В этой статье в тезисной форме сравнивается энергоэффективность современных больших языковых моделей (LLM) и человеческого мозга.

Преамбула: разрыв в эффективности

Человеческий мозг эффективнее LLM в 10–30 миллионов раз по энергопотреблению на один когнитивный акт. Разница объясняется фундаментальными различиями в архитектуре, принципах обучения и физической реализации.

Цифры для понимания масштаба

Человеческий мозг:

• Энергопотребление: ~20 Вт (всего)
• Операций в секунду: ~10¹⁶ синаптических операций
• Энергия на одну операцию: ~1–2 × 10⁻¹⁸ Дж (аттоджоули)
• Энергоэффективность: 100 триллионов операций на ватт

Современная LLM (например, GPT-4):

• Энергопотребление: ~1–3 МВт (тренировка) / ~1–10 кВт (инференс)
• Операций в секунду: ~10¹⁵–10¹⁶ FLOPs
• Энергия на одну операцию: ~10⁻¹²–10⁻¹⁰ Дж (пикоджоули)
• Энергоэффективность: ~0,001–1 операция на ватт

То есть мозг выполняет в 100 миллионов раз больше «полезной работы» на единицу энергии, чем лучшие чипы, запускающие LLM.

Почему мозг так эффективен?

Причина 1. Аналоговые вычисления против цифровых

Мозг использует аналоговые процессы: нейроны интегрируют непрерывные градиенты ионных токов и мембранных потенциалов. Один синапс может выполнять сложные вычисления, для которых в цифровом мире нужны тысячи транзисторов.

LLM работают на цифровых чипах (GPU/TPU), где каждый бит требует отдельного транзистора. Умножение матриц требует миллиардов операций с плавающей запятой — это крайне расточительно.

Аналогия: мозг считает «на пальцах» с бесконечной градацией, а LLM перебирает гигантские таблицы умножения с 32-значными числами, даже когда нужно просто понять, что 2+2=4.

Причина 2. Рекуррентность и временная динамика

Мозг использует рекуррентные сети: один и тот же нейрон участвует в вычислениях многократно. Время становится ресурсом.

LLM на основе трансформеров статичны: каждый токен проходит через все слои за один проход. Чтобы обработать контекст из 1000 токенов, модель выполняет миллиарды операций.

Энергетический эффект: мозг «растягивает» вычисления во времени. LLM тратят энергию на параллельные операции.

Причина 3. Разреженность (sparsity)

В мозге одновременно активны лишь 1–10% нейронов. Это разреженное кодирование.

В LLM задействованы почти все параметры (например, 1,8 триллиона у GPT-4). Даже при инференсе активируется почти вся сеть.

Энергетический эффект: мозг включает только нужную подцепь. LLM греют всю планету, чтобы ответить на вопрос «как тебя зовут?».

Причина 4. Обучение один раз — использование многократно

Мозг обучается локально и постепенно. Для использования знаний не нужно обратное распространение ошибки (backpropagation).

LLM при обучении выполняют в 3–5 раз больше операций, чем при прямом проходе. Даже при инференсе они делают гигантское число умножений, которые мозг заменяет одной локальной операцией.

Энергетический эффект: мозг не делает «обратного хода» во время мышления. LLM выполняют ту же сложность, что и при обучении, только без изменения весов.

Причина 5. Использование физики для вычислений

Каждый синапс — молекулярная машина, работающая на энергии АТФ (~0,3 эВ). Переключение ионного канала требует ~10⁻²⁰ Дж — это уровень теплового шума. Мозг работает на пределе термодинамического минимума.

Транзистор в GPU переключается с энергией ~10⁻¹⁵ Дж — в 100 000 раз больше физического минимума. Умножение матриц требует миллионов таких переключений.

Ирония: природа за 3,5 миллиарда лет эволюции «вычислила», что химические градиенты и ионные токи энергетически выгоднее, чем электроны в кремнии.

Причина 6. Встроенная база знаний

Мозг — это не просто сеть, а сложная архитектура с врожденными структурами: зрительная кора, гиппокамп, мозжечок. Эволюция уже «заплатила» за них энергией.

LLM должны выучить всю структуру с нуля. Это требует сотен ГВт·ч на обучение (например, GPT-3), которые амортизируются, но остаются огромными.

Конкретный пример: ответ на вопрос

Задача: «В чем разница между метаном и этаном?»

Что делает мозг:

• Активирует ~10 млн нейронов (из 86 млрд)
• Проводит ~100 спайков каждые 100 мс
• Изменяет ~10 синапсов (если запоминает)
• Потребляет ~0,00003 Вт·ч (0,1 Дж)

Что делает GPT-4:

• Загружает 1,8 трлн параметров
• Выполняет 10¹⁶ операций умножения матриц
• Ничего не меняет (инференс)
• Потребляет ~10 кВт·ч (36 МДж)

Разница — в 360 миллионов раз.

Можно ли сделать LLM эффективнее?

LLM неэффективны по дизайну. Трансформер был создан для машинного перевода и оптимизирован под параллельность GPU, а не под энергоэффективность.

Но есть технологии, приближающие ИИ к мозгу:

• Разреженные трансформеры: активируют 5–10% весов на токен. Работает, но сложно обучать.
• Нейроморфные чипы (Intel Loihi, IBM TrueNorth, SpiNNaker): аналоговые вычисления, спайковые сети. В 10 000 раз эффективнее GPU, но не умеют обучать как LLM.
• Квантование до 4–8 бит: уже используется. Снижает точность, но не критично.
• Модели с «включением экспертов» (MoE): включают 10% параметров на токен. Используются в Mixtral, Gemini — в 5–10 раз эффективнее.
• Жидкие нейронные сети (Liquid SNN): рекуррентные, с временной динамикой. На стадии исследований.

Но даже лучшие нейроморфные чипы в 1000 раз менее эффективны, чем мозг, потому что не используют биохимию (ионные каналы, молекулярные моторы).

Итог: можно ли догнать мозг?

Разница в энергопотреблении складывается из нескольких эффектов:

• Аналоговые вычисления: ×10⁴ – 10⁶
• Разреженность: ×10¹ – 10²
• Рекуррентность: ×10¹ – 10²
• Локальное обучение без backprop: ×10¹⁰ – 10¹⁴
• Использование биохимии: ×10⁴ – 10⁵

Можно ли догнать? Теоретически — да. Если создать аналоговые спайковые чипы, работающие на пределе теплового шума, и научить их обучаться локально (например, по правилу STDP), то через 20–30 лет можно приблизиться к эффективности мозга.

Но для этого нужно отказаться от цифровой абстракции, 32-битной точности и backprop — то есть от всего, на чём построены современные LLM.

Пока LLM — это гигантский паровой молот, который забивает маленькие гвозди, потребляя энергию небольшого города.

Нейроморфные чипы: уже сейчас или ещё нет?

Короткий ответ: они уже существуют и доступны, но не для массового потребителя.

SpiNNaker2: нейроморфный суперкомпьютер с 5 млрд нейронов. Работает в Sandia National Laboratories и Дрезденском техническом университете. Доступен через облако. Полная конфигурация стоит несколько миллионов евро.

BrainChip Akida 2.0: чип для edge AI, работает на событийно-управляемых вычислениях. В производстве с 2026 года. Продает IP-лицензии производителям.

SynSense Xylo: ультранизкопотребляющие чипы (микроватты). Используются в носимых устройствах, IoT, медицинских BCI. Коммерчески доступны с 2023 года.

Innatera Pulsar: нейроморфный микроконтроллер с SNN и RISC-V. Доступен с 2025 года.

VectorWave: аналоговый ИИ-процессор для обработки RF-сигналов до оцифровки. Seed-раунд в 2026 году. Латентность — наносекунды.

Когда это станет доступно обычным людям?

Нейроморфные чипы не заменят ноутбуки и телефоны в ближайшие 5–10 лет. Три пути коммерциализации:

• Облачные сервисы: аренда SpiNNaker2 — уже доступно.
• Промышленные контроллеры: BrainChip Akida в роботах и датчиках — ближайшие годы.
• Потребительские устройства: нейроморфные сопроцессоры в смартфонах — не раньше 2030 года.

Главные барьеры: отсутствие готового ПО, необходимость переобучать инженеров, масштабирование производства.

Рынок и стоимость

Рынок нейроморфных чипов:

• 2025 год: $0,77 млрд
• 2026 год: $0,87 млрд (рост 12,5%)
• 2030 год: $1,38–1,92 млрд

Ключевой драйвер — робототехника. В 2023 году в Европе установлено более 92 тысяч промышленных роботов.

Оценка эксперта

Нейроморфные чипы — не технология будущего, а реальность. Но пока — в узких нишах: национальная безопасность, робототехника, умные датчики.

Обычный человек не купит такой чип в магазине в 2026 году. Но может арендовать нейроморфный суперкомпьютер в облаке — как AWS для GPU, только для спайковых сетей.

Главный барьер — софт. Спайковые сети плохо обучаются с backprop. Нужны локальные правила, как в мозге. Промышленного стандарта пока нет.

Переломный момент наступит, когда кто-то покажет LLM на нейроморфном чипе с той же производительностью, но в 10 000 раз меньшим энергопотреблением. По текущим темпам — это произойдёт в 2028–2030 годах.

Данная статья содержит в тезисной форме сравнение эффективности современных LLM и человеческого мозга.

Преамбула: Человеческий мозг эффективнее LLM в 10–30 миллионов разпо энергопотреблению на один когнитивный акт.

Причина — фундаментальные различия в архитектуре, принципах обучения и физической реализации.

Часть 1. Цифры для понимания масштаба

Человеческий мозг

Современная LLM (например, GPT-4)

Энергопотребление

~20 Вт (всего)

~1–3 МВт (тренировка) / ~1–10 кВт (инференс)

Операций в секунду (эквивалент)

~10¹⁶ синаптических операций

~10¹⁵–10¹⁶ FLOPs

Энергия на одну операцию

~1–2 × 10⁻¹⁸ Дж (аттоджоули)

~10⁻¹²–10⁻¹⁰ Дж (пикоджоули)

Энергоэффективность

100 триллионов операций на ватт

~0,001–1 операция на ватт ( мозг в 10¹⁴ раз эффективнее)

То есть мозг делаетв 100 миллионов раз больше «полезной работы» на единицу энергии, чем лучшие современные чипы, запускающие LLM.

Часть 2. Главные причины энергоэффективности мозга

Причина 1. Аналоговые вычисления против цифровых

Мозг:нейроны и синапсы работаютаналогово. Вместо представления чисел битами (0 и 1) нейроны интегрируют непрерывные градиенты нейромедиаторов, ионных токов и мембранных потенциалов. Это позволяетодному синапсувыполнять сложные нелинейные вычисления, для которых в цифровом мире нужны тысячи транзисторов.

LLM:работают на цифровых чипах (GPU/TPU), где каждый бит информации требует отдельного транзистора, а умножение матриц — миллиарды операций с плавающей запятой. Цифровая абстракция (отделить данные от вычислений, хранить точность 16/32 бита) невероятно расточительна.

Аналогия:мозг считает «на пальцах» с бесконечной градацией, а LLM — перебирает гигантские таблицы умножения с 32-значными числами, даже когда нужно просто понять, что 2+2=4.

Причина 2. Рекуррентность и временная динамика (вместо глубины)

Мозг:нейронные сетирекуррентныидинамичны. Один и тот же нейрон участвует в вычислениях многократно, информация циркулирует по петлям обратной связи. Время — это ресурс вычислений.

LLM:трансформерыстатичныипоследовательны. Каждый токен проходит через все слои (например, 96 слоев в GPT-4) за один проход. Чтобы учесть контекст в 1000 токенов, модель должна выполнить 96×1000× (огромное число) операций.

Энергетический эффект:мозг «растягивает» вычисления во времени, используя одни и те же нейроны многократно. LLM расплачивается гигантским количеством параллельных операций, каждая из которых требует энергии.

Пример:чтобы запомнить слово из 5 букв, LLM нужно пропустить его через миллиарды параметров. Мозг просто изменяет вес одного синапса.

Причина 3. Разреженность (sparsity) — почти никто не работает одновременно

Мозг:в любой момент времени активно только1–10% нейронов. Остальные молчат. Это называетсяразреженное кодирование.

LLM:в трансформерах в каждый момент задействованывсе параметрымодели (например, 1.8 триллиона параметров у GPT-4). Даже при инференсе активируется почти вся сеть.

Энергетический эффект:мозг включает «ту самую нужную» маленькую подцепь для задачи. LLM греет всю планету, чтобы ответить на вопрос «как тебя зовут?».

Причина 4. Обучение один раз — использование многократно (без обратного прохода при инференсе)

Мозг:обучение (синаптическая пластичность) происходитлокальноипостепенно. Для использования уже выученного не нужно делать обратное распространение ошибки (backpropagation).

LLM:обучение требует многократного прохода всей базы данных с обратным распространением ошибки через все слои — это в 3–5 раз больше операций, чем прямой проход. Но даже при инференсе (использовании) трансформер выполняетгигантское число умножений матриц, которые биологический нейрон заменяет одной локальной операцией.

Энергетический эффект:мозг не делает «обратного хода» во время мышления. LLM на GPU считает ту же сложность, что и при обучении, только без изменения весов.

Причина 5. Использование физики для вычислений (биохимия и ионные каналы)

Мозг:каждый синапс — это молекулярная машина, работающая на энергии АТФ (∼0.3 эВ на акт). Переключение ионного канала требует ∼10⁻²⁰ Дж — этотепловой шум. Мозг работает на пределе термодинамического минимума.

LLM:транзистор в GPU переключается с энергией ∼10⁻¹⁵ Дж (при 5 нм техпроцессе) — это в100 000 раз большефизического минимума. А умножение матриц на 32-битных числах требует миллионов таких переключений.

Ирония:природа «вычислила» за 3.5 миллиарда лет эволюции, что энергетически выгоднее использоватьхимические градиенты и ионные токи, чем электроны в кремнии.

Причина 6. Огромная база знаний, встроенная в архитектуру (не в веса)

Мозг:не просто нейронная сеть, асложная архитектура с врожденными структурами: зрительная кора, слуховая кора, гиппокамп, мозжечок и т.д. Эволюция уже «заплатила» энергией за эти структуры, и они достаются бесплатно каждому новому человеку.

LLM:всю структуру (каждый слой, каждую связь) нужновыучить с нуляиз данных. Это требует гигантских энергозатрат на обучение (сотни ГВт·ч для GPT-3), которые потом амортизируются при использовании, но все равно остаются огромными.

Часть 3. Конкретный пример: почему GPT-4 тратит 100 кВт·ч, а мозг — 0.0005 кВт·ч на тот же ответ

Возьмем задачу:«В чем разница между метаном и этаном?»

Что делает мозг

Что делает GPT-4

Активирует ~10 млн нейронов в коре (из 86 млрд)

Загружает 1.8 трлн параметров в память

~1 кВт·ч (3.6 МДж)

Проводит ~100 спайков через каждые 100 мс

Выполняет 10¹⁶ операций умножения матриц

~10 кВт·ч (36 МДж)

Изменяет ~10 синапсов (если что-то запомнил)

Ничего не меняет (инференс)

~0.1 Дж (0,00003Вт*ч)

~10 кВт·ч (36 000 000 Дж)

Разница в360 миллионов раз.

Часть 4. Почему LLM такие неэффективные — можно ли исправить?

LLM неэффективны по дизайну. Трансформер был изобретен длямашинного перевода, где нужно обрабатывать последовательности фиксированной длины с максимальной параллельностью. Параллельность — это хорошо для GPU (считают быстро), но ужасно для энергоэффективности.

Что делают, чтобы приблизиться к мозгу:

Технология

Текущий статус

Разреженные трансформеры

Активировать только 5–10% весов на токен

Работает, но сложно обучать

Нейроморфные чипы(Intel Loihi, IBM TrueNorth, SpiNNaker)

Аналоговые вычисления, спайковая нейронная сеть

В 10 000 раз эффективнее GPU, но пока не умеют обучать как LLM

Квантование до 4–8 бит

Вместо 16–32 бит точности

Уже используют (4 бита — точность падает, но не критично)

Модели с «включением экспертов» (MoE)

Включать только 10% параметров на токен

Используют в Mixtral, Gemini — в 5–10 раз эффективнее

Жидкие нейронные сети (Liquid SNN)

Рекуррентные, с временной динамикой

Только исследования

Но:даже лучшие нейроморфные чипы все еще в1000 разменее энергоэффективны, чем мозг, потому что они не используютбиохимические градиенты(ионные каналы, молекулярные моторы).

Итог: почему мозг лучше (и можно ли догнать)

Эффект (разница в энергопотреблении)

Аналоговые вычисления

× 10⁴ – 10⁶

Разреженность (1% нейронов активно)

Рекуррентность (вычисления во времени)

Локальное обучение без backprop

× 10¹ – 10²

Использование биохимии (ионные каналы)

× 10⁴ – 10⁵

× 10¹⁰ – 10¹⁴

Можно ли догнать?Если мы создадиманалоговые спайковые нейроморфные чипы, работающие на пределе теплового шума, и научим их обучаться локально (как STDP — spike-timing-dependent plasticity) — то да, в теории, через 20–30 лет можно приблизиться к эффективности мозга.Но для этого придется отказаться от цифровой абстракции, точности 32 бита и обратного распространения ошибки — то есть от всего, на чем построены современные LLM.

Пока же LLM — этогигантский паровой молот, который забивает маленькие гвозди, потребляя энергию небольшого города.

Когда нейроморфные чипы (которые в 10 000–100 000 раз эффективнее GPU) станут реальностью?

Короткий ответ:они УЖЕ существуют, и их уже можно купить или арендовать в облаке. Но это не потребительские устройства — это специализированное оборудование для исследователей, оборонных структур и промышленности.

Часть 1. Что уже существует и работает прямо сейчас

1.1 SpiNNaker2 — самый мощный коммерческий нейроморфный суперкомпьютер

Статус:уже развернут и работает. Первая установка — в Sandia National Laboratories (США, ядерная безопасность).

Характеристики:

·5 млрд нейроновв полуконфигурации (максимальная коммерческая версия — 10 млрд)

·5.25 млн ядерARM M4F на чипах (152 ядра на чип, 48 чипов на карту, 90 карт в стойке, 8 стоек)

·Работает без операционной системы и дисков— данные хранятся только в SRAM и DRAM для максимальной скорости

·Энергоэффективность:динамическое изменение напряжения от 0.45В до 0.6В, частоты — в зависимости от нагрузки

Где используется:

·         Sandia National Laboratories (национальная безопасность США)

·         Дрезденский технический университет (Германия) — закупили систему за€250,000

·         Доступен через облако (можно арендовать)

Цена:публично не раскрыта, но тендер на воздушную систему SpiNNaker2 составил€250,000. Полная конфигурация на 10 млрд нейронов будет значительно дороже.

Ключевая особенность:этогибридная система— поддерживает и спайковые нейронные сети (SNN), и глубокие нейронные сети (DNN), и символьный AI. Можно запустить GPT-слой прямо на нейроморфном чипе.

1.2 BrainChip Akida 2.0 — коммерческий чип для edge AI

Статус:уже в производстве. Проект AKD2500 запущен в феврале 2026 года, прототип ожидается вQ3 2026.

Характеристики:

·         Техпроцесс TSMC12 нм

·         Бюджет разработки:$2.5 млн

·         Работает на принципесобытийно-управляемых вычислений(как мозг: спайки только когда нужно)

BrainChip Akida 2.0— второе поколение нейроморфной процессорной платформы, разработанной компанией BrainChip. Имитирует работу человеческого мозга для эффективной обработки данных на граничных устройствах, обеспечивая высокую производительность при низком энергопотреблении.

Для чего:обработка сенсорных данных на краю (edge AI) — умные датчики, носимые устройства, промышленный IoT.

Цена:отдельно чип не продается — BrainChip продаетIP-лицензиипроизводителям чипов. Стоимость лицензии не раскрыта.

1.3 SynSense Xylo — ультра-низкопотребляющие чипы

Статус:коммерчески доступны. В 2023 году выпустилиXylo IMU HDK— набор для разработки на нейроморфном чипе.

Характеристики:

·         Потребление:микроватты(для сравнения: GPU — ватты)

·Серия Xylo— это базовый вычислительный модуль для инвазивных и неинвазивных нейрокомпьютерных интерфейсов, который выступает в роли низкоразмерного естественного процессора сигналов общего назначения. Использует уникальный алгоритм шипованной рекуррентной нейронной сети и полностью параллельную событийно-ориентированную архитектуру для высокоточной обработки нейронных сигналов в режиме реального времени при энергопотреблении на уровне микроватт. .

Он поддерживает онлайн-обучение и обработку данных с датчиков в режиме реального времени, обеспечивая постоянное интеллектуальное восприятие на периферии устройства. Встроенный аналоговый интерфейс и процессор на основе нейронной сети совместимы с различными датчиками, такими как аудиодатчики, инерциальные измерительные блоки и датчики давления, что позволяет объединять мультимодальные сигналы для расширения интерактивных возможностей и повышения общей производительности системы.

Серия Rigi— это инвазивный чип для биокомпьютерного интерфейса, предназначенный для высокотехнологичных медицинских применений. Он отличается сверхнизким энергопотреблением и высокой пропускной способностью. Его основная задача — обеспечить высокопроизводительную аппаратную основу для точного сбора и обработки нейронных сигналов.

Серия Rigi предназначена для клинического применения в таких областях, как мониторинг лекарственно-устойчивой эпилепсии, реабилитация при параличе и интеллектуальное управление протезами. Она ускорит переход от лабораторных разработок к реальным медицинским решениям на основе технологии BCI.

Серия Aeveon Eye— это миниатюрный малопотребляющий чип для распознавания изображений, разработанный для устройств дополненной и виртуальной реальности. Он использует технологию пикселей с обратной засветкой и кодирование со сжатием в реальном времени, обеспечивая сверхнизкую задержку менее 1 мс и динамически регулируя энергопотребление в зависимости от частоты кадров (от 4 мВт при 30 кадрах в секунду до 50 мВт при 1000 кадрах в секунду). Благодаря компактному форм-фактору 3,4×3,4 мм и конструкции с глобальным затвором он представляет собой легкое и высокоэффективное визуальное решение для смарт-очков и гарнитур.

Серия DVSимитирует событийно-ориентированный механизм биологической сетчатки глаза и предлагает полный спектр решений — от базовых до промышленных. Она подает сигнал только при обнаружении изменений в окружающем освещении, что позволяет перейти от «непрерывной регистрации» к «восприятию на основе событий».

Цена:не раскрыта (обычно такие dev-киты стоят $500–5000 для исследователей).

1.4 Innatera Pulsar — микроконтроллер со спайковой нейросетью

Статус:анонсирован в мае 2025 года, уже доступен.

Характеристики:

Pulsar — это нейроморфный микроконтроллер, созданный по образу и подобию человеческого мозга и предназначенный для сверхэнергоэффективной обработки данных в режиме реального времени в периферийных устройствах. Он сочетает в себе механизм спайковой нейронной сети (Spiking Neural Network, SNN) с микроконтроллером RISC-V и ускорением сверточных нейронных сетей, что позволяет создавать интеллектуальные сенсорные приложения без привязки к облаку.

1.5.·TSP1 — Applied Brain Research- процессор временных рядов 1 (Time Series Processor 1, TSP1) от Applied Brain Research — чип-процессор временных рядов, созданный на основе принципов работы мозга и предназначенный для периферийных ИИ-приложений со сверхнизким энергопотреблением. Он использует обработку на основе сетей состояний для распознавания речи в реальном времени

Цена:не раскрыта.

Часть 2. Что появится в ближайшие 1–2 года

2.1 Коммерческий дебют аналоговых нейроморфных чипов

По прогнозамAnalog Devices, к концу2026 годааналоговые нейроморфные вычисления начнут выходить из пилотных проектов в раннее коммерческое использование.

Где увидят первыми:

·Робототехника(гуманоидные роботы с локальным интеллектом)

·Носимые устройства(умные часы, слуховые аппараты)

·Автономные системы(дроны, беспилотники)

Что это даст:латентность внаносекунды(вместо миллисекунд у GPU) и энергопотребление на порядки ниже.

2.2 VectorWave — нейроморфная обработка радиочастотных сигналов

Статус: CEO— Бен Тейлор (Ben Taylor), ранее работавший в Cisco. В марте 2026 года, собрали$2.5 млнseed-раунда.

Технология:обрабатывает сырые RF-сигналыдо их оцифровки— напрямую на аналоговом нейроморфном чипе.

В основе VectorWave лежит аналоговый ИИ-процессор, специально разработанный для радиочастотного логического вывода на уровне сигналов. Благодаря логическому выводу в физической области он позволяет принимать решения за наносекунды непосредственно на радиочастотном уровне, сокращая объем передаваемых данных, уменьшая задержку и энергопотребление еще до того, как сигналы попадут в цифровые системы.

Латентность:наносекунды (для сравнения: цифровая обработка — миллисекунды).

Применение:устойчивая связь в перегруженном радиочастотном спектре (стадионы, крупные мероприятия, умные фабрики).

Когда будет доступно:не раскрыто, но seed-раунд закрыт — значит, разработка активно идет.

Часть 3. Когда это станет доступно обычным людям?

Здесь нужно быть честным:нейроморфные чипы не заменят ваш ноутбук или телефон в ближайшие 5–10 лет.

Три пути коммерциализации:

Облачные сервисы

Аренда SpiNNaker2 через облако (уже доступно)

Уже сейчас

Промышленные контроллеры

BrainChip Akida в роботах и датчиках

Потребительские устройства

Нейроморфные сопроцессоры в смартфонах/умных часах

Почему так долго?

1.    Нужно переписать ПО — текущие нейросети (PyTorch, TensorFlow) не работают на спайковых чипах "из коробки"

2.    Нужно обучить инженеров новой парадигме

3.    Нужно масштабировать производство

Часть 4. Сколько это стоит? (реальные цифры)

4.1 Цены на системы (B2B)

Что входит

SpiNNaker2 (воздушное охлаждение)

1 борт, интеграция, бенчмарки

SpiNNaker2 (полная конфигурация, 10 млрд нейронов)

несколько млн €

1440 плат, 10 млн ядер

4.2 Цены на разработку чипов

BrainChip AKD2500

Прототип Q3 2026

VectorWave

$2.5 млн(seed-раунд)

Ранняя стадия

4.3 Рыночные оценки

·Рынок нейроморфных чипов в 2025 году:$0.77 млрд

·Прогноз на 2026:$0.87 млрд (рост 12.5%)

·Прогноз на 2030:$1.38–1.92 млрд (в зависимости от сегмента)

Ключевой драйвер роста:робототехника и автоматизация. В 2023 году в Европе установлено92,393 промышленных робота— и многие из них перейдут на нейроморфные чипы в ближайшие 5 лет.

Часть 5. Резюме: когда и сколько

Они уже существуют?

✅ Да. SpiNNaker2, BrainChip Akida, SynSense Xylo — уже работают.

Где их используют сейчас?

Национальные лаборатории США (ядерная безопасность), исследовательские центры в Германии, оборонные проекты.

Можно ли купить?

✅ Да, но B2B. Нужно заключать контракт с производителем.

Сколько стоит самая дешевая система?

€250,000— воздушная версия SpiNNaker2 (тендер в Дрездене).

Когда появятся в телефонах?

~2030+— сначала в промышленности, потом в потребительских устройствах.

Можно ли арендовать в облаке?

✅ Да, SpiNNaker2 уже доступен через облако.

Часть 6. Оценка эксперта

Коротко:нейроморфные чипы — это не "технология будущего". Этореальность прямо сейчас, но в очень специфических нишах: национальная безопасность, робототехника, умные датчики.

Для обычного человека:ты не купишь нейроморфный чип в магазине в 2026 году. Но ты уже можешь арендовать нейроморфный суперкомпьютер в облаке за несколько сотен евро в час (как AWS для GPU, только для SNN).

Главный барьер:не железо, асофт. Спайковые нейронные сети требуют совершенно новых алгоритмов обучения — обратное распространение ошибки (backprop) работает плохо. Нужны локальные правила обучения, как STDP в мозге. Это активно исследуется, но промышленного стандарта еще нет.

Когда будет переломный момент:когда кто-то (Google? OpenAI? Китайский стартап?) покажет, что LLM на нейроморфном чипе работает так же хорошо, как на GPU, но потребляет в 10 000 раз меньше энергии. Тогда инвесторы хлынут рекой. По текущим темпам —2028–2030 годы.