Мир искусственного интеллекта столкнулся с парадоксом: чем умнее становятся машины, тем больше энергии они пожирают. Обучение одной большой языковой модели может потребовать более 27 гигаватт-часов электроэнергии — столько же, сколько небольшой город расходует за год. Но в апреле 2026 года группа ученых из Кембриджского университета представила решение, способное переломить эту тенденцию. Их «мозгоподобный» чип сокращает энергопотребление ИИ-систем до 70%, и это не просто теоретическая модель, а работающий прототип, прошедший лабораторные испытания.
🔥 Проблема: почему современный ИИ так прожорлив
Чтобы понять ценность открытия, нужно разобраться в устройстве современных компьютеров. Традиционные чипы работают по архитектуре, где память и процессор — это два разных блока. Информация постоянно курсирует между ними: процессор запрашивает данные из памяти, обрабатывает их и отправляет обратно.
Проблема в том, что на эти «путешествия» тратится огромное количество энергии. Представьте себе огромную библиотеку, где книги хранятся в одном здании, а читают их в другом — и каждую книгу нужно возить туда-сюда грузовиком. Примерно так же неэффективно работают и современные ИИ-системы.
Особенно остро эта проблема стоит при обучении больших языковых моделей. Один такой «тренировочный забег» может потреблять свыше 27 ГВт·ч энергии. А учитывая, что количество ИИ-моделей и их размеры растут экспоненциально, проблема энергопотребления становится критической.
🧠 Решение: мемристор, который думает как нейрон
Ученые из Кембриджа под руководством доктора Бабака Бахита из кафедры материаловедения и металлургии предложили элегантное решение, подсмотренное у природы.
В человеческом мозге нет разделения на «память» и «процессор». Нейроны и их соединения — синапсы — одновременно и хранят информацию, и обрабатывают ее. Инженеры создали электронный аналог синапса — устройство под названием мемристор (memory resistor — резистор с памятью).
Как работает мемристор:
Мемристор — это компонент, который меняет свое электрическое сопротивление в зависимости от того, какой ток через него пропускали раньше. Важнейшее свойство — он «помнит» свое состояние даже после отключения питания.
В новой разработке ключевым материалом стал оксид гафния (HfO₂) — вещество, которое уже широко используется в полупроводниковой промышленности. Но кембриджские ученые модифицировали его, добавив стронций и титан.
Сравнение типов памяти по энергоэффективности:
Первый тип — традиционная память. Ее принцип работы основан на раздельном хранении и обработке данных. Энергопотребление такого типа высокое из-за постоянной передачи данных между блоками, а способность к обучению у нее отсутствует.
Второй тип — традиционный мемристор. Его работа основана на образовании проводящих нитей в оксидном слое. Энергопотребление таких устройств оценивается как среднее или высокое из-за нестабильности нитей, требующей постоянного контроля. Способность к обучению у них ограниченная.
Третий тип — кембриджский мемристор. Он работает за счет управляемого изменения энергобарьера на p-n-переходе. Энергопотребление у него крайне низкое — рабочие токи в миллион раз меньше, чем у обычных мемристоров. И главное, он обладает способностью к обучению, имитируя биологическую пластичность нейронов.
💡 Технологический прорыв: в чем уникальность кембриджской разработки
Мемристоры известны не первый год. Однако у большинства из них есть фатальный недостаток — нестабильность.
Дело в том, что обычные мемристоры работают за счет образования крошечных «проводящих нитей» внутри оксидного слоя. Эти нити образуются и разрушаются случайным образом, что приводит к разбросу параметров от устройства к устройству и от цикла к циклу. Это как если бы каждый раз включалась лампочка с непредсказуемой яркостью.
Кембриджская команда решила эту проблему кардинально иначе. Вместо того чтобы полагаться на случайные нити, они создали структуру, где переключение состояний происходит на границе двух слоев материала — так называемом p-n-переходе.
Ключевые характеристики нового устройства:
По рабочим токам переключения: новое устройство демонстрирует токи на уровне 10⁻⁸ Ампера, что в миллион раз ниже, чем у обычных оксидных мемристоров. Это фундаментальное преимущество, обеспечивающее энергоэффективность.
По количеству различимых состояний: устройство поддерживает сотни различных уровней. Это ключевое преимущество для аналоговых вычислений, тогда как обычные мемристоры способны различать лишь десятки состояний.
По циклической стабильности: устройство остается стабильным на протяжении десятков тысяч циклов переключения, сохраняя программируемые состояния без потерь.
По времени удержания состояния: устройство хранит информацию около суток, чего достаточно для большинства вычислительных задач.
По способности к обучению: устройство воспроизводит STDP-пластичность, имитируя естественный механизм обучения нейронов — усиливая или ослабляя связи в зависимости от важности поступающей информации.
🎯 Результаты лабораторных испытаний
Исследование, поддержанное Шведским исследовательским советом, Европейским исследовательским советом и Королевской инженерной академией, прошло строгую научную валидацию. Результаты были опубликованы в престижном журнале Science Advances 20 марта 2026 года.
В ходе испытаний мемристоры оставались стабильными на протяжении десятков тысяч циклов переключения.
Новый чип воспроизводит фундаментальный механизм биологического обучения — пластичность, зависящую от времени возникновения импульсов (Spike-Timing-Dependent Plasticity, STDP). Это означает, что оборудование способно не просто хранить данные, а именно учиться — усиливать или ослаблять связи в зависимости от того, насколько важна поступающая информация.
То, что раньше требовало сложного программного моделирования, теперь может происходить прямо на аппаратном уровне, с чудовищной энергоэффективностью.
🔮 Будущее и главное препятствие
Технология уже существует и работает в лаборатории. Это не теоретическая модель, а реальный прототип, который прошел испытания. Однако путь до массового производства занимает время.
Главное препятствие — температура производства. Сейчас процесс изготовления требует нагрева до 700°C, что превышает стандартные нормы полупроводникового производства. Для сравнения: обычные чипы производятся при температурах, не превышающих 400-450°C.
Хорошая новость в том, что ученые уже работают над снижением температурного порога. Они ищут способы интегрировать свои устройства в стандартные технологические процессы без необходимости перестраивать заводы.
Еще одно важное преимущество: оксид гафния — это уже стандартный материал в полупроводниковой промышленности. Его активно используют в современных транзисторах. Это означает, что внедрение новой технологии не потребует кардинальной смены материаловедческой базы.
Патент на технологию уже подан через Cambridge Enterprise — инновационное подразделение университета.
💎 Заключение: тихая революция
2026 год становится переломным для энергоэффективных вычислений. Разработка кембриджских ученых — не единственная в этой области, но одна из самых перспективных благодаря уникальному сочетанию стабильности, низкого энергопотребления и способности к аппаратному обучению.
Конечно, пройдет еще несколько лет, прежде чем такие чипы появятся в наших смартфонах или дата-центрах. Но направление задано. И оно ведет к тому, что ИИ станет не только умнее, но и значительно «зеленее».