Третье поколение Intel Loihi

В начале 2026 года в профессиональном сообществе появились обоснованные предположения о готовящемся анонсе чипа Loihi 3. Если эти данные подтвердятся, перед нами окажется уже третье поколение нейроморфных процессоров Intel — линейки, которую компания методично развивает на протяжении почти десяти лет. В этом материале мы разберёмся, что такое нейроморфные вычисления, почему Intel настойчиво инвестирует в эту экзотическую архитектуру и чем Loihi принципиально отличается от привычных CPU и GPU.

Где традиционные процессоры упираются в предел

Нейроморфные вычисления появились не как модная тенденция, а как инженерный ответ на давнее и фундаментальное противоречие. Все современные CPU и GPU — от мобильных чипов до серверных ускорителей — работают по архитектуре фон Неймана 1945 года: процессор и память физически разделены и постоянно обмениваются данными через шину. Такая схема прекрасно справляется с детерминированными задачами: компиляцией кода, рендерингом, финансовыми расчётами. Но когда речь заходит об обработке разреженных, непрерывно меняющихся данных в задачах ИИ, постоянная перегонка тензоров между памятью и вычислительными блоками превращается в источник колоссальных энергозатрат.

Человеческий мозг — наглядный контрпример. Потребляя около 20 Вт, он справляется с задачами восприятия, адаптации и непрерывного обучения, которые ставят в тупик датацентры мощностью в мегаватты. Принципиальное отличие мозга от компьютера — в том, что вычисления и хранение информации здесь не разнесены: каждый нейрон одновременно хранит синаптические веса и вычисляет выходной сигнал. Именно этот принцип в конце 1980-х годов сформулировал Карвер Мид из Калифорнийского технологического института и назвал нейроморфными вычислениями.

Intel вошла в эту область не с нуля. К 2017 году, когда компания объявила о создании Loihi, внутри Intel Labs уже существовало четыре поколения исследовательских нейроморфных чипов, большинство из которых так и не стали публичными. Loihi стал пятым по счёту и первым, открытым для широкого научного сообщества.

Loihi первого поколения: архитектурный фундамент

Loihi был анонсирован 25 сентября 2017 года и изготовлен по 14-нм техпроцессу Intel. Площадь кристалла — 60 мм², транзисторный бюджет — 2,07 млрд. Однако реальное значение чипа определяется не этими цифрами, а набором архитектурных решений.

В основе Loihi — 128 нейроморфных ядер, объединённых асинхронной mesh-сетью. Каждое ядро вмещает до 1024 нейронов — цифровых элементов, работающих по принципу импульсной нейронной сети (Spiking Neural Network, SNN). Нейрон не вычисляет непрерывно: большую часть времени он остаётся неактивным, накапливает потенциал от входящих сигналов и генерирует короткий импульс (спайк) лишь при превышении порогового значения. После этого потенциал сбрасывается и цикл начинается заново. Если входные сигналы слабые или отсутствуют — большинство ядер буквально ничего не делают и почти не потребляют энергию.

Информация в SNN кодируется не числовыми значениями активаций, как в обычных глубоких сетях, а временными паттернами: частотой спайков и задержками между ними. Это меняет модель вычислений радикально: вместо синхронной обработки матричных умножений по тактовому сигналу система реагирует на события асинхронно — в момент их возникновения.

Уникальной особенностью Loihi, не имевшей аналогов в индустрии на тот момент, стал встроенный движок обучения в каждом ядре. Он позволяет обновлять синаптические веса прямо на чипе в режиме реального времени, без выгрузки данных наружу. Поддерживаются разновидности STDP (spike-timing-dependent plasticity) — метода, воспроизводящего биологический механизм усиления и ослабления синапсов в зависимости от временной корреляции активностей. Помимо 128 нейроморфных ядер, чип содержит три управляющих ядра на архитектуре Quark x86 для вспомогательной логики.

Суммарно Loihi насчитывает 131 072 нейрона и 130 млн синапсов. Напряжение питания — от 0,5 до 1,25 В. Чипы поддерживают масштабирование через межчиповый интерфейс в единую mesh-структуру с поддержкой до 16 384 чипов.

По данным Intel, в ряде специализированных задач Loihi демонстрировал кратное превосходство по скорости и энергоэффективности над традиционными CPU. В задачах типа LASSO преимущество по метрике energy-delay product превышало три порядка величины относительно CPU-решателей в сопоставимых условиях.

Масштабирование Loihi 1: Kapoho Bay, Pohoiki Beach и Pohoiki Springs

Параллельно с открытием доступа к чипам Intel планомерно наращивала масштаб исследовательских систем на базе Loihi 1.

Kapoho Bay — самая компактная из них: плата с двумя чипами и 262 000 нейронами, рассчитанная на edge-сценарии и потребляющая десятки милливатт.

Pohoiki Beach — представлен в июле 2019 года на саммите DARPA Electronics Resurgence Initiative. Система включала 64 чипа Loihi, объединённых на платах Intel Nahuku (каждая плата вмещала от 8 до 32 чипов), суммарно — 8 млн нейронов. Intel тогда уже декларировала линейное масштабирование энергопотребления: расширение нейронной сети в 50 раз требовало лишь 30% дополнительной мощности против 500% у традиционного оборудования.

Pohoiki Springs — появился в марте 2020 года: 768-чиповая система со 100 млн нейронов, размещённая в шасси объёмом пять стандартных серверных юнитов и потребляющая менее 500 Вт. Intel позиционировала её как систему, сопоставимую по нейронной ёмкости с мозгом небольшого млекопитающего. Система стала доступна членам Intel Neuromorphic Research Community (INRC) через облачный интерфейс.

Loihi 2: второе поколение и переход на EUV-литографию

В сентябре 2021 года Intel представила второе поколение нейроморфного чипа — Loihi 2. Он стал первым публично анонсированным продуктом Intel, изготовленным на предсерийной версии техпроцесса Intel 4 с EUV-литографией — задолго до того, как этот узел появился в массовых продуктах.

При сохранении высокоуровневой преемственности с Loihi 1 (те же 128 нейроморфных ядер в mesh-топологии) внутренняя архитектура была переработана кардинально:

  • Площадь кристалла сократилась с 60 до 31 мм²
  • Транзисторный бюджет вырос с 2,07 до 2,3 млрд
  • Количество нейронов на чипе увеличилось с 131 072 до 1 048 576
  • Число управляющих ядер на нейроморфное ядро выросло с трёх Quark до шести Lakemont

Принципиальным архитектурным нововведением стали спайки с целочисленной нагрузкой вместо строго бинарных сигналов. Это резко расширяет круг алгоритмов, применимых на Loihi 2: нейронная сеть теперь способна передавать не только факт срабатывания, но и количественную информацию в одном событии — так называемые graded spikes с нагрузкой до 32 бит.

Сравнение Loihi 1 и Loihi 2

Характеристика Loihi 1 (2017) Loihi 2 (2021)
Техпроцесс Intel 14 нм Intel 4 (EUV, предсерийный)
Площадь кристалла 60 мм² 31 мм²
Транзисторы 2,1 млрд 2,3 млрд
Нейронов на чип 128 000 1 млн
Синапсов 128 млн 120 млн
Нейроморфных ядер 128 128
Управляющих ядер 3 (Quark x86) 6 (Lakemont)
Память на нейронное ядро 208 KB, фиксированное 192 KB, гибкое распределение
Тип спайков Только бинарные (1 бит) Бинарные + 32-битные (graded spikes)
Кодирование информации Двоичные импульсы Градуированные импульсы до 32 бит
Напряжение питания 0,50–1,25 В 0,50–1,25 В

Нейроны Loihi 2 полностью программируемы: исследователь описывает кастомную модель нейрона на базовом языке инструкций и компилирует её в нейроморфные ядра. По данным Intel, Loihi 2 работает до 10 раз быстрее предшественника и обеспечивает 15-кратное увеличение плотности ресурсов. Ранние тесты зафиксировали 60-кратное снижение числа операций на инференс по сравнению с аналогичными алгоритмами на Loihi 1.

Одновременно с Loihi 2 Intel представила плату Kapoho Point — восемь чипов Loihi 2, допускающих горизонтальное масштабирование в стек для работы с моделями до миллиарда параметров или задачами оптимизации размерностью до восьми миллионов переменных. Вторая система — Oheo Gulch — предназначена для облачного доступа через INRC.

Программный фреймворк Lava

Вместе с Loihi 2 Intel открыла исходный код фреймворка Lava — библиотеки для разработки нейроморфных приложений. Lava реализован на Python по принципу Hardware Abstraction Layer: позволяет строить нейроморфные приложения без физического доступа к железу — код выполняется на CPU в режиме симуляции, а затем компилируется для Loihi 2 без изменений.

Это существенно снизило порог входа: исследователи могут разрабатывать и тестировать алгоритмы локально на обычном оборудовании, прежде чем запрашивать машинное время через INRC. Экосистема включает инструменты NxTF и Lava-DL для конвертации обученных ANN-моделей в SNN-эквиваленты.

Исследовательские применения и научные результаты

Loihi-чипы не являются коммерческим продуктом: они недоступны для свободной продажи и предоставляются исключительно членам Intel Neuromorphic Research Community (INRC). На протяжении нескольких лет это сообщество — более 150 академических групп, государственных лабораторий и компаний — накопило внушительный корпус результатов.

Наиболее резонансным стал электронный нос, разработанный Intel Labs совместно с Корнелльским университетом. Используя нейронный алгоритм, воспроизводящий работу обонятельных цепей мозга, Loihi обучили распознавать запахи 10 опасных химических веществ — предшественников взрывчатки и наркотиков.

Результат, опубликованный в Nature Machine Intelligence, поразил исследователей: чип усваивал каждый новый запах по одному единственному образцу и не забывал ранее усвоенные. Для достижения эквивалентного качества классификации стандартное Deep Learning-решение требовало в 3000 раз больше обучающих примеров.

Среди других направлений исследований — задачи онлайн-обучения в робототехнике, адаптивная обработка сенсорных потоков, задачи комбинаторной оптимизации и медицинская диагностика в режиме реального времени непосредственно на устройстве.

Hala Point: крупнейшая нейроморфная система в мире

В начале 2024 года Intel передала Национальной лаборатории Сандиа (Sandia National Laboratories) систему Hala Point — наиболее масштабную нейроморфную вычислительную систему из когда-либо построенных. Размещённая в 6U-шасси размером с обычную микроволновую печь, система вмещает 1152 чипа Loihi 2.

Суммарные характеристики Hala Point:

  • 1,15 млрд нейронов
  • 128 млрд синапсов
  • 140 544 нейроморфных процессорных ядра
  • 2300 встроенных x86-ядер для вспомогательных задач
  • Потребление — около 2600 Вт
  • Эффективность инференса глубоких нейросетей — до 15 TOPS/W при 8-битной точности

Для сравнения: предшествующая система Pohoiki Springs на Loihi 1 насчитывала 100 млн нейронов при потреблении 300–500 Вт. Hala Point плотнее в 15 раз и в 10 раз быстрее. Intel сопоставляет нейронную ёмкость системы с мозгом совы — небольшого, но высокоинтеллектуального хищника.

Ограничения нейроморфных процессоров

При всей привлекательности показателей энергоэффективности нейроморфные процессоры семейства Loihi остаются исследовательской технологией с рядом существенных ограничений.

Программируемость. Запустить стандартные трансформерные архитектуры (GPT, LLaMA) или диффузионные модели на Loihi напрямую невозможно: они используют непрерывные плавающие активации и плотные матричные умножения, несовместимые с импульсной парадигмой. Перевод обученной ANN в SNN-эквивалент технически возможен с помощью инструментов NxTF и Lava-DL, однако процесс нетривиален и влечёт потерю точности.

Отладка и верификация. Асинхронный характер вычислений делает воспроизводимость результатов значительно сложнее, чем в синхронных GPU-системах. Разработка диагностических инструментов для SNN остаётся активной областью исследований.

Область применимости. Нейроморфные чипы демонстрируют порядковые преимущества над GPU на разреженных, событийно-управляемых задачах: классификация сенсорных потоков, онлайн-обучение, задачи оптимизации. Для плотных вычислений с большими батчами — обучения больших языковых моделей или рендеринга — преимущества нейроморфных чипов исчезают или сменяются недостатками.

Зрелость экосистемы. Несмотря на открытость Lava, сообщество SNN-разработчиков несоизмеримо меньше PyTorch/CUDA-экосистемы. Готовых моделей, пайплайнов и документации на порядки меньше.

Заключение

Семейство Intel Loihi — это не конкурент GPU в привычном смысле, а ответ на принципиально иной класс задач. Там, где GPU берёт параллелизмом плотных матричных операций, Loihi делает ставку на событийность и разреженность: нейроны, молчащие большую часть времени, и обучение, происходящее прямо на кристалле без выгрузки в облако.

Нейроморфные процессоры не заменят GPU в задачах обучения больших языковых моделей — и скорее всего никогда этого не сделают. Их ниша — разреженные, непрерывные, энергетически ограниченные сценарии: автономная робототехника, промышленные сенсоры, медицинская диагностика на устройстве. Именно там, где сегодня приходится выбирать между приемлемым потреблением и приемлемой задержкой, Loihi способен предложить третий вариант.

Если вас интересуют серверные платформы для задач ИИ и машинного обучения, специалисты СервакМастер помогут подобрать оптимальную конфигурацию под ваши требования. Свяжитесь с нами для консультации.