Neuromorfno računalstvo: Tehnologija nadahnuta mozgom koja revolucionira umjetnu inteligenciju i više od toga

• IBM-ov TrueNorth čip iz 2014. godine sadrži 1 milijun neurona, 256 milijuna sinapsi i 5,4 milijarde tranzistora, uz potrošnju manje od 100 miliwata.
• IBM-ov NorthPole čip (2023.) sadrži 22 milijarde tranzistora u pakiranju od 800 mm² i nudi integraciju memorije i obrade uz najavljenu 25× energetsku učinkovitost i 22× brzinu u zadacima prepoznavanja slika u odnosu na najbrže konvencionalne AI čipove.
• Intelov Hala Point (2024.) najveći je neuromorfni sustav, povezuje 1.152 Loihi 2 čipa s ukupno oko 1,15 milijardi neurona, postižući 20 kvadrilijuna operacija u sekundi uz više od 15 trilijuna operacija po vatu.
• Intel Loihi 2 (2021.) digitalni je neuromorfni procesor s 128 jezgri, 130.000 neurona i 130 milijuna sinapsi uz ugrađeno učenje na čipu.
• Sveučilište u Manchesteru predstavilo je SpiNNaker hardversku mrežu 2018. s više od milijun jezgri za simulaciju milijardi neuronskih impulsa u stvarnom vremenu.
• Europski Human Brain Project (2013–2023.) podržavao je neuromorfne platforme BrainScaleS i SpiNNaker putem EBRAINS infrastrukturne platforme.
• BrainChip Akida je australski digitalni neuromorfni procesor za edge AI koji omogućuje učenje u stvarnom vremenu i primjene u pametnim senzorima, uz suradnje s NASA-om i Air Force Research Lab.
• Intel je krajem 2022. učinio Lava open-source okvir za Loihi dostupnim, potičući zajednicu na razvoj algoritama i primjena neuromorfnih čipova.
• NASA je 2022–2023. testirala Loihi čip za obradu satelitskih slika i navigaciju svemirskih letjelica, naglašavajući otpornost na zračenje i nisku potrošnju energije.
• Analitičari predviđaju CAGR od 25–30% do 2030. godine za neuromorfno računarstvo, uz očekivano stvaranje višemilijardnog tržišta i rast edge AI primjena.

Što je neuromorfno računalstvo (i kako funkcionira)?

Neuromorfno računalstvo – ponekad nazvano računalstvo inspirirano mozgom – pristup je dizajnu računala koji oponaša strukturu i funkciju ljudskog mozga ibm.com. Umjesto tradicionalnog modela u kojem odvojene jedinice upravljaju obradom i memorijom, neuromorfni sustavi integriraju te funkcije u mrežama umjetnih “neurona” i “sinapsi”, slično kao biološki mozak. Jednostavno rečeno, neuromorfni čip je računalni čip koji radi poput mreže moždanih stanica, obrađujući informacije kroz velik broj međusobno povezanih neurona en.wikipedia.org.

U središtu neuromorfnog računalstva nalaze se spikajuće neuronske mreže (SNN) – mreže umjetnih neurona koji komuniciraju putem kratkih električnih impulsa zvanih “spikeovi”, analogno naponima u biološkim neuronima ibm.com. Svaki neuron akumulira dolazne signale tijekom vremena i “ispalit” će spike prema drugim neuronima samo kada se dosegne određeni prag ibm.com. Ako ulazni signali ostanu ispod praga, signal s vremenom nestaje (često se opisuje kao “curenje naboja” neurona). Ovaj događajima vođen stil obrade znači da, za razliku od konvencionalnih procesora koji rade neprekidno, neuromorfni čipovi uglavnom ostaju neaktivni i aktiviraju neurone samo kada ima podataka za obradu pawarsaurav842.medium.com. Kao rezultat toga, troše znatno manje energije – većina “mozgu slične” mreže ostaje neaktivna dok nije potrebna, baš kao što naš mozak ima milijarde neurona, ali samo mali postotak njih se aktivira u bilo kojem trenutku pawarsaurav842.medium.com.

Još jedna ključna značajka je da su obrada i memorija smještene zajedno. U neuromorfnom dizajnu, svaki neuron može i pohranjivati i obrađivati informacije, dok se u klasičnom računalu podaci stalno premještaju između CPU-a i odvojenih memorijskih banaka. Ugradnjom memorije u računske elemente (neurone), neuromorfni čipovi izbjegavaju usko grlo premještanja podataka koje postoji u tradicionalnim arhitekturama spectrum.ieee.org, newsroom.intel.com. To omogućuje masivni paralelizam i učinkovitost: mnogi neuroni rade istovremeno, a potrebna je samo lokalna komunikacija. Kako objašnjava IBM-ov voditelj neuromorfnog istraživanja Dharmendra Modha, “Mozak je daleko energetski učinkovitiji od modernih računala, dijelom zato što pohranjuje memoriju zajedno s obradom u svakom neuronu.” spectrum.ieee.org. U biti, neuromorfni sustavi rade više poput živih neuronskih mreža nego konvencionalna serijska računala, omogućujući obradu informacija u stvarnom vremenu i rijetku, događajima vođenu komunikaciju među neuronima nature.com.

Kratka povijest i ključne prekretnice

Neuromorfno računalstvo možda zvuči futuristički, ali njegovo konceptualno podrijetlo seže u 1980-e. Pojam “neuromorfno” (što znači “u obliku mozga”) skovao je Carver Mead, profesor na Caltechu koji je bio pionir ovog područja krajem 1980-ih colocationamerica.com. U to doba, Mead i njegovi kolege poput Mishe Mahowalda izgradili su prve eksperimentalne “silicijske neurone” i senzorske čipove – na primjer, analogni silicijski retina koji je mogao detektirati svjetlost poput ljudskog oka, i silicijsku kohleu koja je obrađivala zvuk ibm.com. Ovi rani čipovi pokazali su da elektronički sklopovi mogu oponašati osnovne neuronske funkcije, potaknuvši viziju da bi računala jednog dana mogla raditi više poput mozga.

Tijekom 1990-ih i 2000-ih, neuromorfni inženjering uglavnom je ostao u akademskim i istraživačkim laboratorijima, tiho napredujući u pozadini. Velika prekretnica dogodila se 2014. s IBM-ovim TrueNorth čipom, razvijenim u sklopu DARPA-inog SyNAPSE programa. TrueNorth je smjestio 1 milijun “neurona” i 256 milijuna “sinapsi” na jedan čip, s nevjerojatnih 5,4 milijarde tranzistora – a sve to uz potrošnju manju od 100 miliwata snage darpa.mil. Ovaj “mozak na čipu”, inspiriran arhitekturom sisavaca, mogao je izvoditi složene zadatke prepoznavanja uzoraka uz dvije veličine reda manju potrošnju energije od konvencionalnih procesora darpa.mil. TrueNorthov dizajn bio je događajno vođen i masovno paralelan: 4.096 neurosinaptičkih jezgri komuniciralo je putem impulsa, pokazujući izvedivost velikih neuromorfnih hardverskih sustava. IBM je usporedio TrueNorthovu veličinu (milijun neurona) s otprilike mozgom pčele ili žohara, i dokazao da neuromorfni čipovi mogu biti i energetski učinkoviti i sposobni za zadatke nalik mozgu darpa.mil.

Još jedan iskorak dogodio se 2017. kada je Intel predstavio svoj Loihi neuromorfni čip. Loihi je bio potpuno digitalni neuromorfni procesor s 128 jezgri, 130.000 neurona i 130 milijuna sinapsi implementiranih u siliciju pawarsaurav842.medium.com. Važno je da je Loihi imao ugrađeno učenje na čipu: svaka neuronska jezgra imala je vlastiti mehanizam za učenje, što je omogućilo čipu da mijenja sinaptičke težine i “uči” iz uzoraka tijekom vremena. U jednoj demonstraciji, Intel je pokazao da Loihi može naučiti prepoznavati mirise opasnih kemikalija – zapravo naučiti čip da miriše obradom podataka olfaktornih senzora na način sličan mozgu pawarsaurav842.medium.com. Ova sposobnost samostalnog učenja istaknula je kako se neuromorfni sustavi mogu prilagođavati u stvarnom vremenu, što je korak dalje od pokretanja unaprijed istreniranih neuronskih mreža.

Od tada se napredak ubrzao. Sveučilišta su izgradila specijalizirana neuromorfna superračunala poput SpiNNaker (Sveučilište u Manchesteru), stroja s više od milijun malih procesora dizajniranih za simulaciju milijarde neuronskih impulsa u stvarnom vremenu pawarsaurav842.medium.com. U Europi je desetogodišnji Human Brain Project (2013.–2023.) podržavao neuromorfne platforme poput BrainScaleS (Sveučilište u Heidelbergu), koji koristi analogne elektroničke sklopove za oponašanje neurona, i verziju SpiNNakera – obje dostupne istraživačima putem istraživačke infrastrukture EBRAINS ibm.com. Ovi veliki akademski projekti bili su prekretnice u demonstriranju kako se neuromorfna načela mogu skalirati.

S industrijske strane, IBM, Intel i drugi nastavljaju pomicati granice. Najnoviji IBM-ov neuromorfni razvoj, predstavljen 2023., nosi kodno ime NorthPole – čip koji još čvršće spaja memoriju i obradu podataka. NorthPole postiže dramatične dobitke u brzini i učinkovitosti, navodno je 25× energetski učinkovitiji i 22× brži od najboljih konvencionalnih AI čipova u zadacima prepoznavanja slika spectrum.ieee.org. Sadrži 22 milijarde tranzistora u pakiranju od 800 mm², a potpunim uklanjanjem vanjske memorije značajno smanjuje energiju potrošenu na premještanje podataka spectrum.ieee.org. IBM-ovi istraživači opisuju NorthPole kao “proboj u arhitekturi čipova koji donosi ogromna poboljšanja u energetskoj, prostornoj i vremenskoj učinkovitosti” research.ibm.com, nadovezujući se na iskustva iz TrueNortha desetljeće ranije. Paralelno, Intel je 2021. predstavio drugu generaciju čipa, Loihi 2, a 2024. najavio Hala Point, neuromorfni super-sustav koji sadrži 1.152 Loihi 2 čipa s ukupno 1,2 milijarde neurona – otprilike dosežući moždani kapacitet male ptice (sove) newsroom.intel.com. Postavljen u Sandia National Labs, Hala Point je trenutno najveće neuromorfno računalo na svijetu, namijenjeno istraživanju AI-a na razini mozga.

Od jednog tranzistora-neurona Carvera Meada do današnjih sustava s milijardu neurona, neuromorfno računarstvo evoluiralo je iz uske akademske ideje u vrhunsku tehnologiju. Povijest obilježavaju stalna poboljšanja u skali, energetskoj učinkovitosti i realističnosti obrade nalik mozgu, postavljajući temelje za novu eru računarstva.

Ključne tehnologije u neuromorfnom računarstvu

Neuromorfno računarstvo objedinjuje inovacije u hardverskim uređajima i modelima neuronskih mreža. Neke od ključnih tehnologija koje omogućuju ovaj pristup inspiriran mozgom uključuju:

• Spikajuće neuronske mreže (SNN): Kao što je spomenuto, SNN-ovi su algoritamska okosnica neuromorfnih sustava. Ponekad ih nazivaju “trećom generacijom” neuronskih mreža pawarsaurav842.medium.com, jer u modele neurona uvode element vremena. Za razliku od stalnih, kontinuiranih aktivacija u standardnim umjetnim neuronskim mrežama, spikajući neuroni komuniciraju diskretnim šiljcima, omogućujući vremensko kodiranje (informacije se prenose vremenom šiljaka) i rad vođen događajima. SNN-ovi mogu prirodnije modelirati pojave poput vremenskog usklađivanja neurona, refraktornog perioda i plastičnosti (učenje promjenom jačine sinapsi) nego tradicionalne mreže ibm.com. To ih čini vrlo pogodnima za obradu tokova osjetilnih podataka (vizija, zvuk itd.) u stvarnom vremenu. Međutim, razvoj algoritama za treniranje SNN-ova je složen zadatak – istraživači koriste metode od mapiranja istreniranih dubokih mreža na spikajuće ekvivalente do bio-inspiriranih pravila učenja ibm.com. SNN-ovi su živo područje istraživanja i ključni dio neuromorfnog mozaika.
• Memristori i novi uređaji: Mnoge neuromorfne platforme još uvijek koriste konvencionalne silicijske tranzistore, ali postoji veliki interes za nove uređaje poput memristora (memorijski otpornici). Memristor je nanoskalni elektronički element koji može istovremeno pohranjivati podatke (kao memorija) i izvoditi izračune (kao otpornik/mreža) mijenjajući svoj otpor na temelju protoka struje – u biti oponašajući sposobnost sinapse da “pamti” jačanjem ili slabljenjem veza ibm.com. Memristori i druge tehnologije rezistivne memorije (npr. memorija s promjenom faze, feroelektrični uređaji, spintronički uređaji) mogu implementirati “analogni” sinapse koje se kontinuirano ažuriraju, omogućujući računarstvo u memoriji. Integriranjem memorije u iste fizičke uređaje koji obavljaju izračune, dodatno se razbija razdvojenost svojstvena tradicionalnom računalnom modelu. Ove nove komponente obećavaju višestruko veću učinkovitost; međutim, još su eksperimentalne 2025. godine i suočavaju se s izazovima pouzdanosti i proizvodnje. Kako je jedan stručnjak primijetio, analogni neuromorfni sustavi imaju ogroman potencijal, ali “još nisu dosegnuli tehnološku zrelost”, zbog čega se mnogi trenutačni dizajni (poput IBM-ovog NorthPole i Intelovog Loihi) drže digitalnih sklopova kao kratkoročnog rješenja spectrum.ieee.org.
• Asinkroni sklopovi i hardver pokretan događajima: Neuromorfni čipovi često koriste asinkronu logiku, što znači da nemaju jedinstveni globalni sat koji pokreće svaku operaciju u istom taktu. Umjesto toga, izračun je distribuiran i pokrenut događajem. Kada neuron “ispali”, on pokreće nizvodne neurone; ako nema aktivnosti, dijelovi sklopa prelaze u stanje mirovanja. Ovakav hardverski pristup, koji se ponekad naziva “dizajn bez sata” ili dizajn temeljen na događajima, izravno podržava rijetke, impulsima vođene radne zadatke SNN-ova. To je odstupanje od sinkronog dizajna većine CPU/GPU-ova. Na primjer, IBM-ov TrueNorth radio je potpuno asinkrono, a njegovi neuroni su komunicirali putem paketa u mreži na čipu kada su se događaji dogodili darpa.mil. Ovo ne samo da štedi energiju, već se i podudara s načinom na koji biološke neuronske mreže rade paralelno bez glavnog sata.
• Arhitektura izračuna u memoriji: Pojam koji se često povezuje s neuromorfnim čipovima je izračun u memoriji, gdje su memorijski elementi (bilo SRAM, nehlapljiva memorija ili memristori) smješteni uz izračunske jedinice. Time neuromorfni dizajni minimiziraju premještanje podataka – jedan od najvećih izvora potrošnje energije u računalstvu newsroom.intel.com. U praksi to može značiti da svaka neuronska jezgra na čipu ima vlastitu lokalnu memoriju u kojoj pohranjuje svoje stanje i sinaptičke težine, čime se eliminiraju stalna putovanja do vanjske DRAM memorije. IBM-ov NorthPole čip to ilustrira: on u potpunosti eliminira vanjsku memoriju, smještajući sve težine na čip i čineći da čip sustavu izgleda kao “aktivni memorijski” uređaj spectrum.ieee.org. Izračun u memoriji može se postići digitalno (kao što to radi NorthPole) ili analognim putem (korištenjem memristorskih crossbar matrica za izvođenje matričnih operacija na licu mjesta). Ovaj koncept je ključan za postizanje učinkovitosti nalik mozgu.

U sažetku, neuromorfno računalstvo se oslanja na neuroznanost (neuroni s impulsima, plastične sinapse), novi hardver (memristori, memorija s promjenom faze) i netradicionalni dizajn sklopova (pokretanje događajima, integracija memorije i izračuna) kako bi stvorilo računalne sustave koji rade na potpuno drugačijim principima od današnjih čipova velikih energetskih zahtjeva.

Neuromorfni nasuprot tradicionalnim računalnim paradigmama

Kako bismo razumjeli neuromorfno računalstvo, pomaže da ga usporedimo s tradicionalnom Von Neumannovom arhitekturom koja dominira od sredine 20. stoljeća. U klasičnom računalu (bilo da je riječ o PC-u ili pametnom telefonu), dizajn je u osnovi serijski i odvojen: središnji procesor dohvaća upute i podatke iz memorije, izvršava ih (jednu za drugom, vrlo brzo) i zapisuje rezultate natrag u memoriju. Čak i ako moderni CPU-i i GPU-i koriste paralelne jezgre ili cjevovode, i dalje pate od takozvanog Von Neumannovog uskog grla – potrebe za stalnim premještanjem podataka u i iz memorije, što troši vrijeme i energiju colocationamerica.com, spectrum.ieee.org. Zamislite kuhara koji za svaki sastojak mora trčati do smočnice prije nego što ga nasjecka i pomiješa; to je slično načinu na koji rade standardna računala.

Neuromorfna računala, s druge strane, rade više kao ogromna mreža mini-procesora (neurona) koji svi rade paralelno, svaki sa svojom lokalnom memorijom. Ne postoji središnji sat ili programski brojač koji serijski prolazi kroz upute. Umjesto toga, izračun se odvija kolektivno i asinkrono: tisuće ili milijuni neurona izvode jednostavne operacije istovremeno i komuniciraju rezultate putem impulsa. Ovo je analogno načinu na koji ljudski mozak obavlja zadatke – milijarde neurona koji pucaju paralelno, bez jednog CPU-a koji upravlja svime. Rezultat je sustav koji može biti masovno paralelan i vođen događajima, obrađujući mnogo signala odjednom i prirodno čekajući kada nema što raditi.

Prednosti uključuju brzinu kroz paralelizam i znatno veću energetsku učinkovitost. Tradicionalni procesor može koristiti 100 vata za pokretanje velikog AI modela, uglavnom zbog prebacivanja milijardi tranzistora i premještanja podataka u i iz memorijskih predmemorija. Nasuprot tome, neuromorfni čipovi koriste događaje i rijetko paljenje: ako je samo 5% neurona aktivno u isto vrijeme, ostalih 95% gotovo ne troši energiju. Ova rijetka aktivnost jedan je od razloga zašto su neuromorfne arhitekture pokazale do 1000× bolju energetsku učinkovitost na određenim AI zadacima u usporedbi s CPU/GPU medium.com. Zapravo, ljudski mozak, kojem teže naši neuromorfni dizajni, radi na samo oko 20 vata snage (manje od slabe žarulje), a ipak nadmašuje trenutna superračunala u područjima poput vida i prepoznavanja uzoraka medium.com. Kako je rekao direktor Intelovog neuromorfnog laboratorija Mike Davies, “Trošak računalne obrade današnjih AI modela raste neodrživom brzinom. Industriji su potrebni temeljno novi pristupi koji mogu skalirati.” newsroom.intel.com Neuromorfno računalstvo nudi jedan takav novi pristup integriranjem memorije s obradom i korištenjem visoko paralelnih, mozgu sličnih arhitektura za minimiziranje premještanja podataka i potrošnje energije newsroom.intel.com.

Međutim, važno je napomenuti da neuromorfno računalstvo nije zamjena za sve vrste računalstva. Tradicionalni deterministički procesori izvrsni su u preciznim, linearnim zadacima (poput aritmetike, upita u bazama podataka itd.), dok su neuromorfni sustavi izvrsni u senzornim, perceptivnim i zadacima prepoznavanja uzoraka gdje mozgupodobna obrada dolazi do izražaja. U mnogim vizijama budućnosti, neuromorfni čipovi nadopunjavat će klasične CPU i GPU – djelujući kao specijalizirani koprocesori za AI zadatke koji uključuju percepciju, učenje ili prilagodbu, slično kao što GPU danas ubrzava grafiku i matematičke operacije neuronskih mreža. Dva paradigme mogu koegzistirati, pri čemu neuromorfni hardver obrađuje “mozgu slične” zadatke na temeljno učinkovitiji način. U suštini, Von Neumannovi strojevi su poput sekvencijalnih obrađivača brojeva, dok su neuromorfni strojevi poput paralelnih prepoznavatelja uzoraka – svaki ima svoje mjesto.

Glavni akteri i projekti koji pokreću neuromorfnu tehnologiju

Neuromorfno računalstvo je multidisciplinarni napor koji obuhvaća tehnološke tvrtke, istraživačke laboratorije i akademsku zajednicu. Velike korporacije, startupovi i vladine agencije svi su se uključili u razvoj hardvera i softvera inspiriranih mozgom. Evo nekih od ključnih aktera i projekata do 2025. godine:

• IBM: IBM je bio pionir u istraživanju kognitivnog računarstva. Osim revolucionarnog TrueNorth čipa (2014) s 1M neurona, IBM-ov istraživački tim pod vodstvom Dharmendre Modhe nedavno je predstavio NorthPole (2023), novu generaciju neuromorfnog inferencijskog čipa. Proboj NorthPole-a je u uskoj integraciji računanja i memorije na čipu, što donosi neviđenu učinkovitost za AI inferencijske zadatke spectrum.ieee.org. IBM navodi da NorthPole može nadmašiti čak i najnaprednije GPU-ove na testovima poput prepoznavanja slika, koristeći samo djelić energije spectrum.ieee.org. Dugoročna vizija IBM-a je koristiti takve čipove za pokretanje AI sustava koji su znatno energetski učinkovitiji, potencijalno omogućujući rad AI-ja na svemu, od podatkovnih centara do rubnih uređaja, bez energetskih ograničenja današnjice.
• Intel: Intel je osnovao posebni Neuromorphic Computing Lab i predstavio obitelj čipova Loihi. Prvi Loihi (2017) i Loihi 2 (2021) su istraživački čipovi dostupni sveučilištima i tvrtkama kroz Intelovu Neuromorphic Research Community. Intelov pristup je potpuno digitalan, ali s asinkronim spiking jezgrama i učenjem na čipu. U travnju 2024. Intel je najavio Hala Point, zapravo neuromorfno superračunalo s više od tisuću Loihi 2 čipova povezanih zajedno newsroom.intel.com. Hala Point, implementiran u Sandia Labs, može simulirati više od 1 milijarde neurona i koristi se za istraživanje algoritama inspiriranih mozgom velikih razmjera i AI sustava za kontinuirano učenje newsroom.intel.com. Intel vidi neuromorfnu tehnologiju kao ključ održivijeg AI-ja, s ciljem drastičnog smanjenja energije potrebne za treniranje i inferenciju AI modela newsroom.intel.com. Kako je Mike Davies istaknuo na predstavljanju, skaliranje današnjeg AI-ja s postojećim hardverom je energetski neodrživo, pa Intel ulaže u neuromorfne dizajne kako bi probio taj zid učinkovitosti newsroom.intel.com.
• Qualcomm: Qualcomm je istraživao neuromorfna načela za AI s niskom potrošnjom energije na uređajima. Još ranije (oko 2013.-2015.) razvio je platformu pod nazivom “Zeroth” i demonstrirao akceleratore za spikajuće neuronske mreže za zadatke poput prepoznavanja uzoraka na pametnim telefonima. Posljednjih godina Qualcommovi neuromorfni napori su manje javni, ali izvještaji sugeriraju da nastavljaju s istraživanjem i razvojem, osobito jer se neuromorfno računalstvo podudara s ultra-niskoenergetskim edge AI (što je prirodno prikladno za Qualcommovo poslovanje s mobilnim i ugrađenim čipovima) medium.com. Qualcommov interes naglašava da čak i proizvođači mobilnih čipova vide potencijal u dizajnima inspiriranim mozgom kako bi pratili AI zahtjeve bez pražnjenja baterija uređaja.
• BrainChip Holdings: Australski startup, BrainChip, jedan je od prvih koji je komercijalizirao neuromorfni IP. Njihov Akida neuromorfni procesor je potpuno digitalni, događajima vođen dizajn koji se može koristiti kao AI akcelerator u edge uređajima brainchip.com. BrainChip naglašava učenje i izvođenje u stvarnom vremenu uz malu potrošnju energije – na primjer, dodavanje lokalnog prepoznavanja gesta ili anomalija IoT senzorima ili vozilima bez povezivanja na oblak. Od 2025. godine, BrainChip surađuje s partnerima na integraciji Akide u proizvode koji se kreću od pametnih senzora do zrakoplovnih sustava, a čak je demonstrirao i neuromorfnu obradu za svemirske primjene (u suradnji s organizacijama poput NASA-e i Air Force Research Lab) embedded.com, design-reuse.com. Startupi poput BrainChipa ilustriraju rastući komercijalni interes za dovođenje neuromorfne tehnologije na tržište za edge AI i IoT.
• Akademski i vladini laboratoriji: Na akademskoj razini, nekoliko sveučilišta i koalicija izgradilo je značajne neuromorfne sustave. Spomenuli smo SpiNNaker (Sveučilište u Manchesteru, UK) koji je 2018. postigao hardversku neuronsku mrežu s milijun jezgri, s ciljem modeliranja 1% neurona ljudskog mozga u stvarnom vremenu pawarsaurav842.medium.com. Tu je i BrainScaleS (Sveučilište Heidelberg, Njemačka), koji koristi analogne sklopove na velikim silicijskim pločicama za oponašanje neuronskih mreža ubrzanim brzinama (praktički “premotavajući unaprijed” neuronske procese radi proučavanja učenja). U SAD-u, istraživačke institucije poput Stanforda (koji je stvorio sustav Neurogrid sposoban za simulaciju milijun neurona ibm.com) i MIT-a, među ostalima, imaju aktivne laboratorije za neuromorfno inženjerstvo. Vladine agencije poput DARPA nastavljaju financirati programe (npr. tekući program “Electronic Photonic Neural Networks” koji istražuje fotoničke neuromorfne čipove). U međuvremenu, EU-ov projekt Human Brain (HBP) snažno je ulagao u neuromorfnu infrastrukturu kroz svoju Neuromorphic Computing Platform, a njegove nasljedničke inicijative pod okriljem istraživačke infrastrukture EBRAINS nastavljaju pružati pristup neuromorfnom hardveru znanstvenicima ibm.com.
• Ostali industrijski akteri: Osim IBM-a i Intela, tvrtke poput Samsung i HRL Laboratories također su se okušale u neuromorfnoj tehnologiji. Godine 2021. Samsungovi istraživači najavili su viziju “kopiranja i lijepljenja” neuronskih veza mozga na memorijske čipove, u biti koristeći 3D memorijske nizove za mapiranje povezanosti biološkog mozga kao neuromorfnog sustava – ambiciozan cilj koji je još uvijek daleko od praktične primjene. HRL Labs (koji je u suvlasništvu Boeinga i GM-a) razvio je neuromorfni čip s memristorima koji je 2019. demonstrirao “one-shot” učenje (uređaj je mogao naučiti prepoznati uzorak iz samo jednog primjera). Također, europski startupi poput GrAI Matter Labs (sa svojim GrAI “NeuronFlow” čipovima ibm.com) i SynSense (tvrtka sa sjedištem u Zürichu/Kini poznata po ultra-niskoenergetskim čipovima za viziju) značajni su doprinositelji.

U sažetku, područje neuromorfike je suradnička mješavina tehnoloških divova koji pomiču granice, startupa koji donose inovacije na specijalizirana tržišta i akademskih konzorcija koji istražuju nove granice. Ovaj široki ekosustav ubrzava napredak i iznosi neuromorfne ideje iz laboratorija u stvarne primjene.

Trenutne primjene i stvarni primjeri upotrebe

Neuromorfno računalstvo još je uvijek u nastajanju, pa su njegove stvarne primjene u stvarnom svijetu tek u povojima – ali postoje obećavajuće demonstracije u raznim područjima. Zamislite zadatke koje naš mozak izuzetno dobro (i učinkovito) obavlja, a s kojima se konvencionalna računala muče – upravo tu neuromorfni sustavi dolaze do izražaja. Evo nekoliko značajnih primjera upotrebe i mogućih primjena:

• Autonomna vozila: Samovozeći automobili i dronovi moraju reagirati na dinamična okruženja u stvarnom vremenu. Neuromorfni čipovi, sa svojim brzim paralelnim procesiranjem i niskom potrošnjom energije, mogu pomoći vozilima da percipiraju i donose odluke slično kao ljudski vozač. Na primjer, neuromorfni procesor može primati podatke s kamera i senzora te otkrivati prepreke ili donositi navigacijske odluke s vrlo malim kašnjenjem. Istraživači iz IBM-a napominju da bi neuromorfno računalstvo moglo omogućiti brže korekcije kursa i izbjegavanje sudara u autonomnim vozilima, uz istovremeno drastično smanjenje potrošnje energije (važno za električna vozila i dronove) ibm.com. U praksi, spikajuća neuronska mreža mogla bi kontinuirano analizirati okolinu automobila, ali bi neuroni “ispaljivali” samo kada se dogodi relevantan događaj (poput pješaka koji izlazi na cestu), omogućujući brze reflekse bez rasipanja energije na bespotrebne izračune.
• Kibernetička sigurnost i detekcija anomalija: Sustavi kibernetičke sigurnosti moraju prepoznati neobične obrasce (potencijalne upade ili prijevare) unutar ogromnih tokova podataka. Neuromorfne arhitekture prirodno su vješte u prepoznavanju obrazaca i mogu se koristiti za označavanje anomalija u stvarnom vremenu. Budući da su vođene događajima, mogu nadzirati mrežni promet ili podatke senzora i reagirati samo kada se pojavi zaista abnormalan obrazac. To omogućuje otkrivanje prijetnji u stvarnom vremenu s niskom latencijom, a energetski su dovoljno učinkovite da bi takav sustav mogao potencijalno raditi neprekidno na skromnom hardveru ibm.com. Neki eksperimenti koristili su neuromorfne čipove za otkrivanje mrežnih upada ili prijevara s kreditnim karticama učenjem “normalnih” obrazaca i zatim prepoznavanjem odstupanja bez potrebe da se svaka podatkovna točka obrađuje na energetski zahtjevnom CPU-u.
  • Edge AI i IoT uređaji: Jedan od najneposrednijih slučajeva upotrebe neuromorfnog računarstva je u edge uređajima – poput pametnih senzora, nosivih uređaja ili kućanskih aparata – gdje su energetski i računalni resursi ograničeni. Neuromorfni čipovi s ultra-niskom potrošnjom energije omogućuju da AI mogućnosti (poput prepoznavanja glasa, prepoznavanja pokreta ili detekcije događaja) dođu do uređaja bez potrebe za cloud serverima ili čestim punjenjem baterije ibm.com. Na primjer, dron opremljen neuromorfnim senzorom vida mogao bi samostalno navigirati i izbjegavati prepreke, reagirajući brzo i učinkovito poput šišmiša koji koristi eholokaciju. Dronovi s neuromorfnim vizijskim sustavima pokazali su sposobnost prelaska složenog terena i reagiranja na promjene tako da povećavaju izračun samo kada postoji novi osjetilni unos, slično kao što radi mozak živog bića builtin.com. Isto tako, pametni sat ili zdravstveni monitor s malim neuromorfnim čipom mogao bi kontinuirano lokalno analizirati biosignale (otkucaje srca, EEG itd.), detektirati anomalije poput aritmija ili napadaja u stvarnom vremenu i to činiti danima na jednom punjenju baterije – što je izuzetno teško s konvencionalnim čipovima. (Zapravo, nedavna anegdota opisuje pametni sat s neuromorfnim pogonom koji je na licu mjesta otkrio aritmiju srca kod pacijenta, što bi bilo izazovno s analizom u oblaku medium.com.)
• Prepoznavanje uzoraka i kognitivno računarstvo: Neuromorfni sustavi su inherentno dobri u zadacima koji uključuju prepoznavanje uzoraka u bučnim podacima – bilo da se radi o slikama, zvukovima ili signalima senzora. Primijenjeni su u eksperimentalnim postavkama za prepoznavanje slika, obradu govora i zvuka, pa čak i osjet mirisa (kao što je Intelov Loihi čip koji uči različite mirise) pawarsaurav842.medium.com. Neuromorfni čipovi također mogu komunicirati s analognim senzorima (poput dinamičkih senzora vida koji šalju impulse za promjene u sceni) kako bi stvorili end-to-end neuromorfne sustave osjeta. U medicini, neuromorfni procesori mogli bi analizirati tokove biomedicinskih signala (npr. EEG moždani valovi) i izdvojiti značajne događaje ili uzorke za dijagnozu ibm.com. Njihova sposobnost učenja i prilagodbe također znači da bi mogli personalizirati prepoznavanje uzoraka na samom uređaju – primjerice, neuromorfno slušno pomagalo moglo bi se kontinuirano prilagođavati specifičnom korisnikovom okruženju i poboljšati način na koji filtrira buku u odnosu na govor.
• Robotika i upravljanje u stvarnom vremenu: Robotika često zahtijeva uske povratne petlje za upravljanje motorima, interpretaciju senzora i donošenje odluka u hodu. Neuromorfni kontroleri mogu robotima dati oblik refleksa i prilagodljivosti. Budući da obrađuju informacije paralelno i mogu učiti iz osjetilnih povratnih informacija, vrlo su prikladni za zadatke poput održavanja ravnoteže, hvatanja ili hodanja po nepredvidivom terenu. Istraživači su koristili neuromorfne čipove za upravljanje robotskim rukama i nogama, gdje kontroler može učiti prilagođavati signale motora na temelju ulaza senzora u stvarnom vremenu, slično kao što čovjek uči motoričke vještine. Jedna od prednosti koja je uočena jest da roboti pokretani neuronskim mrežama s impulsima mogu nastaviti funkcionirati čak i ako neki neuroni otkažu (vrsta gracioznog propadanja), što daje otpornost na greške slično biološkim sustavima colocationamerica.com. Tvrtke poput Boston Dynamicsa nagovijestile su istraživanje sustava inspiriranih neuromorfikom kako bi poboljšale učinkovitost robota i vrijeme reakcije. U proizvodnji, neuromorfni sustav vida mogao bi omogućiti robotu da prepoznaje objekte ili se prirodnije kreće po užurbanoj tvorničkoj hali i brže reagira na iznenadne promjene builtin.com.
• Sučelja mozak-stroj i neuroznanost: Budući da neuromorfni čipovi rade na principima vrlo bliskim biološkim mozgovima, koriste se kao alati za razumijevanje neuroznanosti, pa čak i za povezivanje sa živim neuronima. Na primjer, znanstvenici mogu povezati žive neuronske kulture s neuromorfnim hardverom kako bi stvorili hibridne sustave, koristeći čip za stimulaciju ili praćenje bioloških neurona na načine koje obična računala ne mogu lako izvesti u stvarnom vremenu. Dodatno, neuromorfni modeli pomažu neuroznanstvenicima testirati hipoteze o tome kako određeni neuronski krugovi u mozgu mogu funkcionirati, repliciranjem tih krugova u silikonu i promatranjem ponašaju li se slično. Iako su ovo više istraživačke nego komercijalne primjene, naglašavaju svestranost ove tehnologije.

Vrijedi napomenuti da su mnoge od ovih primjena još uvijek u fazi prototipa ili istraživanja. Neuromorfno računalstvo 2025. godine otprilike je tamo gdje je bila konvencionalna umjetna inteligencija početkom 2010-ih – vidimo obećavajuće demonstracije i nišne primjene, ali tehnologija tek počinje izlaziti iz laboratorija. Tehnološke konzultantske kuće poput Gartnera i PwC-a navele su neuromorfno računalstvo kao novu tehnologiju na koju treba obratiti pažnju u nadolazećim godinama ibm.com. Očekuje se da će, kako hardver i softver sazrijevaju, neuromorfni procesori omogućiti svakodnevnim uređajima perceptivnu inteligenciju bez potrebe za ogromnim računalnim resursima. Od autonomnih vozila do sićušnih medicinskih implantata, svaki scenarij u kojem nam treba AI u stvarnom vremenu u uvjetima ograničene snage ili veličine mogao bi biti kandidat za neuromorfna rješenja.

Izazovi i ograničenja

Unatoč svom uzbudljivom potencijalu, neuromorfno računalstvo suočava se s značajnim izazovima na putu prema široj primjeni. Mnogi od tih izazova proizlaze iz činjenice da su neuromorfni pristupi radikalno različiti od postojećeg stanja, zahtijevajući novo razmišljanje u hardveru, softveru, pa čak i obrazovanju. Evo nekih od ključnih prepreka i ograničenja do 2025.:

• Zrelost tehnologije: Neuromorfno računalstvo još uvijek nije zrela, široko prihvaćena tehnologija. Gartnerov ciklus uzbuđenja smjestio bi ga u rane faze – obećavajuće, ali još nije spremno za široku upotrebu ibm.com. Trenutni neuromorfni čipovi uglavnom su istraživački prototipovi ili uređaji s ograničenom proizvodnjom. Još ne postoje široko prihvaćeni industrijski standardi za dizajn neuromorfnog hardvera ili mjerila performansi builtin.com. To otežava potencijalnim korisnicima procjenu i usporedbu sustava. Kao rezultat toga, organizacije oprezno istražuju neuromorfnu tehnologiju, svjesne da se ona još uvijek razvija i možda neće odmah nadmašiti konvencionalna rješenja za sve probleme.
• Nedostatak softvera i alata: Jedna od najvećih uskih grla je softverski ekosustav. Svijet računalstva desetljećima je izgrađen oko Von Neumannovih strojeva – programski jezici, prevoditelji, operativni sustavi i stručnost programera svi pretpostavljaju tradicionalnu arhitekturu. Neuromorfni hardver, nasuprot tome, zahtijeva drugačiji pristup programiranju (više o dizajniranju neuronskih mreža i podešavanju modela nego pisanju sekvencijalnog koda). Trenutno “pravi alati za izgradnju softvera zapravo ne postoje” za neuromorfne sustave, kako je rekao jedan istraživač builtin.com. Mnogi neuromorfni eksperimenti oslanjaju se na prilagođeni softver ili prilagodbe okvira za neuronske mreže. U tijeku su napori (na primjer, Intelov Lava open-source okvir za Loihi ili sveučilišni projekti poput Nengo), ali ne postoji jedinstvena, jednostavna platforma analogna TensorFlowu ili PyTorchu za šiljaste neuronske mreže u velikom opsegu. Ova strma krivulja učenja ograničava prihvaćanje – tipičan AI programer ne može jednostavno uzeti neuromorfni čip i implementirati aplikaciju bez opsežne prekvalifikacije. Poboljšanje softverskog sloja, knjižnica i simulatora ključan je zadatak za zajednicu.
• Promjena programskog paradigme: Povezano s problemom alata je i temeljna promjena paradigme razmišljanja. Programiranje neuromorfnih sustava nije poput pisanja Python skripte; više je nalik dizajniranju i treniranju modela nalik mozgu. Programeri trebaju poznavati neuroznanstvene koncepte (frekvencija impulsa, sinaptička plastičnost) uz računalnu znanost. To znači da postoji visoka ulazna barijera. Procjenjuje se da je danas samo nekoliko stotina ljudi u svijetu pravi stručnjaci za neuromorfno računarstvo builtin.com. Prebroditi ovaj jaz u talentu je izazov – trebamo ili educirati više ljudi u ovom interdisciplinarnom području ili stvoriti alate višeg nivoa koji apstrahiraju složenost. Do tada će neuromorfno računarstvo ostati donekle ekskluzivno, dostupno uglavnom specijaliziranim istraživačkim grupama.
• Skalabilnost hardvera i proizvodnja: Izrada neuromorfnog hardvera koji pouzdano oponaša složenost mozga je izuzetno izazovna. Iako su digitalni čipovi poput Loihi i TrueNorth pokazali da možemo skalirati na milijun neurona ili više, postizanje razmjera ljudskog mozga (86 milijardi neurona) još je daleko izvan dosega. Još važnije, analogni pristupi (korištenje memristora itd.) koji bi možda najbolje replicirali sinapse još nisu spremni za proizvodnju – potrebni su novi materijali i procesi izrade kako bi bili stabilni i ponovljivi spectrum.ieee.org. Najnapredniji analogni uređaji često se suočavaju s problemima poput varijabilnosti uređaja, drifta ili ograničene izdržljivosti. Digitalni neuromorfni čipovi, s druge strane, koriste standardnu CMOS proizvodnju, ali mogu žrtvovati dio učinkovitosti ili gustoće u odnosu na analogne. Tu je i izazov integracije neuromorfnih čipova u postojeće računalne sustave (komunikacijska sučelja, formati, itd.). IBM-ov NorthPole čip pokušava to riješiti tako što se pojavljuje kao “aktivna memorija” za glavni sustav spectrum.ieee.org, ali takva rješenja integracije još su eksperimentalna. Ukratko, neuromorfni hardver je na pragu – obećavajuć, ali potrebno je još istraživanja i razvoja kako bi postao robustan, skalabilan i isplativ za masovnu proizvodnju.
• Standardizacija i mjerila: U konvencionalnom računalstvu imamo jasno definirana mjerila (SPEC za CPU-e, MLPerf za AI akceleratore itd.) i metrike za performanse. Za neuromorfne sustave još nije jasno kako pravedno mjeriti i uspoređivati performanse. Ako jedan čip pokreće spikajuću neuronsku mrežu, a drugi standardnu neuronsku mrežu, kako usporediti “točnost” ili “propusnost” na određenom zadatku? Razvijaju se nova mjerila koja naglašavaju prednosti neuromorfnih sustava (poput kontinuiranog učenja ili prepoznavanja uzoraka uz ograničenu potrošnju energije), ali dok se zajednica ne složi oko njih, teško je dokazati vrijednost neuromorfnih rješenja onima izvan tog područja builtin.com. Ovaj nedostatak standardnih metrika i arhitekture također znači da dijeljenje rezultata među istraživačkim grupama može biti problematično – ono što radi na jednom čipu možda se ne može prenijeti na drugi ako se njihovi modeli neurona ili alati razlikuju.
• Kompatibilnost s postojećom umjetnom inteligencijom: Trenutno većina svjetske umjetne inteligencije radi na modelima dubokog učenja prilagođenima za GPU-e i TPU-e. Ti modeli koriste aritmetiku visoke preciznosti, guste matrične množenja itd., što nije izravno kompatibilno sa spikajućim neuromorfnim hardverom. Da bi se iskoristila neuromorfna učinkovitost, često je potrebno pretvoriti ili ponovno istrenirati standardnu neuronsku mrežu u spikajuću neuronsku mrežu, što može dovesti do određenog gubitka točnosti builtin.com. Neki zadaci mogu imati slabije performanse kada se prisilno prebace u spikajući okvir. Štoviše, određeni AI algoritmi (poput velikih transformera koji se koriste u jezičnim modelima) još uvijek nisu očito prikladni za spikajuće implementacije. To znači da neuromorfni čipovi trenutno briljiraju u nišnim područjima (npr. vizija, obrada senzora, jednostavno učenje pojačanjem), ali trenutno nisu univerzalno rješenje za sve AI probleme. Istraživači rade na hibridnim pristupima i boljim tehnikama treniranja kako bi smanjili jaz u točnosti, ali i dalje je izazov osigurati da neuromorfni sustav može postići istu kvalitetu rezultata kao i konvencionalni za određenu primjenu.
• Izazovi tržišta i ekosustava: S poslovnog gledišta, neuromorfno računalstvo još uvijek traži svoju “ubojitu aplikaciju” i jasan put do komercijalizacije. Investitori i tvrtke su oprezni jer je vremenski okvir za povrat ulaganja neizvjestan. Analiza iz početka 2025. opisala je neuromorfno računalstvo kao “obećavajuću inovaciju s teškim tržišnim izazovima,” napominjući da, iako je potencijal velik, nedostatak neposrednih aplikacija koje donose prihod čini ga rizičnim ulaganjem za tvrtke omdia.tech.informa.com. Postoji svojevrsni problem “kokoš ili jaje”: proizvođači hardvera čekaju potražnju kako bi opravdali masovnu proizvodnju čipova, ali krajnji korisnici čekaju dostupne čipove kako bi opravdali razvoj aplikacija. Ipak, momentum raste, a nišne implementacije (poput neuromorfnih čipova u svemirskim satelitima ili vojnim senzorima gdje je potrošnja energije ključna) počinju pokazivati stvarnu vrijednost, što bi moglo postupno proširiti tržište.

Ukratko, neuromorfno računarstvo u 2025. godini je na čelu istraživanja i inženjeringa. Ovo područje suočava se s netrivijalnim izazovima u razvoju tehnologije, alatima i izgradnji ekosustava. Ipak, nijedan od tih izazova nije temeljna prepreka – oni podsjećaju na prepreke s kojima su se suočavala rana paralelna računala ili rani dani GPU-ova za opću računalnu upotrebu. Kako zajednica radi na standardizaciji, poboljšava hardver i educira više programera, možemo očekivati da će mnoga od ovih ograničenja biti smanjena u narednim godinama. Nature perspektiva iz 2025. godine optimistično je primijetila da nakon nekoliko lažnih startova, spoj nedavnih napredaka (bolji algoritmi za treniranje, poboljšanja digitalnog dizajna i računarstvo u memoriji) “sada obećava široku komercijalnu primjenu” neuromorfne tehnologije, pod uvjetom da riješimo kako programirati i implementirati ove sustave u velikom opsegu nature.com. Na tim se rješenjima aktivno radi, a nadolazeće desetljeće vjerojatno će odrediti koliko daleko će neuromorfno računarstvo ići odavde.

Nedavni razvoj i vijesti (od 2025.)

Posljednjih nekoliko godina donijelo je značajne prekretnice i obnovljeni interes za neuromorfno računarstvo, što ukazuje da ovo područje dobiva na zamahu. Evo nekih od nedavnih događanja do 2025.:

• Intelov Hala Point – Povećanje razmjera neuromorfičkog računarstva: U travnju 2024. Intel je najavio Hala Point, najveći neuromorfički računalni sustav ikad izgrađen newsroom.intel.com. Hala Point povezuje 1.152 Loihi 2 čipa, postižući neuronski kapacitet od oko 1,15 milijardi neurona (usporedivo s mozgom sove) newsroom.intel.com. Instaliran je u Sandia National Laboratories i koristi se kao istraživačka platforma za skaliranje neuromorfičkih algoritama. Posebno je značajno što je Hala Point pokazao sposobnost izvođenja uobičajenih AI zadataka (poput dubokih neuronskih mreža) s dosad neviđenom učinkovitošću – postigavši 20 kvadrilijuna operacija u sekundi s više od 15 trilijuna operacija u sekundi po vatu u testovima newsroom.intel.com. Intel tvrdi da ovo parira ili nadmašuje performanse klastera GPU/CPU na tim zadacima, ali uz znatno bolju energetsku učinkovitost newsroom.intel.com. Značaj je u tome što neuromorfički sustavi više nisu samo igračke; oni rješavaju AI zadatke na razmjerima relevantnim za industriju, što upućuje na to da bi neuromorfički pristupi u budućnosti mogli nadopuniti ili čak konkurirati sadašnjim AI akceleratorima. Mike Davies iz Intel Labs-a izjavio je da Hala Point kombinira učinkovitost dubokog učenja s “novim učenjem inspiriranim mozgom” kako bi istražio održiviju umjetnu inteligenciju, te da bi takva istraživanja mogla dovesti do AI sustava koji neprestano uče umjesto sadašnjeg neučinkovitog ciklusa treniraj-pa-primijeni newsroom.intel.com.
• IBM-ov NorthPole i znanstveni proboj: Krajem 2023. IBM je objavio detalje o svom čipu NorthPole u časopisu Science, što je privuklo veliku pozornost spectrum.ieee.org. NorthPole je značajan ne samo zbog svojih sirovih specifikacija (spomenutih ranije), već i zato što pokazuje jasan put za integraciju neuromorfnih čipova u konvencionalne sustave. Izvana se ponaša kao memorijska komponenta, što znači da bi se mogao postaviti na memorijsku sabirnicu računala i raditi s postojećim CPU-ima spectrum.ieee.org. Ovakva integracija ključna je za komercijalizaciju. Rad u časopisu Science prikazao je NorthPole kako pokreće AI modele za viziju (poput ResNet-50 za klasifikaciju slika i YOLO za detekciju objekata) dramatično brže i učinkovitije od NVIDIA V100 GPU-a – pa čak i nadmašuje najjači NVIDIA H100 u energetskoj učinkovitosti za oko 5× spectrum.ieee.org. Jedan neovisni stručnjak, profesor Vwani Roychowdhury s UCLA-e, nazvao je rad “inženjerskim remek-djelom,” napominjući da, budući da analogna neuromorfna tehnologija još nije spremna, NorthPoleov digitalni pristup “predstavlja kratkoročnu opciju za primjenu AI-ja blizu mjesta gdje je potreban.” spectrum.ieee.org. Drugim riječima, IBM je pokazao da neuromorfni čipovi već sada mogu imati praktičan utjecaj, koristeći današnju tehnologiju izrade. Ovaj razvoj bio je široko popraćen u tehnološkim medijima i viđen kao veliki korak prema uvođenju neuromorfnih ideja u stvarne proizvode.
• AI inspiriran mozgom za svemir i obranu: Tijekom 2022. i 2023. agencije poput NASA-e i američkog Ministarstva obrane počele su eksperimentirati s neuromorfnim procesorima za specijalizirane namjene. NASA je testirala neuromorfni čip (Loihi) za obradu satelitskih slika i navigaciju svemirskih letjelica, gdje su otpornost na zračenje i niska potrošnja energije ključni. Ideja je da mali neuromorfni koprocesor na satelitu može analizirati podatke senzora na licu mjesta (npr. detektirati značajke na površini planeta ili anomalije u telemetriji letjelice) bez potrebe za stalnom komunikacijom sa Zemljom, čime se štedi propusnost i energija. Laboratorij zračnih snaga SAD-a surađivao je sa startupima (npr. BrainChip) kako bi provjerio može li neuromorfna tehnologija mapirati složene signale senzora za autonomne zrakoplove ili sustave za detekciju projektila embedded.com. Ekstremna energetska učinkovitost i učenje u stvarnom vremenu neuromorfnih sustava vrlo su privlačni za autonomne vojne sustave koji rade na baterije ili solarnu energiju. Ovi projekti su uglavnom u fazi testiranja, ali ukazuju na rastuće povjerenje u pouzdanost neuromorfnog hardvera izvan laboratorija.
• Komercijalni Edge AI proizvodi: Do 2025. svjedočimo prvim komercijalnim proizvodima koji ugrađuju neuromorfnu tehnologiju. Na primjer, BrainChipov Akida IP licenciran je za upotrebu u automobilskim senzorima – jedan primjer je korištenje neuromorfnih mreža za analizu podataka s automobilskih senzora tlaka u gumama radi otkrivanja proklizavanja guma ili promjena uvjeta na cesti u stvarnom vremenu. Drugi primjer su pametni kućni uređaji: neuromorfna kamera koja može prepoznavati osobe i upravljati gestama na samom uređaju, a pritom raditi mjesecima na jednoj bateriji. Ovi proizvodi još nisu poznati široj javnosti, ali pokazuju da neuromorfno računalstvo pronalazi put do nišnih, visokovrijednih primjena. Analitičari predviđaju da će, kako Internet stvari (IoT) raste, potreba za malim, energetski učinkovitim AI-em eksplodirati, a neuromorfni čipovi mogli bi zauzeti značajan dio tog tržišta ako se pokažu jednostavnima za integraciju. Izvještaji o istraživanju tržišta predviđaju brz rast prihoda od neuromorfnog računalstva u sljedećem desetljeću – po stopi složenog godišnjeg rasta od 25-30% – što bi potencijalno moglo stvoriti višemilijardno tržište do 2030. godine builtin.com.
• Globalna suradnja i konferencije: Neuromorfna zajednica aktivno dijeli napredak. Konferencije poput Neuromorphic Engineering workshop (Telluride) i IEEE-ovih Neuro Inspired Computational Elements (NICE) bilježe porast sudionika. Godine 2023. na Telluride radionici prikazani su robotski psi pod neuromorfnom kontrolom, demonstracije prepoznavanja lica na jednoplošnim neuromorfnim sustavima i još više primjena neuromorfne fuzije senzora. Također, rastu i open-source inicijative – primjerice, Spiking Neural Network Architecture (SpiNNaker) kod i simulatori dostupni su istraživačima diljem svijeta, a Intelov Lava softver za Loihi postao je open-source krajem 2022., pozivajući zajednicu na doprinos algoritmima i primjenama.
• AI energetska kriza i neuromorfna nada: Tema u novijim vijestima je energetski trošak AI-a. Kako veliki jezični modeli i AI usluge troše sve više energije (neke procjene navode da industrija AI-a koristi ogroman i rastući udio globalne električne energije), neuromorfno računalstvo često se ističe kao potencijalno rješenje. Početkom 2025. članak na Mediumu istaknuo je da energetski otisak AI-a naglo raste i nazvao neuromorfne čipove “zelenom, pametnom budućnošću AI-a”, sugerirajući da bi 2025. mogla biti prijelomna godina u kojoj će industrija ozbiljno razmotriti čipove nadahnute mozgom za smanjenje potrošnje energije medium.com. Ova se priča sve više pojavljuje u tehnološkom novinarstvu i na AI konferencijama: u suštini, neuromorfno računalstvo za održivi AI. I vlade, kroz inicijative za energetski učinkovito računalstvo, počinju financirati neuromorfna istraživanja s dvostrukim ciljem održavanja rasta AI performansi i smanjenja troškova energije i ugljika.

Svi ovi razvojni događaji oslikavaju sliku područja koje brzo napreduje na više frontova: znanstveno razumijevanje, inženjerska postignuća i početna komercijalna ispitivanja. Stječe se dojam da neuromorfno računalstvo prelazi iz duge faze inkubacije u fazu praktične demonstracije. Iako još nije “ušlo u mainstream”, napredak u razdoblju 2023.–2025. sugerira da bi se to moglo promijeniti u narednim godinama. Konsenzus u zajednici je da bi, ako se preostale prepreke (posebno softver i skalabilnost) prevladaju, neuromorfna tehnologija mogla biti prekretnica za omogućavanje sljedećeg vala umjetne inteligencije – onog koji je adaptivniji, stalno uključen i energetski učinkovitiji od onoga što možemo postići s postojećim arhitekturama.

Stručna mišljenja o budućnosti

Za zaokružiti ovaj pregled, korisno je čuti što stručnjaci iz tog područja govore o neuromorfnom računalstvu i njegovoj budućnosti. Evo nekoliko pronicljivih citata i stajališta vodećih istraživača i predstavnika industrije:

• Dharmendra S. Modha (IBM Fellow, glavni znanstvenik za računalstvo inspirirano mozgom): “NorthPole spaja granice između računalstva inspiriranog mozgom i računalstva optimiziranog za silicij, između računanja i memorije, između hardvera i softvera.” spectrum.ieee.org Modha naglašava da IBM-ov pristup s NorthPole-om briše tradicionalne razlike u dizajnu računala – stvarajući novu klasu čipa koji je istovremeno procesor i memorija, i hardver i algoritam. On već dugo zagovara da je su-lociranje memorije i računanja ključ za postizanje učinkovitosti slične mozgu. Po njegovom mišljenju, pravi neuromorfni čipovi zahtijevaju promišljanje cijelog sloja, a NorthPoleov uspjeh u nadmašivanju GPU-ova dokaz je da ovaj nekonvencionalni pristup funkcionira. Modha je čak sugerirao da bi, ako se skaliraju, neuromorfni sustavi mogli jednog dana dosegnuti mogućnosti ljudskog korteksa za određene zadatke, i to koristeći samo djelić energije današnjih superračunala spectrum.ieee.org.
• Mike Davies (direktor Intelovog laboratorija za neuromorfno računarstvo): “Trošak računalne obrade današnjih AI modela raste neodrživom brzinom… Industriji su potrebni temeljno novi pristupi koji mogu skalirati.” newsroom.intel.com Davies često govori o zidu energetske učinkovitosti na koji AI nailazi. Ističe da jednostavno dodavanje više GPU-ova nije dugoročno održivo zbog ograničenja energije i skalabilnosti. Neuromorfno računarstvo, tvrdi on, jedan je od rijetkih puteva za nastavak napretka. Intelova strategija to odražava: ulaganjem u neuromorfna istraživanja poput Loihi i Hala Point, cilj im je otkriti nove algoritme (poput kontinuiranog učenja, rijetkog kodiranja itd.) koji bi buduću AI mogli učiniti ne samo bržom, već i mnogo učinkovitijom. Davies je istaknuo kako neuromorfni čipovi briljiraju u zadacima poput adaptivne kontrole i osjeta, te predviđa njihovu integraciju u veće AI sustave – možda AI poslužitelj s nekoliko neuromorfnih akceleratora uz GPU-ove, gdje svaki obrađuje zadatke u kojima je najbolji. Njegova izjava naglašava da će skalabilnost u AI zahtijevati promjene paradigme, a neuromorfni dizajn je jedna od tih promjena.
• Carver Mead (pionir neuromorfnog inženjerstva): (Iz povijesne perspektive) Mead je često izražavao divljenje prema učinkovitosti biologije. U intervjuima je govorio stvari poput: “Kada imate 10¹¹ neurona koji svi računaju paralelno, možete napraviti stvari s jednim džulom energije za koje bi konvencionalnom računalu trebalo kilodžule ili više.” (parafrazirano iz raznih govora). Meadova vizija iz 1980-ih – da bi miješanje analogne fizike s računarstvom moglo otključati sposobnosti slične mozgu – napokon daje rezultate. Vjeruje da je neuromorfno inženjerstvo “prirodni nastavak Mooreovog zakona” darpa.mil na neki način: kako skaliranje tranzistora daje sve manje koristi, moramo pronaći nove načine korištenja velikog broja tranzistora, a njihovo korištenje za oponašanje moždanih krugova (koji daju prednost energetskoj učinkovitosti nad preciznošću) logičan je sljedeći korak. Prema njegovim nedavnim komentarima, Mead ostaje optimističan da će nova generacija inženjera nastaviti usavršavati ove ideje i da će neuromorfna načela prožimati buduće računalne platforme (iako je Mead u mirovini, njegovo nasljeđe je prisutno u svakom neuromorfnom projektu).
• Vwani Roychowdhury (profesor elektrotehnike, UCLA): “S obzirom na to da analogni sustavi još nisu tehnološki sazreli, ovaj rad predstavlja opciju za blisku budućnost u kojoj se AI može primijeniti tamo gdje je najpotrebniji.” spectrum.ieee.org Roychowdhury je ovu procjenu dao u vezi s IBM-ovim NorthPole čipom. Kao neovisni akademik koji nije izravno vezan uz IBM ili Intel, njegovo mišljenje ima težinu: on priznaje da, iako je velika vizija analognih neuromorfnih procesora (koji bi, u teoriji, mogli biti još učinkovitiji i sličniji mozgu), činjenica je da oni još nisu spremni. U međuvremenu, čipovi poput NorthPole pokazuju da digitalni neuromorfni čipovi mogu premostiti jaz i donijeti neposredne koristi za primjenu AI-ja na rubu mreže spectrum.ieee.org. Njegova izjava ističe pragmatičan pogled u zajednici: koristiti ono što sada funkcionira (čak i ako su to digitalno simulirani neuroni) kako bi se počele ostvarivati koristi, a istovremeno nastaviti istraživanja na egzotičnijim analognim uređajima za budućnost. To je potvrda da je neuromorfna tehnologija već danas spremna za određene zadatke.
• Istraživači iz Los Alamos National Laboratory: U članku iz ožujka 2025., AI istraživači iz Los Alamosa napisali su da “neuromorfno računalstvo, sljedeća generacija AI-ja, bit će manje, brže i učinkovitije od ljudskog mozga.” en.wikipedia.org Ova smjela tvrdnja odražava optimizam koji neki stručnjaci imaju o krajnjem potencijalu neuromorfnih dizajna. Iako je biti “manji i brži” od ljudskog mozga vrlo ambiciozan cilj (mozak je izvanredno snažan stroj od 20 vata), poanta je u tome da neuromorfno računalstvo može dovesti do AI sustava koji ne samo da se približavaju ljudskoj inteligenciji, već zapravo nadmašuju mozak u sirovoj brzini i učinkovitosti za određene operacije. Kontekst te izjave je ideja da su mozgovi, iako nevjerojatni, proizvod biologije i imaju svoja ograničenja – strojevi inspirirani mozgom mogli bi potencijalno optimizirati izvan tih ograničenja (na primjer, komunikacija električnim signalima na kraćim udaljenostima nego što to omogućuju biološki neuroni može omogućiti brže širenje signala, korištenje materijala koji dopuštaju veće frekvencije “okidanja” itd.). To je dugoročna vizija, ali je značajno da ozbiljni istraživači razmatraju takve mogućnosti.

Ova stajališta zajedno prikazuju područje koje je istovremeno usmjereno prema budućnosti i prizemljeno. Stručnjaci priznaju prepreke, ali su očito uzbuđeni zbog smjera razvoja. Dosljedna tema je da se neuromorfno računalstvo smatra ključem budućnosti računalstva – posebno za AI i strojno učenje. Nije riječ o zamjeni mozga ili stvaranju svjesnih strojeva, već o nadahnuću biologijom kako bi se prevladala trenutna ograničenja. Kako je Modha elokventno sažeo, cilj je spojiti najbolje iz oba svijeta: prilagodljivost i učinkovitost sličnu mozgu s prednostima modernog silicijskog računalstva spectrum.ieee.org.

Daljnje čitanje i izvori

Za one koji žele dublje istražiti neuromorfno računalstvo, ovdje su neki vjerodostojni izvori i reference:

• IBM Research – Neuromorfno računalstvo: IBM-ov pregledni članak “Što je neuromorfno računalstvo?” pruža pristupačan uvod i ističe IBM-ove projekte poput TrueNorth i NorthPole ibm.comibm.com.
• Intelova zajednica za neuromorfna istraživanja: Intelove vijesti i istraživački blogovi sadrže novosti o Loihi i Hala Pointu, uključujući priopćenje za medije iz travnja 2024. s detaljima o specifikacijama i ciljevima Hala Pointa newsroom.intel.com.
• DARPA SyNAPSE program: DARPA-ina objava iz 2014. o IBM-ovom TrueNorth čipu nudi uvid u motive (energetska učinkovitost) i arhitekturu čipa darpa.mil.
• IEEE Spectrum: Članak iz listopada 2023. “IBM predstavlja čip inspiriran mozgom za brzi, učinkoviti AI” autora Charles Q. Choi detaljno analizira NorthPole čip i uključuje komentare stručnjakaspectrum.ieee.org.
• Nature i Nature Communications: Za akademski pogled, Nature Communications (travanj 2025.) objavio je “Put do komercijalnog uspjeha za neuromorfne tehnologije” nature.com koji raspravlja o budućnosti i preostalim izazovima. Science (listopad 2023.) ima tehnički rad o NorthPoleu za one koji žele dublje proučiti pojedinosti.
• BuiltIn i Medium članci: Tehnološka stranica BuiltIn ima sveobuhvatan uvod u neuromorfno računarstvo, uključujući prednosti i izazove objašnjene laičkim jezikom builtin.com. Također, neki autori na Mediumu napisali su članke (npr. o tome zašto tvrtke poput IBM-a i Intela ulažu u neuromorfno računarstvo) iz perspektive šire publike medium.com.

Neuromorfno računarstvo je brzo napredujuće područje na sjecištu računalnih znanosti, elektronike i neuroznanosti. Predstavlja hrabro ponovno osmišljavanje načina na koji gradimo strojeve koji “misle”. Kao što smo istražili, put od koncepta do stvarnosti traje desetljećima, ali napredak je neosporan i ubrzava se. Ako se trenutni trendovi nastave, čipovi inspirirani mozgom uskoro bi mogli nadopuniti CPU-ove i GPU-ove u našim uređajima, čineći umjetnu inteligenciju sveprisutnom i ultra-učinkovitom. Riječima jednog istraživačkog tima, neuromorfna tehnologija je “sljedeća generacija umjetne inteligencije” en.wikipedia.org – evolucija koja bi mogla temeljno promijeniti računarstvo kakvo poznajemo. To je područje koje vrijedi pratiti u godinama koje dolaze.

Izvori:

• IBM Research, “What is Neuromorphic Computing?” (2024 )ibm.com
• DARPA News, “SyNAPSE Program Develops Advanced Brain-Inspired Chip” (kolovoz 2014) darpa.mil
• Intel Newsroom, “Intel Builds World’s Largest Neuromorphic System (Hala Point)” (17. travnja 2024.) newsroom.intel.com
• IEEE Spectrum, “IBM Debuts Brain-Inspired Chip For Speedy, Efficient AI” (23. listopada 2023.) spectrum.ieee.org
• BuiltIn, “What Is Neuromorphic Computing?” (2023) builtin.com
• Nature Communications, “Put do komercijalnog uspjeha za neuromorfne tehnologije” (15. travnja 2025.) nature.com
• Wikipedia, “Neuromorfno računalstvo” (pristupljeno 2025.) en.wikipedia.org