Ученые Московского физико-технического института решили одну из главных проблем современного искусственного интеллекта - так называемое «катастрофическое забывание», когда нейросети теряют старые знания при обучении новым задачам. Исследователи скопировали механизм работы человеческого мозга и воплотили его в компьютерной архитектуре. Результат позволит создать системы, которые учатся непрерывно, как люди, и сохраняют накопленный опыт - это ключ к революции в робототехнике, беспилотных автомобилях и медицинских ассистентах нового поколения.
Почему ИИ "теряет память": суть проблемы
Представьте ситуацию: вы потратили годы на обучение навыку, а затем началось обучение новому - и первый навык испарился. Именно это происходит с современными нейросетями. Феномен назвали «катастрофическим забыванием» (от англ. catastrophic forgetting), и он был впервые систематически описан еще в 1989 году американскими исследователями из Университета Карнеги - Меллона.
Суть проблемы заключается в том, что искусственные нейросети хранят информацию не в виде отдельных файлов, а распределяют её по миллионам параметров. Когда система обучается на новых данных, алгоритм стохастического градиентного спуска переписывает эти параметры - и старая информация стирается как тень на влажной доске. Это происходит не случайно, а является фундаментальным свойством архитектуры современных моделей.
Ведущий научный сотрудник лаборатории нейробиоморфных технологий МФТИ Сергей Лобов использует яркую аналогию: нейросети работают как тропинки в лесу. Когда в процессе обучения прокладываются новые маршруты, старые маршруты постепенно зарастают и становятся невидимыми. В контексте ИИ это означает полную потерю предыдущих данных.
Почему это критично? Попробуйте представить автономный автомобиль, который забывает правила дорожного движения после каждого обновления. Или медицинский ассистент, который теряет опыт диагностики при обучении новому методу лечения. Это грозит катастрофой.
Мозг подсказал решение: ревайринг как универсальный механизм
Вместо того чтобы искать ответ в алгоритмах, ученые МФТИ обратились к нейробиологии. Человеческий мозг идеально решает проблему, которая ломает машины: он постоянно учится новому, не теряя старые навыки и знания. Как это ему удается?
Ответ кроется в механизме, который называется «ревайринг» - буквально «перепроводка». Это постоянная перестройка нейронных связей, которая происходит в нашем мозге во время консолидации памяти - процесса преобразования кратковременных воспоминаний в долговременные.
Сергей Лобов объясняет: «Возможно, мы нашли ответ на одну из главных загадок мозга: как он умудряется учиться новому, не стирая при этом старые "файлы". Всё дело в постоянной перестройке нейронных связей - ревайринге. Именно он превращает хрупкую кратковременную память в прочные долговременные воспоминания».
Механизм работает следующим образом:
1. Фаза обучения: под воздействием внешнего сигнала сеть учится, связи между нейронами усиливаются, и формируется кратковременная память (это называется синаптической пластичностью, зависящей от спайков, или STDP).
2. Фаза консолидации: после того как внешний сигнал выключается, сеть остается наедине со своей спонтанной активностью. В этот момент включается ревайринг - система самостоятельно перестраивает свою анатомическую структуру, буквально впечатывая изученный паттерн в карту синапсов.
3. Результат: кратковременная память становится долговременной - это устойчивое структурное изменение в архитектуре сети, которое ученые назвали «самоорганизованной консолидацией памяти».
Как это воплотили в искусственном интеллекте
Команда МФТИ адаптировала механизм ревайринга для искусственных нейросетей, объединив его с традиционными методами обучения. Итоговая архитектура позволяет нейросети одновременно сохранять старую и новую информацию, минимизируя риск катастрофического забывания.
Ключевые особенности решения:
- Спайковые нейронные сети (SNN): новый подход в ИИ, который имитирует работу настоящего человеческого мозга, где нейроны обмениваются импульсами (спайками), а не непрерывными значениями.
- Динамическая перестройка соединений: связи между виртуальными нейронами не просто обновляются, а целенаправленно перестраиваются в процессе обучения, создавая стабильный «каркас» для долговременного хранения информации.
- Энграммные клетки: исследователи выявили, что определённые нейроны в модели выполняют роль, подобную энграммным клеткам в мозге - они создают стабильный «каркас» для долговременного хранения информации.
На сегодняшний день технология реализована в виде компьютерной модели. Но эта модель уже демонстрирует принципиально новые возможности: ИИ теперь может учиться непрерывно, адаптируясь к новым условиям, при этом сохраняя накопленный опыт.
Что дальше: нейроморфный процессор - аппаратное воплощение
Цифровая модель - это только начало. Параллельно ученые МФТИ работают над созданием физического нейроморфного процессора, который воплотит принципы ревайринга на уровне кремния.
Нейроморфные процессоры - это принципиально новый класс чипов, где вычисления и память неразделимы, как в человеческом мозге. В традиционных CPU и GPU память и процессор расположены отдельно, что создает узкое место (так называемое фон-неймановское узкое место). Это приводит к огромным потерям энергии: современные видеопроцессоры для ИИ потребляют 300–700 ватт на один чип.
Нейроморфные процессоры работают иначе:
- Параллелизм: тысячи «нейронов» работают одновременно, как в мозге, вместо последовательной обработки.
- Энергоэффективность: сокращают потребление электричества в сотни раз по сравнению с GPU.
- Встроенная память: информация хранится прямо в соединениях, без постоянных переносов данных между блоками.
Практические применения: где это изменит всё
Технология МФТИ откроет путь к совершенно новому классу ИИ-систем:
1. Беспилотные автомобили нового поколения
Waymo и другие компании уже работают над автономными такси, но текущие системы требуют постоянного переобучения при встрече с новыми дорожными ситуациями. Непрерывно обучающийся ИИ сможет адаптироваться в реальном времени, сохраняя при этом фундаментальные навыки вождения.
2. Роботы-исследователи и автономные системы
Роботы, отправляемые в опасные среды (пещеры, марсианские поверхности, глубины океана), смогут учиться на каждом шаге, адаптируясь к неожиданностям, но сохраняя базовые протоколы безопасности.
3. Персональные медицинские ассистенты
Система здравоохранения нуждается в ИИ, который учится индивидуально для каждого пациента, сохраняя при этом общемедицинские знания. Такой ассистент сможет сопровождать пациента всю жизнь, адаптируясь к его меняющимся потребностям.
4. Долгожившие системы в критичных приложениях
Везде, где ИИ должен работать годами и десятилетиями (космические миссии, ядерные реакторы, системы жизнеобеспечения), он сможет постоянно совершенствоваться без рисков разрушить ранее выученное.
Вопросы и ответы
В: Когда эта технология будет доступна?
О: Цифровая модель уже готова, но создание нейроморфного процессора потребует 3–5 лет. После этого потребуется адаптация существующих фреймворков под новую аппаратуру. Ожидаемое появление в коммерческих системах - 2027–2029 годы.
В: Сможет ли это заменить обычные GPU для ИИ?
О: Нейроморфные процессоры будут особенно эффективны для долгоживущих автономных систем с непрерывным обучением. Для статичных задач (обучение модели один раз и развертывание) традиционные GPU останутся более практичными.
В: Это российское изобретение будет защищено патентом?
О: Да, результаты МФТИ защищены интеллектуальной собственностью. Однако это фундаментальное исследование, и результаты будут публиковаться в научных журналах.
В: Какие еще страны работают над аналогичными решениями?
О: DeepMind (Google), MIT, и китайские университеты также изучают непрерывное обучение и спайковые сети. Однако подход МФТИ с ревайрингом уникален тем, что копирует именно механизм консолидации памяти человеческого мозга.
В: Это решает проблему AGI (общего искусственного интеллекта)?
О: Нет, это решает одну из проблем на пути к AGI. Непрерывное обучение без забывания - это необходимое условие, но не достаточное. Потребуются и другие прорывы в понимании контекста, трансферного обучения и общего рассуждения.
Почему это важно для вас прямо сейчас
Пока нейроморфные процессоры разрабатываются в лабораториях, понимание того, как работает память ИИ, уже меняет то, как мы строим системы. Компании, которые примут эту парадигму раньше других, получат конкурентное преимущество в следующей волне ИИ-революции.
Это не просто технический прорыв - это философский поворот в том, как мы думаем об искусственном интеллекте. Если ИИ сможет учиться так же, как люди, сохраняя опыт, то он становится не просто инструментом, а партнером, способным расти вместе с нами.
Следите за новостями - впереди еще много открытий! Если вам нравится углубляться в технологические прорывы и понимать, как они меняют наш мир, подписывайтесь и не пропустите следующие материалы о революции в ИИ. Оставляйте комментарии - ваше мнение о будущем искусственного интеллекта важно!
Первоисточники статьи:
- Известия, 11 ноября 2025 - «Памятная data: ученые нашли способ побороть «деменцию» у ИИ»
- IT Speaker, 21 ноября 2025 - «Российские ученые нашли способ борьбы с «деменцией» ИИ»
- За науку (МФТИ), 14 ноября 2025 - «Ученые усилили память ИИ в сотни тысяч раз»
- Mail.ru Hi-Tech, 13 ноября 2025 - «МФТИ решает проблему забывания в ИИ»
- TechInsider - «Google разработал новую модель обучения ИИ»
- Neuro-AI - «В МФТИ создают память, которая позволит ИИ учиться без потери знаний»