tämä tapahtumapohjainen laskentatyyli tarkoittaa, että toisin kuin perinteiset prosessorit, jotka toimivat jatkuvasti, neuromorfiset sirut ovat enimmäkseen lepotilassa ja aktivoivat hermosoluja vain, kun on dataa käsiteltävänä pawarsaurav842.medium.com. Tämän seurauksena ne kuluttavat huomattavasti vähemmän energiaa – suurin osa “aivomaisesta” verkosta pysyy passiivisena, kunnes sitä tarvitaan, aivan kuten aivoissamme on miljardeja hermosoluja, mutta vain pieni osa niistä aktivoituu kerrallaan pawarsaurav842.medium.com.
Toinen keskeinen ominaisuus on, että laskenta ja muisti sijaitsevat samassa paikassa. Neuromorfisessa suunnittelussa jokainen neuroni voi sekä tallentaa että käsitellä tietoa, kun taas perinteisessä tietokoneessa dataa siirretään jatkuvasti edestakaisin suorittimen ja erillisten muistipankkien välillä. Sisällyttämällä muisti laskentaelementteihin (neuroneihin) neuromorfiset sirut välttävät perinteisten arkkitehtuurien tiedonsiirtopullonkaulan spectrum.ieee.org, newsroom.intel.com. Tämä mahdollistaa valtavan rinnakkaisuuden ja tehokkuuden: monet neuronit toimivat samanaikaisesti, ja tarvitaan vain paikallista viestintää. IBM:n neuromorfisen tutkimuksen johtaja Dharmendra Modha selittää, että “Aivot ovat huomattavasti energiatehokkaammat kuin nykyaikaiset tietokoneet, osittain siksi, että ne tallentavat muistin ja laskennan jokaiseen neuroniin.” spectrum.ieee.org. Käytännössä neuromorfiset järjestelmät toimivat enemmän elävien hermoverkkojen tavoin kuin perinteiset sarjalliset tietokoneet, mahdollistaen reaaliaikaisen tiedonkäsittelyn ja harvan, tapahtumapohjaisen viestinnän neuronien välillä nature.com.
Lyhyt historia ja keskeiset virstanpylväät
Neuromorfinen laskenta saattaa kuulostaa futuristiselta, mutta sen käsitteelliset juuret ulottuvat 1980-luvulle. Termi “neuromorfinen” (tarkoittaen “aivojen muotoinen”) lanseerattiin Carver Meadin toimesta, joka oli Caltechin professori ja tämän alan uranuurtaja 1980-luvun lopulla colocationamerica.com. Tuolloin Mead ja hänen kollegansa, kuten Misha Mahowald, rakensivat ensimmäiset kokeelliset “piineuronit” ja aistisirut – esimerkiksi analogisen piipohjaisen verkkokalvon, joka pystyi havaitsemaan valoa ihmisen silmän tavoin, sekä piipohjaisen simpukan, joka käsitteli ääntä ibm.com. Nämä varhaiset sirut osoittivat, että elektroniset piirit voivat jäljitellä perusneuraalisia toimintoja, mikä synnytti vision siitä, että tietokoneet voisivat jonain päivänä toimia enemmän aivojen tavoin.
1990- ja 2000-luvuilla neuromorfinen suunnittelu pysyi pääosin akateemisessa maailmassa ja tutkimuslaboratorioissa, edistyen tasaisesti taustalla. Merkittävä virstanpylväs saavutettiin vuonna 2014, kun IBM:n TrueNorth -siru kehitettiin DARPA:n SyNAPSE-ohjelmassa. TrueNorth sisälsi 1 miljoona ”hermosolua” ja 256 miljoonaa ”synapsia” yhdelle sirulle, hämmästyttävällä 5,4 miljardilla transistorilla – ja kulutti silti alle 100 milliwattia tehoa darpa.mil. Tämä ”aivot sirulla”, joka oli saanut inspiraationsa nisäkkäiden aivojen arkkitehtuurista, kykeni suorittamaan monimutkaisia kuvioiden tunnistustehtäviä kaksi kertaluokkaa vähemmällä energialla kuin perinteiset prosessorit darpa.mil. TrueNorthin suunnittelu oli tapahtumapohjainen ja massiivisesti rinnakkainen: 4 096 neurosynaptista ydintä kommunikoivat piikkien avulla, osoittaen laajamittaisen neuromorfisen laitteiston toteutettavuuden. IBM vertasi TrueNorthin mittakaavaa (miljoona hermosolua) suunnilleen mehiläisen tai torakan aivoihin, ja se osoitti, että neuromorfiset sirut voivat olla sekä energiatehokkaita että kykeneviä aivojen kaltaisiin tehtäviin darpa.mil.
Toinen harppaus tapahtui vuonna 2017, kun Intel esitteli Loihi-neuromorfisen sirunsa. Loihi oli täysin digitaalinen neuromorfinen prosessori, jossa oli 128 ydintä, 130 000 hermosolua ja 130 miljoonaa synapsia toteutettuna piille pawarsaurav842.medium.com. Tärkeää oli, että Loihissa oli sisäänrakennettu oppimiskyky: jokaisessa hermosoluytimessä oli oma oppimismoduuli, jonka ansiosta siru pystyi muuttamaan synaptisia painoja ja ”oppimaan” kuvioista ajan myötä. Eräässä demonstraatiossa Intel osoitti, että Loihi pystyi oppimaan tunnistamaan vaarallisten kemikaalien tuoksuja – käytännössä opettamaan sirun haistamaan käsittelemällä hajusensorin dataa aivojen kaltaisella tavalla pawarsaurav842.medium.com. Tämä itseoppimiskyky korosti, miten neuromorfiset järjestelmät voivat mukautua reaaliajassa, mikä on askel pidemmälle kuin valmiiksi koulutettujen neuroverkkojen ajaminen.
Sen jälkeen kehitys on kiihtynyt. Yliopistot rakensivat erikoistuneita neuromorfisia supertietokoneita, kuten SpiNNaker (Manchesterin yliopisto), koneen, jossa on yli miljoona pientä prosessoria ja joka on suunniteltu simuloimaan miljardia sykkivää hermosolua reaaliajassa pawarsaurav842.medium.com. Euroopassa vuosikymmenen mittainen Human Brain Project (2013–2023) tuki neuromorfisia alustoja, kuten BrainScaleS (Heidelbergin yliopisto), joka käyttää analogisia sähköpiirejä hermosolujen jäljittelyyn, sekä SpiNNakerin versiota – molemmat tutkijoiden käytettävissä EBRAINS-tutkimusinfrastruktuurin kautta ibm.com. Nämä laajamittaiset akateemiset hankkeet olivat virstanpylväitä osoittamassa, miten neuromorfiset periaatteet voivat laajentua.
Teollisuuden puolella IBM, Intel ja muut jatkavat rajan siirtämistä. IBM:n uusin neuromorfinen kehitys, joka paljastettiin vuonna 2023, on koodinimeltään NorthPole – siru, joka yhdistää muistin ja prosessoinnin entistä tiiviimmin. NorthPole saavuttaa dramaattisia parannuksia nopeudessa ja energiatehokkuudessa, ollen tiettävästi 25× energiatehokkaampi ja 22× nopeampi kuin huippuluokan perinteiset tekoälysirut kuvantunnistustehtävissä spectrum.ieee.org. Siinä on 22 miljardia transistoria 800 mm² paketissa, ja poistamalla sirun ulkopuolisen muistin kokonaan se vähentää merkittävästi energiahukkaa, joka syntyy datan siirtämisestä spectrum.ieee.org. IBM:n tutkijat kuvaavat NorthPolea “läpimurroksi siruarkkitehtuurissa, joka tuo valtavia parannuksia energian, tilan ja ajan tehokkuudessa” research.ibm.com, pohjautuen TrueNorthista opittuihin asioihin kymmenen vuotta aiemmin. Samaan aikaan Intel esitteli vuonna 2021 toisen sukupolven sirun, Loihi 2, ja vuonna 2024 se julkisti Hala Point, neuromorfisen superjärjestelmän, joka sisältää 1 152 Loihi 2 -sirua ja yhteensä 1,2 miljardia hermosolua – suunnilleen pienen linnun (pöllön) aivokapasiteetin verran newsroom.intel.com. Sandia National Labsissa käyttöön otettu Hala Point on tällä hetkellä maailman suurin neuromorfinen tietokone, jonka tarkoituksena on edistää aivomittakaavan tekoälytutkimusta.
Carver Meadin yhden transistorin hermosoluista tämän päivän miljardin hermosolun järjestelmiin neuromorfinen laskenta on kehittynyt akateemisesta erityisideasta huipputeknologiaksi. Historiaa leimaavat tasaiset parannukset mittakaavassa, energiatehokkuudessa ja aivomaisen prosessoinnin realismissa, mikä luo pohjan seuraavalle laskennan aikakaudelle.
Neuromorfisen laskennan keskeiset teknologiat
Neuromorfinen laskenta yhdistää innovaatiot laitteistokomponenteissa ja neuroverkkomalleissa. Joitakin keskeisiä teknologioita, jotka mahdollistavat tämän aivoista inspiroituneen lähestymistavan, ovat:
- Piikkineuroverkot (SNN): Kuten mainittiin, SNN:t ovat neuromorfisten järjestelmien algoritminen selkäranka. Niitä kutsutaan joskus ”kolmannen sukupolven” neuroverkoiksi pawarsaurav842.medium.com, ja ne tuovat ajan elementin neuronimalleihin. Toisin kuin tavallisissa tekoälyverkoissa, joissa aktivoinnit ovat jatkuvia, piikkineuronit viestivät yksittäisillä piikeillä, mikä mahdollistaa ajallisen koodauksen (tieto välittyy piikkien ajoituksella) ja tapahtumapohjaisen toiminnan. SNN:t pystyvät mallintamaan ilmiöitä, kuten neuronien ajoitusta, refraktaariaikoja ja plastisuutta (oppimista synapsin vahvuuden muutosten kautta) luonnollisemmin kuin perinteiset verkot ibm.com. Tämä tekee niistä hyvin soveltuvia aistidatavirtojen (näkö, ääni jne.) reaaliaikaiseen käsittelyyn. SNN:ien koulutusalgoritmien kehittäminen on kuitenkin monimutkaista – tutkijat käyttävät menetelmiä, jotka vaihtelevat syväverkkojen muuntamisesta piikkiverkoiksi bioinspiroituihin oppimissääntöihin ibm.com. SNN:t ovat vilkas tutkimusalue ja keskeinen osa neuromorfista kokonaisuutta.
- Memristorit ja uudet komponentit: Monet neuromorfiset alustat käyttävät yhä perinteisiä piitransistoreita, mutta suurta kiinnostusta herättävät uudet komponentit, kuten memristorit (muistivastukset). Memristori on nanoskaalan elektroninen komponentti, joka voi samanaikaisesti tallentaa tietoa (kuten muisti) ja suorittaa laskentaa (kuten vastus/verkko) muuttamalla resistanssiaan virran mukaan – jäljitellen synapsin kykyä ”muistaa” vahvistamalla tai heikentämällä yhteyksiä ibm.com. Memristorit ja muut resistiiviset muistiteknologiat (esim. faasimuistipiirit, ferroelektriset laitteet, spintroniikkakomponentit) mahdollistavat ”analogiset” synapsit, jotka päivittyvät jatkuvasti ja mahdollistavat muistissa tapahtuvan laskennan arkkitehtuurit. Kun muisti ja laskenta yhdistetään samaan fyysiseen komponenttiin, ne purkavat perinteisen laskentamallin erottelun. Nämä uudet komponentit lupaavat moninkertaisia tehokkuushyötyjä; ne ovat kuitenkin vielä kokeellisia vuonna 2025 ja kohtaavat haasteita luotettavuudessa ja valmistuksessa. Kuten eräs asiantuntija totesi, analogisilla neuromorfisilla järjestelmillä on valtava potentiaali, mutta ”ne eivät ole vielä saavuttaneet teknologista kypsyyttä”, minkä vuoksi monet nykyiset ratkaisut (kuten IBM:n NorthPole ja Intelin Loihi) käyttävät digitaalisia piirejä lyhyen aikavälin ratkaisuna spectrum.ieee.org.
- Asynkroniset piirit ja tapahtumapohjainen laitteisto: Neuromorfiset sirut käyttävät usein asynkronista logiikkaa, eli niillä ei ole yhtä globaalia kelloa, joka ohjaisi kaikkia toimintoja samassa tahdissa. Sen sijaan laskenta on hajautettua ja tapahtumakäynnisteistä. Kun neuroni laukeaa, se käynnistää alavirran neuronit; jos toimintaa ei ole, osa piiristä menee lepotilaan. Tätä laitteistotapaa kutsutaan joskus ”kellottomaksi” tai tapahtumapohjaiseksi suunnitteluksi, ja se tukee suoraan SNN-verkkojen harvaa, piikkipohjaista työkuormaa. Tämä poikkeaa useimpien CPU/GPU-piirien synkronisesta suunnittelusta. Esimerkiksi IBM:n TrueNorth toimi täysin asynkronisesti, ja sen neuronit kommunikoivat pakettien avulla sirun sisäisessä verkossa tapahtumien sattuessa darpa.mil. Tämä ei ainoastaan säästä energiaa, vaan myös vastaa biologisten hermoverkkojen rinnakkaista toimintaa ilman pääkelloa.
- Muistiin upotettu laskenta -arkkitehtuuri: Termi, joka usein liitetään neuromorfisiin siruihin, on muistiin upotettu laskenta, jossa muistielementit (olivatpa ne sitten SRAM, ei-tulomuistia tai memristoreita) sijaitsevat laskentayksiköiden vieressä. Näin neuromorfiset suunnittelut minimoivat datan siirron – yksi suurimmista energian kulutuksen lähteistä tietojenkäsittelyssä newsroom.intel.com. Käytännössä tämä voi tarkoittaa, että jokaisella sirun neuroniytimellä on oma paikallinen muistinsa, jossa se säilyttää tilansa ja synaptiset painonsa, jolloin jatkuvat matkat sirun ulkopuoliseen DRAM-muistiin jäävät pois. IBM:n NorthPole-siru on tästä esimerkki: se poistaa sirun ulkopuolisen muistin kokonaan, sijoittaen kaikki painot sirulle ja saaden sirun näyttämään järjestelmälle ”aktiiviselta muistilta” spectrum.ieee.org. Muistiin upotettu laskenta voidaan toteuttaa digitaalisesti (kuten NorthPole) tai analogisesti (käyttäen memristoriristikkorakenteita matriisilaskuihin paikan päällä). Tämä käsite on keskeinen aivojen kaltaisen tehokkuuden saavuttamisessa.
Yhteenvetona neuromorfinen laskenta hyödyntää hermotieteen (piikkineuronit, plastiset synapsit), uutta laitteistoa (memristorit, faasimuistipiirit) ja epäperinteistä piirisuunnittelua (tapahtumapohjaisuus, muisti-laskenta-integraatio) luodakseen tietojenkäsittelyjärjestelmiä, jotka toimivat täysin eri periaatteilla kuin nykyiset energiaa kuluttavat sirut.
Neuromorfinen vs. perinteinen tietojenkäsittelyparadigma
Neuromorfisen laskennan arvostamiseksi auttaa verrata sitä perinteiseen Von Neumann -arkkitehtuuriin, joka on hallinnut 1900-luvun puolivälistä lähtien. Klassisen tietokoneen (oli kyseessä sitten PC tai älypuhelin) rakenne on pohjimmiltaan sarjallinen ja eriytetty: keskusprosessori hakee ohjeet ja datan muistista, suorittaa ne (yksi kerrallaan, hyvin nopeasti) ja kirjoittaa tulokset takaisin muistiin. Vaikka nykyaikaiset suorittimet ja näytönohjaimet käyttävät rinnakkaisia ytimiä tai putkistoja, ne kärsivät silti niin sanotusta Von Neumannin pullonkaulasta – datan jatkuvasta siirtämisestä muistin ja prosessorin välillä, mikä vie aikaa ja energiaa colocationamerica.com, spectrum.ieee.org. Kuvittele kokki, jonka täytyy juosta ruokakomeroon jokaista ainesta varten ennen pilkkomista ja sekoittamista; näin tavalliset tietokoneet toimivat.
Neuromorfiset tietokoneet puolestaan toimivat enemmän kuin laaja miniprosessorien (hermojen) verkosto, jotka kaikki työskentelevät rinnakkain, jokaisella oma paikallinen muistinsa. Ei ole keskuskelloa tai ohjelmalaskuria, joka kävisi ohjeita läpi sarjallisesti. Sen sijaan laskenta tapahtuu kollektiivisesti ja asynkronisesti: tuhannet tai miljoonat neuronit suorittavat yksinkertaisia operaatioita samanaikaisesti ja viestivät tulokset piikkien avulla. Tämä vastaa sitä, miten ihmisaivot käsittelevät tehtäviä – miljardit neuronit aktivoituvat rinnakkain, ilman yhtä keskusyksikköä. Lopputuloksena on järjestelmä, joka voi olla massiivisesti rinnakkainen ja tapahtumapohjainen, käsitellen monia signaaleja kerralla ja odottaen luonnollisesti, kun ei ole mitään tehtävää.
Hyötyihin kuuluu nopeus rinnakkaisuuden kautta ja huomattavasti parempi energiatehokkuus. Perinteinen prosessori saattaa käyttää 100 wattia suuren tekoälymallin ajamiseen, lähinnä siksi, että se kytkee miljardeja transistoreita ja siirtää dataa muistikätköihin ja sieltä pois. Sitä vastoin neuromorfiset sirut käyttävät tapahtumia ja harvaa aktivoitumista: jos vain 5 % neuroneista on aktiivisia kerrallaan, muut 95 % eivät käytännössä kuluta lainkaan virtaa. Tämä harva aktiivisuus on yksi syy siihen, miksi neuromorfiset arkkitehtuurit ovat osoittaneet jopa 1000× parempaa energiatehokkuutta tietyissä tekoälytehtävissä verrattuna CPU-/GPU-pohjaisiin ratkaisuihin medium.com. Itse asiassa ihmisaivot, joita neuromorfiset suunnittelumme tavoittelevat, toimivat vain noin 20 watin teholla (vähemmän kuin himmeä lamppu), mutta päihittävät nykyiset supertietokoneet esimerkiksi näkö- ja kuviontunnistustehtävissä medium.com. Kuten Intelin neuromorfisen laboratorion johtaja Mike Davies totesi, “Nykyisten tekoälymallien laskentakustannukset kasvavat kestämättömällä vauhdilla. Ala tarvitsee perustavanlaatuisesti uusia lähestymistapoja, jotka kykenevät skaalaamaan.” newsroom.intel.com Neuromorfinen laskenta tarjoaa yhden tällaisen uuden lähestymistavan yhdistämällä muistin ja laskennan sekä hyödyntämällä erittäin rinnakkaisia, aivojen kaltaisia arkkitehtuureja datan siirtelyn ja energiankulutuksen minimoimiseksi newsroom.intel.com.
On kuitenkin tärkeää huomata, että neuromorfinen laskenta ei ole suora korvaaja kaikelle laskennalle. Perinteiset deterministiset prosessorit loistavat tarkkuutta vaativissa, lineaarisissa tehtävissä (kuten aritmetiikka, tietokantakyselyt jne.), kun taas neuromorfiset järjestelmät loistavat aisti-, havainto- ja kuviontunnistustehtävissä, joissa aivojen kaltainen prosessointi on ylivoimaista. Monissa tulevaisuuden visioissa neuromorfiset sirut täydentävät perinteisiä CPU- ja GPU-piirejä – toimien erikoistuneina yhteisprosessoreina tekoälytehtävissä, jotka liittyvät havaitsemiseen, oppimiseen tai sopeutumiseen, aivan kuten GPU:t nykyään nopeuttavat grafiikkaa ja neuroverkkomatematiikkaa. Nämä kaksi paradigmaa voivat elää rinnakkain, jolloin neuromorfinen laitteisto hoitaa “aivojen kaltaiset” tehtävät perustavanlaatuisesti tehokkaammalla tavalla. Pohjimmiltaan Von Neumann -koneet ovat kuin peräkkäisiä laskentakoneita, kun taas neuromorfiset koneet ovat kuin rinnakkaisia kuviontunnistajia – kummallakin on oma paikkansa.
Keskeiset toimijat ja hankkeet, jotka ajavat neuromorfista teknologiaa eteenpäin
Neuromorfinen laskenta on monitieteinen ponnistus, johon osallistuu teknologiayrityksiä, tutkimuslaitoksia ja akateemista maailmaa. Suuryritykset, startupit ja valtion virastot ovat kaikki lähteneet mukaan kehittämään aivoista inspiroitunutta laitteistoa ja ohjelmistoa. Tässä on joitakin keskeisiä toimijoita ja hankkeita vuonna 2025:
- IBM: IBM on ollut edelläkävijä kognitiivisen laskennan tutkimuksessa. Merkittävän TrueNorth-sirun (2014), jossa on 1 miljoona neuronia, lisäksi IBM:n tutkimusryhmä Dharmendra Modhan johdolla esitteli hiljattain NorthPole-sirun (2023), uuden sukupolven neuromorfisen inference chip -piirin. NorthPolen läpimurto on laskennan ja muistin tiivis yhdistäminen sirulla, mikä mahdollistaa ennennäkemättömän tehokkuuden tekoälyn inferenssitehtävissä spectrum.ieee.org. IBM:n mukaan NorthPole voi päihittää jopa huippuluokan GPU:t esimerkiksi kuvantunnistuksen testeissä käyttäen vain murto-osan niiden energiasta spectrum.ieee.org. IBM:n pitkän aikavälin tavoitteena on käyttää tällaisia siruja energiatehokkaampien tekoälyjärjestelmien voimanlähteenä, mikä mahdollistaisi tekoälyn käytön niin datakeskuksissa kuin reunalaitteissakin ilman nykyisiä energiankulutuksen rajoitteita.
- Intel: Intel perusti oman Neuromorphic Computing Lab -tutkimuslaboratorion ja toi markkinoille Loihi-siruperheen. Ensimmäinen Loihi (2017) ja Loihi 2 (2021) ovat research chips, joita on tarjottu yliopistoille ja yrityksille Intelin Neuromorphic Research Communityn kautta. Intelin lähestymistapa on täysin digitaalinen, mutta siinä on asynkronisia spikekeskeisiä ytimiä ja sirulla tapahtuvaa oppimista. Huhtikuussa 2024 Intel julkisti Hala Point -järjestelmän, joka on käytännössä neuromorfinen supertietokone, jossa on yli tuhat Loihi 2 -sirua yhdistettynä newsroom.intel.com. Sandia Labsissa käyttöön otettu Hala Point pystyy simuloimaan yli miljardi neuronia ja sitä käytetään laajamittaisten aivoista inspiroituneiden algoritmien ja jatkuvasti oppivien tekoälyjärjestelmien tutkimiseen newsroom.intel.com. Intel näkee neuromorfisen teknologian avaimena kestävämpään tekoälyyn, ja tavoitteena on vähentää merkittävästi tekoälymallien koulutuksen ja inferenssin energiankulutusta newsroom.intel.com. Kuten Mike Davies totesi julkistuksen yhteydessä, nykyisen tekoälyn skaalaaminen nykyisellä raudalla on energiatehokkuuden kannalta mahdotonta, joten Intel panostaa neuromorfisiin ratkaisuihin murtaakseen tämän tehokkuusrajan newsroom.intel.com.
- Qualcomm: Qualcomm on tutkinut neuromorfisia periaatteita vähävirtaiseen tekoälyyn laitteissa. Jo varhain (noin 2013–2015) se kehitti “Zeroth”-nimisen alustan ja esitteli piikkipohjaisia neuroverkkokiihdyttimiä esimerkiksi kuvioiden tunnistukseen älypuhelimissa. Viime vuosina Qualcomm’n neuromorfiset hankkeet ovat olleet vähemmän julkisia, mutta raporttien mukaan tutkimus- ja kehitystyö jatkuu, erityisesti koska neuromorfinen laskenta sopii luontevasti erittäin vähävirtaiseen reunatekoälyyn (mikä sopii hyvin Qualcomm’n mobiili- ja sulautettujen piirien liiketoimintaan) medium.com. Qualcomm’n kiinnostus korostaa, että jopa mobiilipiirivalmistajat näkevät aivoista inspiroitujen ratkaisujen potentiaalin tekoälyn vaatimusten täyttämisessä ilman, että laitteiden akut tyhjenevät.
- BrainChip Holdings: Australialainen startup BrainChip on yksi ensimmäisistä, joka on kaupallistanut neuromorfista IP:tä. Heidän Akida-neuromorfinen prosessorinsa on täysin digitaalinen, tapahtumapohjainen ratkaisu, jota voidaan käyttää tekoälykiihdyttimenä reunalaitteissa brainchip.com. BrainChip korostaa reaaliaikaista oppimista ja päättelyä pienellä virrankulutuksella – esimerkiksi paikallisen ele- tai poikkeavuustunnistuksen lisäämistä IoT-antureihin tai ajoneuvoihin ilman pilviyhteyttä. Vuonna 2025 BrainChip on tehnyt yhteistyötä kumppaneiden kanssa Akidan integroimiseksi tuotteisiin, jotka vaihtelevat älyantureista ilmailujärjestelmiin, ja on jopa esitellyt neuromorfista laskentaa avaruussovelluksissa (yhteistyössä esimerkiksi NASA:n ja Air Force Research Labin kanssa) embedded.com, design-reuse.com. BrainChipin kaltaiset startupit osoittavat kasvavaa kaupallista kiinnostusta tuoda neuromorfista teknologiaa markkinoille reuna-AI:hin ja IoT:hen.
- Akatemiat ja valtion laboratoriot: Akateemisella puolella useat yliopistot ja yhteenliittymät ovat rakentaneet merkittäviä neuromorfisia järjestelmiä. Mainitsimme SpiNNakerin (Manchesterin yliopisto, Iso-Britannia), joka saavutti vuonna 2018 laitteistopohjaisen neuroverkon, jossa oli miljoona ydintä, tavoitteena mallintaa 1 % ihmisaivojen neuroneista reaaliajassa pawarsaurav842.medium.com. On myös BrainScaleS (Heidelbergin yliopisto, Saksa), joka käyttää analogisia piirejä suurilla piikiekoilla hermoverkkojen emulointiin kiihdytetyillä nopeuksilla (käytännössä “pikakelaten” hermoprosesseja oppimisen tutkimiseksi). Yhdysvalloissa tutkimuslaitokset kuten Stanford (joka loi Neurogrid-järjestelmän, joka kykenee miljoonan neuronin simulointiin ibm.com) ja MIT sekä muut ylläpitävät aktiivisia neuromorfisen tekniikan laboratorioita. Valtion virastot kuten DARPA ovat jatkaneet ohjelmien rahoittamista (esim. käynnissä oleva “Electronic Photonic Neural Networks” -ohjelma, jossa tutkitaan fotonisia neuromorfisia siruja). Samaan aikaan EU:n Human Brain Project (HBP) investoi voimakkaasti neuromorfisiin infrastruktuureihin Neuromorphic Computing Platforminsa kautta, ja sen seuraajainitiatiivit EBRAINS-tutkimusinfrastruktuurin alla tarjoavat edelleen tutkijoille pääsyn neuromorfiseen laitteistoon ibm.com.
- Muut teollisuuden toimijat: IBM:n ja Intelin lisäksi yritykset kuten Samsung ja HRL Laboratories ovat kokeilleet neuromorfista teknologiaa. Vuonna 2021 Samsungin tutkijat julkaisivat vision “kopioida ja liittää” aivojen hermoyhteydet muistisiruille, käytännössä hyödyntäen 3D-muistimatriiseja biologisten aivojen yhteyksien kartoittamiseen neuromorfisena järjestelmänä – kunnianhimoinen tavoite, joka on vielä kaukana käytännön toteutuksesta. HRL Labs (jonka omistavat yhdessä Boeing ja GM) kehitti neuromorfisen sirun, jossa on memristoreita ja joka osoitti kertalearningin vuonna 2019 (laite oppi tunnistamaan kuvion yhdestä esimerkistä). Myös eurooppalaiset startupit kuten GrAI Matter Labs (GrAI “NeuronFlow” -siruillaan ibm.com) ja SynSense (Zurichissa ja Kiinassa toimiva yritys, joka tunnetaan erittäin vähävirtaisista näköpiireistään) ovat merkittäviä toimijoita.
Yhteenvetona neuromorfinen ala on teknologiajättien rajoja rikkova yhteistyökenttä, startupien tuodessa innovaatioita erikoistuneille markkinoille ja akateemisten konsortioiden tutkiessa uusia rajoja. Tämä laaja ekosysteemi nopeuttaa kehitystä ja tuo neuromorfisia ideoita laboratoriosta todellisiin sovelluksiin.
Nykyiset sovellukset ja käytännön esimerkit
Neuromorfinen laskenta on yhä kehittyvä teknologia, joten sen reaalimaailman sovellukset ovat vielä alkuvaiheessa – mutta lupaavia demonstraatioita on nähty useilla aloilla. Ajattele tehtäviä, joissa aivomme suoriutuvat erinomaisesti (ja tehokkaasti), mutta perinteiset tietokoneet kamppailevat – juuri näissä neuromorfiset järjestelmät loistavat. Tässä on joitakin merkittäviä käyttötapauksia ja mahdollisia sovelluksia:
- Autonomiset ajoneuvot: Itseajavat autot ja droonit tarvitsevat kyvyn reagoida muuttuviin ympäristöihin reaaliajassa. Neuromorfiset sirut, joilla on nopea rinnakkaiskäsittely ja alhainen virrankulutus, voivat auttaa ajoneuvoja havaitsemaan ja tekemään päätöksiä ihmiskuljettajan tavoin. Esimerkiksi neuromorfinen prosessori voi vastaanottaa kamera- ja sensoridataa ja havaita esteitä tai tehdä navigointipäätöksiä erittäin pienellä viiveellä. IBM:n tutkijat huomauttavat, että neuromorfinen laskenta voisi mahdollistaa nopeammat kurssin korjaukset ja törmäysten välttämisen autonomisissa ajoneuvoissa, samalla kun energiankulutus laskee dramaattisesti (tärkeää sähköajoneuvoille ja drooneille) ibm.com. Käytännössä piikkimäinen neuroverkko voisi analysoida auton ympäristöä jatkuvasti, mutta aktivoida neuroneja vain, kun tapahtuu merkityksellinen tapahtuma (kuten jalankulkija astuu tielle), mahdollistaen nopeat reaktiot ilman, että energiaa kuluu turhaan laskentaan.
- Kyberturvallisuus ja poikkeavuuksien tunnistus: Kyberturvallisuusjärjestelmien täytyy havaita epätavallisia kuvioita (mahdollisia tunkeutumisia tai petoksia) valtavien tietovirtojen joukosta. Neuromorfiset arkkitehtuurit ovat luonnostaan hyviä kuvioiden tunnistuksessa ja niitä voidaan käyttää poikkeavuuksien havaitsemiseen reaaliajassa. Koska ne ovat tapahtumapohjaisia, ne voivat valvoa verkkoliikennettä tai sensoridataa ja aktivoitua vain, kun todella poikkeava kuvio ilmenee. Tämä mahdollistaa reaaliaikaisen uhkien tunnistuksen pienellä viiveellä, ja se on niin energiatehokasta, että tällainen järjestelmä voisi mahdollisesti toimia jatkuvasti vaatimattomallakin laitteistolla ibm.com. Joissakin kokeiluissa on käytetty neuromorfisia siruja verkkohyökkäysten tai luottokorttipetosten tunnistamiseen oppimalla “normaalit” kuviot ja havaitsemalla poikkeamat ilman, että jokaista datapistettä tarvitsee käsitellä energiaa kuluttavalla suorittimella.
- Edge AI ja IoT-laitteet: Yksi neuromorfisen laskennan välittömimmistä käyttötapauksista on reunalaitteissa – kuten älykkäät sensorit, puettavat laitteet tai kodinkoneet – joissa virta- ja laskentaresurssit ovat rajalliset. Neuromorfisten sirujen erittäin vähäinen virrankulutus mahdollistaa tekoälyominaisuuksien (kuten puheentunnistus, eleentunnistus tai tapahtumien havaitseminen) tuomisen laitteisiin ilman pilvipalvelimia tai tiheää akun lataamista ibm.com. Esimerkiksi neuromorfisella näköanturilla varustettu drooni voisi navigoida ja väistää esteitä itsenäisesti, reagoiden yhtä nopeasti ja tehokkaasti kuin kaikuluotausta käyttävä lepakko. Neuromorfisilla näköjärjestelmillä varustetut dronet ovat osoittaneet kykenevänsä kulkemaan monimutkaisessa maastossa ja reagoimaan muutoksiin lisäämällä laskentatehoa vain silloin, kun tulee uutta aistitietoa, aivan kuten eläimen aivot toimivat builtin.com. Samoin älykello tai terveydentilan seuranta, jossa on pieni neuromorfinen siru, voisi analysoida biosignaaleja (syke, EEG jne.) paikallisesti, havaita poikkeavuuksia kuten rytmihäiriöitä tai kohtauksia reaaliajassa ja tehdä tämän useiden päivien ajan yhdellä akun latauksella – mikä on erittäin vaikeaa perinteisillä siruilla. (Itse asiassa eräässä tuoreessa tapauksessa neuromorfisella sirulla varustettu älykello havaitsi potilaan sydämen rytmihäiriön välittömästi, mikä olisi ollut haastavaa pilvipohjaisella analyysillä medium.com.)
- Kuvioiden tunnistus ja kognitiivinen laskenta: Neuromorfiset järjestelmät ovat luontaisesti hyviä tehtävissä, joissa tunnistetaan kuvioita meluisasta datasta – olipa kyseessä kuvat, äänet tai sensorisignaalit. Niitä on käytetty kokeellisissa ympäristöissä kuvantunnistukseen, puhe- ja kuuloprosessointiin sekä jopa hajuaistin mallintamiseen (kuten Intelin Loihi-siru, joka oppii eri hajuja) pawarsaurav842.medium.com. Neuromorfiset sirut voivat myös liittää analogisia sensoreita (kuten dynaamiset näköanturit, jotka tuottavat piikkejä muutoksista näkymässä) luodakseen päästä päähän neuromorfisia aistijärjestelmiä. Lääketieteessä neuromorfiset prosessorit voisivat analysoida biolääketieteellisten signaalien virtoja (esimerkiksi EEG-aivoaallot) ja poimia merkittäviä tapahtumia tai kuvioita diagnostiikkaa varten ibm.com. Niiden kyky oppia ja mukautua tarkoittaa myös, että ne voisivat personoida kuviotunnistuksen laitteessa – esimerkiksi neuromorfinen kuulokoje voisi jatkuvasti mukautua käyttäjänsä ympäristöön ja parantaa puheen ja melun erottelua.
- Robotiikka ja reaaliaikainen ohjaus: Robotiikka vaatii usein tiukkoja palautesilmukoita moottoreiden ohjaukseen, antureiden tulkintaan ja päätöksentekoon lennossa. Neuromorfiset ohjaimet voivat antaa roboteille eräänlaiset refleksit ja sopeutumiskyvyn. Koska ne käsittelevät tietoa rinnakkain ja voivat oppia aistipalautteesta, ne soveltuvat hyvin tehtäviin kuten tasapainottelu, tarttuminen tai kävely arvaamattomassa maastossa. Tutkijat ovat käyttäneet neuromorfisia siruja robottikäsien ja -jalkojen ohjaukseen, joissa ohjain voi oppia säätämään moottorisignaaleja anturitietojen perusteella reaaliajassa, samoin kuin ihminen oppii motorisia taitoja. Yksi havaittu etu on, että piikkipohjaisilla neuroverkoilla toimivat robotit voivat jatkaa toimintaansa, vaikka osa neuroneista vikaantuisi (eräänlainen hallittu heikkeneminen), mikä antaa biologisia järjestelmiä muistuttavan vikasietoisuuden colocationamerica.com. Yritykset kuten Boston Dynamics ovat vihjanneet tutkivansa neuromorfisia järjestelmiä robottien tehokkuuden ja reaktioaikojen parantamiseksi. Teollisuudessa neuromorfinen näköjärjestelmä voisi mahdollistaa robotille esineiden tunnistamisen tai liikkumisen vilkkaalla tehdassalilla luonnollisemmin ja nopeammin reagoiden äkillisiin muutoksiin builtin.com.
- Aivo-kone-rajapinnat ja neurotiede: Koska neuromorfiset sirut toimivat periaatteilla, jotka ovat hyvin lähellä biologisia aivoja, niitä käytetään työkaluina neurotieteen ymmärtämisessä ja jopa elävien hermosolujen kanssa rajapinnan luomisessa. Esimerkiksi tutkijat voivat yhdistää eläviä hermoverkkoja neuromorfiseen laitteistoon luodakseen hybridijärjestelmiä, joissa sirua käytetään stimuloimaan tai seuraamaan biologisia neuroneja tavoilla, joihin tavalliset tietokoneet eivät reaaliajassa helposti pysty. Lisäksi neuromorfiset mallit auttavat neurotieteilijöitä testaamaan hypoteeseja siitä, miten tietyt aivojen hermopiirit saattavat toimia, mallintamalla näitä piirejä tietokoneella ja tarkkailemalla, käyttäytyvätkö ne samoin. Vaikka nämä ovat enemmän tutkimussovelluksia kuin kaupallisia, ne korostavat teknologian monipuolisuutta.
On syytä huomata, että monet näistä sovelluksista ovat yhä prototyyppi- tai tutkimusvaiheessa. Neuromorfinen laskenta vuonna 2025 on suunnilleen siinä, missä perinteinen tekoäly oli ehkä 2010-luvun alussa – näemme lupaavia demoja ja erikoiskäyttöjä, mutta teknologia on vasta siirtymässä pois laboratorioista. Teknologiakonsultit kuten Gartner ja PwC ovat maininneet neuromorfisen laskennan nousevana teknologiana, jota kannattaa seurata tulevina vuosina ibm.com. Odotuksena on, että laitteiston ja ohjelmiston kehittyessä näemme neuromorfisten prosessorien mahdollistavan arkipäivän laitteille havaintokyvyn ilman valtavia laskentaresursseja. Itseajavista autoista pieniin lääketieteellisiin implantteihin, mikä tahansa tilanne, jossa tarvitaan reaaliaikaista tekoälyä virta- tai kokorajoitteisessa ympäristössä, voi olla ehdokas neuromorfisille ratkaisuille.
Haasteet ja rajoitukset
Huolimatta jännittävästä potentiaalistaan neuromorfinen laskenta kohtaa merkittäviä haasteita matkalla laajempaan käyttöönottoon. Monet näistä haasteista johtuvat siitä, että neuromorfiset lähestymistavat eroavat radikaalisti nykytilasta, mikä vaatii uutta ajattelua laitteiston, ohjelmiston ja jopa koulutuksen osalta. Tässä ovat joitakin keskeisiä esteitä ja rajoituksia vuonna 2025:
- Teknologian kypsyys: Neuromorfinen laskenta ei ole vielä kypsä, valtavirran teknologia. Gartnerin hype-käyrällä se sijoittuisi alkuvaiheisiin – lupaava, mutta ei vielä valmis laajaan käyttöön ibm.com. Nykyiset neuromorfiset sirut ovat enimmäkseen tutkimusprototyyppejä tai rajoitetun tuotannon laitteita. Neuromorfisen laitteistosuunnittelun tai suorituskykyvertailujen osalta ei ole vielä laajasti hyväksyttyjä teollisuusstandardeja builtin.com. Tämä vaikeuttaa potentiaalisten käyttäjien mahdollisuuksia arvioida ja vertailla järjestelmiä. Tämän seurauksena organisaatiot tutkivat neuromorfista teknologiaa varovaisesti, tietäen että se on yhä kehittymässä eikä välttämättä heti ylitä perinteisiä ratkaisuja kaikissa ongelmissa.
- Ohjelmistojen ja työkalujen puute: Yksi suurimmista pullonkauloista on ohjelmistoekosysteemi. Laskentamaailma on rakennettu Von Neumann -koneiden ympärille vuosikymmenten ajan – ohjelmointikielet, kääntäjät, käyttöjärjestelmät ja kehittäjien osaaminen perustuvat kaikki perinteiseen arkkitehtuuriin. Neuromorfinen laitteisto puolestaan vaatii erilaista lähestymistapaa ohjelmointiin (enemmän neuroverkkojen suunnittelua ja mallien virittämistä kuin peräkkäisen koodin kirjoittamista). Tällä hetkellä “sopivia ohjelmiston rakennustyökaluja ei oikeastaan ole olemassa” neuromorfisille järjestelmille, kuten eräs tutkija totesi builtin.com. Monet neuromorfiset kokeilut perustuvat räätälöityihin ohjelmistoihin tai neuroverkkokehysten muunnoksiin. Kehitystyötä tehdään (esimerkiksi Intelin avoimen lähdekoodin Lava-kehys Loihille tai yliopistoprojektit kuten Nengo), mutta ei ole olemassa yhtenäistä, helppokäyttöistä alustaa, joka vastaisi TensorFlow’ta tai PyTorchia piikkineuroverkoille suuressa mittakaavassa. Tämä jyrkkä oppimiskäyrä rajoittaa käyttöönottoa – tavallinen tekoälykehittäjä ei voi helposti ottaa käyttöön neuromorfista sirua ja ottaa sovellusta käyttöön ilman laajaa uudelleenkoulutusta. Ohjelmistopinon, kirjastojen ja simulaattoreiden parantaminen on yhteisön kriittinen tehtävä.
- Ohjelmointiparadigman muutos: Työkaluihin liittyen kyseessä on myös perustavanlaatuinen ajattelutavan muutos. Neuromorfisen järjestelmän ohjelmointi ei ole kuin Python-skriptin kirjoittamista; se muistuttaa enemmän aivojen kaltaisen mallin suunnittelua ja kouluttamista. Kehittäjien täytyy tuntea neurotieteen käsitteitä (piikkinopeudet, synaptinen plastisuus) tietojenkäsittelytieteen lisäksi. Tämä tarkoittaa, että alalle pääsy on vaikeaa. Arvioiden mukaan vain muutama sata ihmistä maailmassa on todellisia neuromorfisen laskennan asiantuntijoita nykyään builtin.com. Tämän osaamisvajeen kurominen umpeen on haaste – meidän täytyy joko kouluttaa lisää ihmisiä tällä monitieteisellä alalla tai luoda korkeamman tason työkaluja, jotka piilottavat monimutkaisuuden. Siihen asti neuromorfinen laskenta pysyy jonkin verran erikoisalana, lähinnä erikoistuneiden tutkimusryhmien saavutettavissa.
- Laitteiston skaalautuvuus ja valmistus: Neuromorfisen laitteiston rakentaminen, joka luotettavasti jäljittelee aivojen monimutkaisuutta, on äärimmäisen haastavaa. Vaikka digitaaliset sirut kuten Loihi ja TrueNorth ovat osoittaneet, että voimme päästä miljooniin neuroneihin tai enemmän, aivotason mittakaavaan (86 miljardia neuronia ihmisaivoissa) pääseminen on vielä kaukana. Vielä tärkeämpää on, että analogiset lähestymistavat (esim. memristorit), jotka voisivat parhaiten jäljitellä synapseja, ovat ei vielä tuotantovalmiita – tarvitaan uusia materiaaleja ja valmistusprosesseja, jotta ne olisivat vakaita ja toistettavia spectrum.ieee.org. Kehittyneimmät analogiset laitteet kohtaavat usein ongelmia, kuten laitekohtainen vaihtelu, ajautuminen tai rajallinen kestävyys. Digitaaliset neuromorfiset sirut taas hyödyntävät vakiintunutta CMOS-valmistusta, mutta saattavat menettää tehokkuudessa tai tiheydessä verrattuna analogisiin. Haasteena on myös neuromorfisten sirujen integrointi olemassa oleviin tietojärjestelmiin (viestintärajapinnat, muototekijät jne.). IBM:n NorthPole-siru pyrkii ratkaisemaan tätä esiintymällä “aktiivisena muistina” isäntäjärjestelmälle spectrum.ieee.org, mutta tällaiset integrointiratkaisut ovat vielä kokeellisia. Lyhyesti sanottuna, neuromorfinen laitteisto on kynnyksellä – lupaava, mutta vaatii lisää tutkimusta ja kehitystä ollakseen kestävä, skaalautuva ja kustannustehokas massatuotantoon.
- Standardointi ja vertailuarvot: Perinteisessä tietojenkäsittelyssä meillä on hyvin määritellyt vertailuarvot (kuten SPEC suorittimille, MLPerf tekoälykiihdyttimille jne.) ja suorituskykymittarit. Neuromorfisille järjestelmille ei kuitenkaan ole vielä selvää, miten suorituskykyä mitataan ja verrataan reilusti. Jos yksi siru ajaa piikkipohjaista neuroverkkoa ja toinen tavallista neuroverkkoa, miten vertaamme “tarkkuutta” tai “läpäisykykyä” tietyssä tehtävässä? Uusia vertailuarvoja, jotka hyödyntävät neuromorfisten järjestelmien vahvuuksia (kuten jatkuva oppiminen tai energiatehokas kuvioiden tunnistus), kehitetään parhaillaan, mutta ennen kuin yhteisö pääsee niistä yksimielisyyteen, neuromorfisten ratkaisujen arvon todistaminen ulkopuolisille on vaikeaa builtin.com. Standardoitujen mittareiden ja arkkitehtuurin puute tarkoittaa myös, että tulosten jakaminen tutkimusryhmien välillä voi olla ongelmallista – se, mikä toimii yhdellä sirulla, ei välttämättä toimi toisella, jos niiden neuronimallit tai työkaluketjut eroavat toisistaan.
- Yhteensopivuus nykyisen tekoälyn kanssa: Tällä hetkellä suurin osa maailman tekoälystä toimii syväoppimismalleilla, jotka on viritetty GPU:ille ja TPU:ille. Nämä mallit käyttävät tarkkaa aritmetiikkaa, tiheitä matriisikertolaskuja jne., jotka eivät ole suoraan yhteensopivia piikkipohjaisen neuromorfisen laitteiston kanssa. Neuromorfisen tehokkuuden hyödyntämiseksi täytyy usein muuntaa tai uudelleenkouluttaa tavallinen neuroverkko piikkipohjaiseksi neuroverkoksi, mikä voi aiheuttaa jonkin verran tarkkuuden heikkenemistä builtin.com. Jotkin tehtävät voivat kärsiä suorituskyvyn heikkenemisestä, kun ne pakotetaan piikkipohjaiseen malliin. Lisäksi tietyt tekoälyalgoritmit (kuten suuret transformerit kielimalleissa) eivät ainakaan toistaiseksi sovellu ilmeisesti piikkipohjiseen toteutukseen. Tämä tarkoittaa, että neuromorfiset sirut loistavat tällä hetkellä lähinnä kapeilla alueilla (esim. näkö, sensorien käsittely, yksinkertainen vahvistusoppiminen), mutta ne eivät ole yleisratkaisu kaikkiin tekoälyongelmiin ainakaan toistaiseksi. Tutkijat kehittävät hybridilähestymistapoja ja parempia koulutusmenetelmiä kuilun kaventamiseksi, mutta haasteena on edelleen varmistaa, että neuromorfinen järjestelmä pystyy saavuttamaan samanlaisen tuloslaadun kuin perinteinen järjestelmä tietyssä sovelluksessa.
- Markkina- ja ekosysteemin haasteet: Liiketoiminnan näkökulmasta neuromorfinen laskenta etsii yhä “tappajasovellustaan” ja selkeää kaupallistamispolkua. Sijoittajat ja yritykset ovat varovaisia, koska teknologian takaisinmaksuaikataulu on epävarma. Vuoden 2025 alussa tehdyssä analyysissä neuromorfista laskentaa kuvattiin “lupaavaksi innovaatioksi, jolla on vaikeita markkina-haasteita,” ja todettiin, että vaikka potentiaali on suuri, välittömien tuottoa tuottavien sovellusten puute tekee siitä riskialttiin vedon yrityksille omdia.tech.informa.com. Kyseessä on eräänlainen muna–kana-ongelma: laitteistovalmistajat odottavat kysyntää perustellakseen sirujen massatuotannon, mutta loppukäyttäjät odottavat helposti saatavia siruja perustellakseen sovellusten kehittämisen. Siitä huolimatta momentti kasvaa, ja kapeat käyttökohteet (kuten neuromorfiset sirut avaruussatelliiteissa tai sotilaallisissa sensoreissa, joissa virrankulutus on kriittistä) alkavat osoittaa todellista arvoa, mikä voi vähitellen laajentaa markkinaa.
Yhteenvetona voidaan todeta, että neuromorfinen laskenta vuonna 2025 on tutkimuksen ja insinöörityön eturintamassa. Alalla on merkittäviä haasteita teknologian kehityksessä, työkalujen ja ekosysteemin rakentamisessa. Mikään näistä haasteista ei kuitenkaan ole perustavanlaatuinen este – ne muistuttavat varhaisten rinnakkaistietokoneiden tai GPU:iden alkuaikojen haasteita yleislaskennassa. Kun yhteisö etenee standardoinnissa, parantaa laitteistoja ja kouluttaa lisää kehittäjiä, voimme odottaa monien näistä rajoitteista vähenevän tulevina vuosina. Nature-lehden näkökulma vuonna 2025 totesi optimistisesti, että muutamien epäonnistuneiden yritysten jälkeen viimeaikaisten edistysaskeleiden (paremmat koulutusalgoritmit, digitaalisuunnittelun parannukset ja muistissa tapahtuva laskenta) yhdistyminen ”lupaa nyt laajamittaista kaupallista käyttöönottoa” neuromorfiselle teknologialle, edellyttäen että osaamme ohjelmoida ja ottaa nämä järjestelmät käyttöön laajassa mittakaavassa nature.com. Näitä ratkaisuja kehitetään aktiivisesti, ja tuleva vuosikymmen todennäköisesti ratkaisee, kuinka pitkälle neuromorfinen laskenta tästä eteenpäin yltää.
Viimeaikaiset kehitykset ja uutiset (vuoteen 2025 mennessä)
Viime vuosina on nähty merkittäviä virstanpylväitä ja uutta kiinnostusta neuromorfista laskentaa kohtaan, mikä osoittaa alan olevan kasvussa. Tässä joitakin viimeaikaisia kehityksiä vuoteen 2025 asti:
- Intelin Hala Point – Neuromorfisen mittakaavan laajentaminen: Huhtikuussa 2024 Intel julkisti Hala Pointin, suurimman koskaan rakennetun neuromorfisen tietojenkäsittelyjärjestelmän newsroom.intel.com. Hala Point yhdistää 1 152 Loihi 2 -piiriä, saavuttaen noin 1,15 miljardin neuronin hermokapasiteetin (verrattavissa pöllön aivoihin) newsroom.intel.com. Se on asennettu Sandia National Laboratoriesiin ja sitä käytetään tutkimusalustana neuromorfisten algoritmien skaalaamiseen. Merkittävää on, että Hala Point osoitti kykenevänsä ajamaan valtavirran tekoälytehtäviä (kuten syviä neuroverkkoja) ennennäkemättömällä tehokkuudella – saavuttaen 20 kvadriljoonaa operaatiota sekunnissa ja yli 15 biljoonaa operaatiota sekunnissa per watti testeissä newsroom.intel.com. Intelin mukaan tämä vastaa tai ylittää GPU/CPU-klustereiden suorituskyvyn näissä tehtävissä, mutta huomattavasti paremmalla energiatehokkuudella newsroom.intel.com. Merkitys on siinä, että neuromorfiset järjestelmät eivät ole enää pelkkiä lelumalleja; ne tarttuvat tekoälytehtäviin teollisuudelle merkittävissä mittakaavoissa, mikä viittaa siihen, että neuromorfiset lähestymistavat voisivat tulevaisuudessa täydentää tai jopa kilpailla nykyisten tekoälykiihdyttimien kanssa. Intel Labsin Mike Davies totesi, että Hala Point yhdistää syväoppimisen tehokkuuden ja “uutta, aivoista inspiroitunutta oppimista” tutkiakseen kestävämpää tekoälyä, ja että tällainen tutkimus voi johtaa tekoälyjärjestelmiin, jotka oppivat jatkuvasti nykyisen tehottoman koulutus–käyttöönotto-syklin sijaan newsroom.intel.com.
- IBM:n NorthPole ja tieteellinen läpimurto: Vuoden 2023 lopulla IBM julkaisi NorthPole-sirunsa yksityiskohdat lehdessä Science, mikä herätti paljon huomiota spectrum.ieee.org. NorthPole on merkittävä paitsi teknisten ominaisuuksiensa (mainittu aiemmin) myös siksi, että se osoittaa selkeän polun neuromorfisten sirujen integroimiseksi perinteisiin järjestelmiin. Ulospäin se toimii kuin muistikomponentti, mikä tarkoittaa, että se voitaisiin liittää tietokoneen muistiväylään ja toimia nykyisten suorittimien kanssa spectrum.ieee.org. Tällainen integrointi on ratkaisevan tärkeää kaupallistamisen kannalta. Science-artikkelissa NorthPole osoitti ajavansa visio-AI-malleja (kuten ResNet-50 kuvien luokitteluun ja YOLO esineiden tunnistukseen) huomattavasti nopeammin ja tehokkaammin kuin NVIDIA V100 GPU – ja jopa voittaen huippuluokan NVIDIA H100:n energiatehokkuudessa noin 5× spectrum.ieee.org. Eräs riippumaton asiantuntija, UCLA:n professori Vwani Roychowdhury, kutsui työtä “insinööritaidon taidonnäytteeksi,” ja totesi, että koska analoginen neuromorfinen teknologia ei ole vielä valmis, NorthPolen digitaalinen lähestymistapa “tarjoaa lyhyen aikavälin vaihtoehdon tekoälyn käyttöönotolle lähelle sitä, missä sitä tarvitaan.” spectrum.ieee.org. Toisin sanoen, IBM osoitti, että neuromorfiset sirut voivat alkaa vaikuttaa käytännössä jo nyt, nykyisellä valmistusteknologialla. Tämä kehitys sai laajaa huomiota teknologiamediassa ja nähtiin suurena askeleena kohti neuromorfisten ideoiden tuomista todellisiin tuotteisiin.
- Aivoista inspiroitunut tekoäly avaruuteen ja puolustukseen: Vuonna 2022 ja 2023 viranomaiset kuten NASA ja Yhdysvaltain puolustusministeriö alkoivat kokeilla neuromorfisia prosessoreita erikoiskäyttöihin. NASA testasi neuromorfista sirua (Loihi) satelliittikuvien käsittelyyn ja avaruusalusten navigointiin, joissa säteilynkestävyys ja alhainen virrankulutus ovat kriittisiä. Ideana on, että pieni neuromorfinen rinnakkaisprosessori satelliitissa voisi analysoida sensoridataa paikan päällä (esim. havaita piirteitä planeetan pinnalta tai poikkeamia avaruusaluksen telemetriassa) ilman jatkuvaa yhteyttä Maahan, mikä säästää kaistanleveyttä ja energiaa. Ilmavoimien tutkimuslaboratorio teki yhteistyötä startupien (esim. BrainChip) kanssa selvittääkseen, voisiko neuromorfinen teknologia kartottaa monimutkaisia sensorisignaaleja autonomisille lentokoneille tai ohjustentorjuntajärjestelmiin embedded.com. Neuromorfisten järjestelmien äärimmäinen energiatehokkuus ja reaaliaikainen oppiminen ovat erittäin houkuttelevia autonomisille sotilasjärjestelmille, jotka toimivat akku- tai aurinkovoimalla. Nämä projektit ovat enimmäkseen testausvaiheessa, mutta ne osoittavat kasvavaa luottamusta neuromorfisen laitteiston luotettavuuteen laboratorion ulkopuolella.
- Kaupalliset Edge AI -tuotteet: Vuoteen 2025 mennessä näemme ensimmäiset kaupalliset tuotteet, joissa on käytössä neuromorfista teknologiaa. Esimerkiksi BrainChipin Akida IP on lisensoitu käytettäväksi autojen anturimoduuleissa – yhtenä esimerkkinä neuromorfisten verkkojen hyödyntäminen auton rengaspaineantureiden datan analysoinnissa liukkauden tai tienpinnan muutosten havaitsemiseksi reaaliajassa. Toinen esimerkki löytyy älykotilaitteista: neuromorfinen kamera, joka kykenee laitekohtaisesti henkilöntunnistukseen ja eleohjaukseen toimien kuukausia yhdellä paristolla. Nämä eivät vielä ole tunnettuja kuluttajatuotteita, mutta osoittavat, että neuromorfinen laskenta löytää tiensä korkean arvon niche-sovelluksiin. Analyytikot ennustavat, että esineiden internetin (IoT) laajentuessa pienten, vähän virtaa kuluttavien tekoälyratkaisujen tarve kasvaa räjähdysmäisesti, ja neuromorfiset sirut voivat vallata merkittävän osan markkinoista, jos niiden integrointi osoittautuu helpoksi. Markkinatutkimusraportit ennustavat neuromorfisen laskennan liikevaihdon nopeaa kasvua seuraavan vuosikymmenen aikana – noin 25–30 %:n vuotuisella kasvuvauhdilla – mikä voi luoda useiden miljardien dollarien markkinan vuoteen 2030 mennessä builtin.com.
- Globaali yhteistyö ja konferenssit: Neuromorfinen yhteisö on aktiivisesti jakanut edistysaskeleitaan. Konferenssit kuten Neuromorphic Engineering workshop (Telluride) ja IEEE:n Neuro Inspired Computational Elements (NICE) ovat raportoineet osallistujamäärien kasvusta. Vuonna 2023 Telluriden työpajassa esiteltiin neuromorfisesti ohjattuja robottikoiria, kasvojentunnistusdemoja yksittäisillä neuromorfisilla järjestelmillä sekä lisää neuromorfisia sensorifuusiosovelluksia. Lisäksi avoimen lähdekoodin hankkeet kasvavat – esimerkiksi Spiking Neural Network Architecture (SpiNNaker) -koodi ja simulaattorit ovat tutkijoiden saatavilla maailmanlaajuisesti, ja Intelin Lava-ohjelmisto Loihille avattiin avoimeksi lähdekoodiksi loppuvuodesta 2022, mikä kutsuu yhteisöä kehittämään algoritmeja ja käyttötapauksia.
- Tekoälyn energiakriisi ja neuromorfinen toivo: Viimeaikaisissa uutisissa on ollut esillä tekoälyn energiankulutus. Suurten kielimallien ja tekoälypalveluiden kuluttaessa yhä enemmän sähköä (arvioiden mukaan tekoälyteollisuuden sähkönkulutus on valtava ja kasvava osuus maailman energiasta), neuromorfista laskentaa nostetaan usein esiin mahdollisena ratkaisuna. Vuoden 2025 alussa Medium-artikkelissa todettiin, että tekoälyn energiankulutus kasvaa räjähdysmäisesti ja viitattiin neuromorfisiin siruihin “tekoälyn vihreänä, älykkäänä tulevaisuutena”, ehdottaen että 2025 voisi olla käännekohta, jolloin ala alkaa vakavasti harkita aivoista inspiroituneita siruja energiankulutuksen hillitsemiseksi medium.com. Tämä narratiivi on saanut jalansijaa teknologiajournalismissa ja tekoälykonferensseissa: käytännössä neuromorfinen laskenta kestävälle tekoälylle. Myös hallitukset ovat alkaneet rahoittaa neuromorfista tutkimusta energiatehokkaan laskennan ohjelmien kautta, tavoitteenaan ylläpitää tekoälyn suorituskyvyn kasvua samalla kun hillitään energiankulutusta ja hiilidioksidipäästöjä.
Kaikki nämä kehitykset maalaavat kuvaa alasta, joka etenee nopeasti useilla rintamilla: tieteellinen ymmärrys, insinööritaidot ja ensimmäiset kaupalliset kokeilut. Vaikuttaa siltä, että neuromorfinen laskenta on siirtymässä pitkän kypsyttelyvaiheen jälkeen käytännön demonstraatioiden vaiheeseen. Vaikka siitä ei ole vielä tullut ”valtavirtaa”, vuosien 2023–2025 edistys viittaa siihen, että tilanne voi muuttua tulevina vuosina. Yhteisön konsensus on, että jos jäljellä olevat esteet (erityisesti ohjelmistot ja skaalautuvuus) ylitetään, neuromorfinen teknologia voi mullistaa seuraavan tekoälyaallon – sellaisen, joka on sopeutuvampi, aina päällä ja energiatehokkaampi kuin mitä nykyisillä arkkitehtuureilla voidaan saavuttaa.
Asiantuntijoiden näkemyksiä tulevaisuudesta
Tämän katsauksen täydentämiseksi on valaisevaa kuulla, mitä alan asiantuntijat sanovat neuromorfisesta laskennasta ja sen tulevaisuudesta. Tässä muutamia oivaltavia lainauksia ja näkemyksiä johtavilta tutkijoilta ja alan vaikuttajilta:
- Dharmendra S. Modha (IBM Fellow, Chief Scientist for Brain-Inspired Computing): ”NorthPole yhdistää aivoinspiroituneen laskennan ja piipohjaisen laskennan, laskennan ja muistin, laitteiston ja ohjelmiston rajat.” spectrum.ieee.org Modha korostaa, että IBM:n NorthPole-lähestymistapa hämärtää perinteisiä tietokonesuunnittelun rajoja – luoden uudenlaisen siruluokan, joka on samanaikaisesti prosessori ja muisti, sekä laitteisto että algoritmi. Hän on pitkään puolustanut sitä, että muistin ja laskennan yhdistäminen on avain aivomaisen tehokkuuden saavuttamiseen. Hänen näkemyksensä mukaan aidosti neuromorfiset sirut vaativat koko pinon uudelleenajattelua, ja NorthPolen menestys GPU:iden päihittämisessä osoittaa, että tämä epätavallinen lähestymistapa toimii. Modha on jopa ehdottanut, että jos neuromorfisia järjestelmiä skaalataan, ne saattavat lopulta lähestyä ihmisaivokuoren kykyjä tietyissä tehtävissä, käyttäen samalla vain murto-osan tämän päivän supertietokoneiden energiasta spectrum.ieee.org.
- Mike Davies (Intelin neuromorfisen laskennan laboratorion johtaja): “Nykyisten tekoälymallien laskentakustannukset kasvavat kestämättömällä vauhdilla… Ala tarvitsee perustavanlaatuisesti uusia lähestymistapoja, jotka kykenevät skaalaamaan.” newsroom.intel.com Davies puhuu usein tehokkuusmuurista, johon tekoäly törmää. Hän huomauttaa, että pelkkä GPU:iden lisääminen ei ole pitkällä aikavälillä toimiva ratkaisu energian ja skaalautuvuuden rajoitusten vuoksi. Neuromorfinen laskenta on hänen mukaansa yksi harvoista poluista edistyksen jatkamiseksi. Intelin strategia heijastaa tätä näkemystä: investoimalla neuromorfiseen tutkimukseen, kuten Loihiin ja Hala Pointiin, he pyrkivät löytämään uusia algoritmeja (kuten jatkuva oppiminen, harva koodaus jne.), jotka voisivat tehdä tulevaisuuden tekoälystä paitsi nopeampaa myös huomattavasti energiatehokkaampaa. Davies on korostanut, kuinka neuromorfiset sirut loistavat tehtävissä kuten adaptiivinen ohjaus ja aistiminen, ja hän ennustaa niiden integroituvan osaksi suurempia tekoälyjärjestelmiä – ehkäpä tekoälypalvelin, jossa on muutama neuromorfinen kiihdytin GPU:iden rinnalla, jokainen hoitamassa sille parhaiten sopivia työkuormia. Hänen lainauksensa alleviivaa, että tekoälyn skaalautuvuus vaatii paradigman muutoksia, ja neuromorfinen suunnittelu on yksi tällainen muutos.
- Carver Mead (neuromorfisen tekniikan pioneeri): (Historiallisesta näkökulmasta) Mead on usein ilmaissut ihailua biologian tehokkuutta kohtaan. Haastatteluissa hän on sanonut esimerkiksi: “Kun saat 10¹¹ neuronia laskemaan rinnakkain, voit tehdä yhdellä joulella asioita, joihin perinteinen tietokone tarvitsisi kilojouleja tai enemmän.” (vapaasti referoitu eri puheista). Meadin 1980-luvun visio – että analogisen fysiikan yhdistäminen laskentaan voisi avata aivojen kaltaisia kykyjä – alkaa vihdoin kantaa hedelmää. Hän uskoo, että neuromorfinen tekniikka on “Moore’n lain luonnollinen jatkumo” darpa.mil tietyssä mielessä: kun transistorien skaalaus tuottaa yhä vähemmän hyötyä, meidän täytyy löytää uusia tapoja hyödyntää valtavia transistorimääriä, ja niiden käyttäminen aivopiirien matkimiseen (jotka painottavat energiatehokkuutta tarkkuuden sijaan) on looginen seuraava askel. Viimeaikaisten kommenttiensa perusteella Mead on edelleen optimistinen siitä, että tuleva insinöörisukupolvi jatkaa näiden ideoiden kehittämistä ja että neuromorfiset periaatteet tulevat läpäisemään tulevaisuuden laskenta-alustat (vaikka Mead on eläkkeellä, hänen perintönsä näkyy jokaisessa neuromorfisessa projektissa).
- Vwani Roychowdhury (sähkötekniikan professori, UCLA): “Koska analogiset järjestelmät eivät ole vielä saavuttaneet teknologista kypsyyttä, tämä työ tarjoaa lähiajan vaihtoehdon tekoälyn käyttöönotolle lähelle paikkaa, jossa sitä tarvitaan.” spectrum.ieee.org Roychowdhury antoi tämän arvion IBM:n NorthPole-sirusta. Riippumattomana akateemikkona, joka ei ole suoraan sidoksissa IBM:ään tai Inteliin, hänen näkemyksensä on painava: hän myöntää, että vaikka suuri visio saattaa olla analogiset neuromorfiset prosessorit (jotka voisivat teoriassa olla vieläkin tehokkaampia ja aivomaisempia), tosiasia on, että ne eivät ole vielä valmiita. Sillä välin NorthPolen kaltaiset sirut osoittavat, että digitaaliset neuromorfiset sirut voivat kuroa umpeen kuilua ja tuoda välittömiä hyötyjä reunalaskennan tekoälyn käyttöönotossa spectrum.ieee.org. Hänen lainauksensa korostaa yhteisön käytännönläheistä näkemystä: käytetään nyt sitä, mikä toimii (vaikka kyseessä olisivat digitaalisesti simuloidut neuronit), jotta hyödyt saadaan käyttöön, ja jatketaan tutkimusta eksoottisempien analogisten laitteiden parissa tulevaisuutta varten. Tämä on kannanotto siitä, että neuromorfinen teknologia on jo tänään valmis tiettyihin tehtäviin.
- Los Alamosin kansallisen laboratorion tutkijat: Maaliskuussa 2025 julkaistussa artikkelissa Los Alamosin tekoälytutkijat kirjoittivat, että “neuromorfinen laskenta, tekoälyn seuraava sukupolvi, tulee olemaan pienempi, nopeampi ja tehokkaampi kuin ihmisaivot.” en.wikipedia.org Tämä rohkea väite kuvastaa joidenkin asiantuntijoiden optimismia neuromorfisten ratkaisujen lopullisesta potentiaalista. Vaikka “pienempi ja nopeampi” kuin ihmisaivot on kunnianhimoinen tavoite (aivot ovat poikkeuksellisen tehokas 20 watin kone), pointtina on, että neuromorfinen laskenta voisi tuoda tekoälyjärjestelmiä, jotka eivät ainoastaan saavuta ihmismäistä älykkyyttä vaan jopa ylittävät aivot raaka-nopeudessa ja tehokkuudessa tietyissä toiminnoissa. Lainauksen taustalla on ajatus siitä, että aivot, vaikka ovatkin hämmästyttävät, ovat biologian tuote ja niillä on rajoitteita – aivoista inspiroituneet koneet voisivat mahdollisesti optimoida näiden rajoitteiden yli (esimerkiksi sähköisten signaalien kulku lyhyempiä matkoja kuin biologisilla neuroneilla voisi mahdollistaa nopeamman signaalin etenemisen, ja materiaalien käyttö, jotka sallivat korkeammat laukaisutaajuudet jne.). Se on pitkän aikavälin visio, mutta on merkittävää, että vakavat tutkijat pohtivat tällaisia mahdollisuuksia.
Nämä näkemykset yhdessä maalaavat kuvan alasta, joka on sekä eteenpäin katsova että realistinen. Asiantuntijat tunnistavat haasteet, mutta ovat selvästi innoissaan kehityssuunnasta. Yhtenäinen teema on, että neuromorfinen laskenta nähdään avaimena laskennan tulevaisuuteen – erityisesti tekoälyn ja koneoppimisen osalta. Kyse ei ole aivojen korvaamisesta tai tietoisten koneiden luomisesta, vaan biologiasta inspiroitumisesta nykyisten rajoitusten ylittämiseksi. Kuten Modha osuvasti tiivisti, tavoitteena on yhdistää molempien maailmojen parhaat puolet: aivomainen mukautuvuus ja tehokkuus sekä modernin piilaskennan edut spectrum.ieee.org.
Lisälukemista ja resursseja
Niille, jotka haluavat perehtyä neuromorfiseen laskentaan syvemmin, tässä on joitakin luotettavia lähteitä ja viitteitä:
- IBM Research – Neuromorphic Computing: IBM:n yleiskatsausartikkeli “What is neuromorphic computing?” tarjoaa helposti lähestyttävän johdannon ja esittelee IBM:n projekteja kuten TrueNorth ja NorthPole ibm.comibm.com.
- Intel Neuromorphic Research Community: Intelin uutishuone ja tutkimusblogit tarjoavat päivityksiä Loihista ja Hala Pointista, mukaan lukien huhtikuun 2024 lehdistötiedote, jossa kerrotaan Hala Pointin teknisistä tiedoista ja tavoitteista newsroom.intel.com.
- DARPA SyNAPSE -ohjelma: DARPAn vuoden 2014 ilmoitus IBM:n TrueNorth-sirusta tarjoaa näkemyksiä motiiveista (energiatehokkuus) ja sirun arkkitehtuurista darpa.mil.
- IEEE Spectrum: Lokakuun 2023 artikkeli “IBM Debuts Brain-Inspired Chip For Speedy, Efficient AI” (kirjoittanut Charles Q. Choi) tarkastelee NorthPole-sirua yksityiskohtaisesti ja sisältää asiantuntijakommenttejaspectrum.ieee.org.
- Nature ja Nature Communications: Akateemisemmasta näkökulmasta Nature Communications (huhtikuu 2025) julkaisi artikkelin “The road to commercial success for neuromorphic technologies” nature.com, jossa käsitellään tulevaisuuden näkymiä ja jäljellä olevia haasteita. Science (lokakuu 2023) sisältää NorthPolea käsittelevän teknisen artikkelin niille, jotka haluavat perehtyä yksityiskohtiin.
- BuiltIn & Medium -artikkelit: Teknologiasivusto BuiltIn tarjoaa kattavan johdannon neuromorfiseen laskentaan, mukaan lukien edut ja haasteet kansantajuisesti builtin.com. Myös jotkut Mediumin kirjoittajat ovat julkaisseet artikkeleita (esim. miksi yritykset kuten IBM ja Intel investoivat neuromorfiseen laskentaan) yleisön näkökulmasta medium.com.
Neuromorfinen laskenta on nopeasti kehittyvä ala tietojenkäsittelytieteen, elektroniikan ja neurotieteen risteyksessä. Se edustaa rohkeaa uudelleenajattelua siitä, miten rakennamme “ajattelevia” koneita. Kuten olemme nähneet, matka ideasta todellisuuteen on kestänyt vuosikymmeniä, mutta kehitys on kiistatonta ja kiihtyy. Jos nykyinen kehityssuunta jatkuu, aivoista inspiroituneet sirut saattavat pian täydentää laitteidemme CPU- ja GPU-piirejä, tehden tekoälystä kaikkialla läsnä olevan ja erittäin tehokkaan. Erään tutkimusryhmän sanoin neuromorfinen teknologia on “seuraavan sukupolven tekoälyä” en.wikipedia.org – kehitysaskel, joka voi mullistaa tietojenkäsittelyn sellaisena kuin sen tunnemme. Tätä aluetta kannattaa seurata tulevina vuosina.
Lähteet:
- 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, “Tie neuromorfisten teknologioiden kaupalliseen menestykseen” (15. huhtikuuta 2025) nature.com
- Wikipedia, “Neuromorfinen laskenta” (viitattu 2025) en.wikipedia.org
