Французские исследователи создали гибридную память, объединяющую обучение и вывод искусственного интеллекта на одном кристалле.
Аппаратный тупик ИИ
Современный искусственный интеллект упёрся не в алгоритмы, а в физику. Главным тормозом прогресса становится не математика, а железо, на котором работают нейросети.
Тренировка ИИ требует гигантских массивов специализированного кремния, колоссального энергопотребления и сложных систем охлаждения. Центры обработки данных уже перегружают энергосети, а охлаждение, зачастую основанное на водных системах, создаёт экологические и экономические проблемы.
Особенно энергоёмким остаётся обучение: оно требует миллиардов корректировок весов и непрерывных обменов между процессором и памятью.
Нейронные сети по сути аналоговы, а цифровые компьютеры — дискретны. Для аппроксимации аналоговых весов применяются представления с плавающей запятой, требующие огромных объёмов памяти и пропускной способности. Каждая корректировка во время обучения — это операция записи, и архитектуры памяти просто не рассчитаны на такую нагрузку. В результате — узкие места, задержки и огромные энергетические потери.
Эта неэффективность не только удорожает обучение больших моделей, но и делает невозможным самообучение ИИ в реальном времени. В отличие от мозга, цифровые нейросети не могут подстраиваться «на лету» — они проходят жёсткие циклы «обучение → развёртывание». Это фундаментальное ограничение аппаратной архитектуры.
Прорыв CEA-Leti: память, которая обучается и думает
Исследователи французского центра CEA-Leti представили решение, которое может изменить саму природу искусственного интеллекта.
В работе, опубликованной в журнале Nature Electronics 29 сентября 2025 года, они описали первую гибридную память, способную выполнять обучение и логический вывод на одном чипе.
Ключ к прорыву — объединение двух несовместимых ранее технологий:
- мемристоров, эффективных для логического вывода и аналоговых вычислений в памяти,
- и сегнетоэлектрических конденсаторов (FeCAP), идеально подходящих для быстрого, энергоэффективного обучения.
Проблема заключалась в том, что FeCAP не могли стабильно использоваться для вывода из-за разрушительного механизма считывания, а мемристоры — для обучения, так как плохо справлялись с частыми точечными обновлениями.
Команда Leti объединила обе функции в одном материале — стек на основе оксида гафния, легированного кремнием и дополненного титановым слоем. Меняя режим электрического «формования», тот же элемент может вести себя либо как FeCAP, либо как мемристор.
Во время обучения веса обновляются в режиме FeCAP, а при выполнении вычислений — в режиме мемристора. Периодически данные синхронизируются: наиболее точные веса из FeCAP переносятся в мемристорные ячейки, создавая баланс между точностью, энергоэффективностью и долговечностью.
Испытания и потенциал
Исследователи реализовали массив из 18 432 таких элементов, изготовленных с применением стандартного 130-нм КМОП-процесса — что особенно важно для масштабируемости.
Результаты показывают, что обучение и вывод могут сосуществовать на одном чипе, устраняя необходимость постоянного обмена с внешней памятью и снижая энергозатраты.
Возможные применения включают:
- автономный транспорт — локальное обучение на основе региональных паттернов движения;
- промышленную автоматику — адаптацию к постепенным изменениям в работе оборудования;
- медицинские сенсоры — индивидуализированный анализ данных пациента без передачи в облако.
Таким образом, гибридная память открывает путь к энергоэффективным, автономным системам ИИ, способным учиться и адаптироваться в реальном времени, не полагаясь на дата-центры.
От лаборатории — к новой парадигме
Несмотря на впечатляющие результаты, технология пока остаётся на стадии лабораторных испытаний. Остаются открытыми вопросы надёжности, вариативности и массового производства.
Если же гибридная архитектура FeCAP–мемристор будет доведена до промышленного уровня, она может сломать барьер между обучением и выводом, дав начало самообучающемуся аппаратному ИИ — системе, где вычисление и память сливаются в единое целое.
По сути, это первый шаг к “нейронным чипам”, которые не просто исполняют заранее обученные модели, а способны самостоятельно переосмысливать и обновлять знания — так, как это делает мозг.
Источник: https://www.electropages.com/blog/2025/10/first-ai-chip-learns-and-infers
Больше интересного – на медиапортале https://www.cta.ru/