Что такое Intel Loihi? Разбираем семейство нейроморфных процессоров от Intel
Третье поколение Intel Loihi
В начале 2026 года в сети появились слухи о возможном скором анонсе новейшего чипа Loihi 3. Если информация окажется верной, это будет уже третье поколение нейроморфных процессоров от Intel, семейство которых компания планомерно развивает вот уже практически 10 лет. Давайте в этой статье затронем тему нейроморфных процессоров и разберёмся: почему же Intel так упорно развивает семейство этих экспериментальных процессоров?
Где классические процессоры перестают справляться?
Нейроморфные вычисления возникли не на пустом месте. Они стали ответом на фундаментальное противоречие, которое накапливалось в отрасли на протяжении десятилетий. Все современные CPU и GPU: от мобильных чипов до серверных ускорителей – работают по принципу, описанному Джоном фон Нейманом в 1945 году: процессор и память разделены и постоянно обмениваются данными через шину. Эта архитектура блестяще подходит для детерминированных вычислений: компиляции кода, рендеринга изображений, финансовых расчётов. Но для задач искусственного интеллекта, где нейронная сеть обрабатывает разреженные, непрерывно меняющиеся данные, постоянная перегонка тензоров между памятью и вычислительными блоками оборачивается колоссальными энергозатратами.
Человеческий мозг – наглядный контрпример. Он потребляет около 20 ватт и при этом справляется с задачами восприятия, адаптации и непрерывного обучения, которые ставят в тупик датацентры мощностью в мегаватты. Принципиальное отличие мозга от компьютера состоит в том, что память и вычисления здесь не разделены: каждый нейрон одновременно хранит информацию в виде синаптических весов и производит вычисления, формируя выходной сигнал. Именно эту идею в конце 1980-х годов сформулировал Карвер Мид из Калифорнийского технологического института и назвал её нейроморфными вычислениями.
Intel тоже вошла в эту область не с нуля. К тому моменту, когда в 2017 году 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, представленным широкому научному сообществу.
Loihi первого поколения: архитектурная основа
Loihi был анонсирован 25 сентября 2017 года и изготовлен по 14-нм техпроцессу Intel. Это исследовательский чип площадью 60 мм² с 2,07 млрд транзисторов, однако его реальная значимость определяется не транзисторным бюджетом, а архитектурными принципами.
Сравнение трех основных архитектур современных вычислений. Источник: .
В основе Loihi лежат 128 нейроморфных ядер, объединённых асинхронной mesh-сетью. Каждое ядро содержит до 1024 нейронов – цифровых элементов, которые работают по принципу импульсной нейронной сети (Spiking Neural Network, SNN). Нейрон не производит вычислений непрерывно. Большую часть времени он остаётся неактивным, накапливает заряд от входящих сигналов и стреляет коротким импульсом (спайком) лишь тогда, когда накопленный потенциал превышает пороговое значение. После выброса потенциал сбрасывается и цикл начинается заново. Это означает, что при отсутствии входных сигналов или при слабой активности сети большинство ядер буквально ничего не делают и не потребляют энергию.
Информация в SNN кодируется не числовыми значениями активаций (как в обычных глубоких сетях), а временными паттернами: частотой спайков и временными задержками между ними. Это радикально меняет модель вычислений: вместо синхронной обработки матричных умножений по тактовому сигналу система обрабатывает события асинхронно, в момент их возникновения.
Ключевой и уникальной для индустрии особенностью Loihi стал встроенный движок обучения в каждом ядре. Он позволяет обновлять синаптические веса прямо на чипе в режиме реального времени, без выгрузки данных на внешний сервер. Поддерживаются несколько правил обучения, включая разновидности STDP (spike-timing-dependent plasticity) – метода, воспроизводящего то, как биологические синапсы усиливаются или ослабевают в зависимости от временной корреляции активностей. Помимо 128 нейроморфных ядер, на чипе присутствуют три управляющих ядра на архитектуре Quark x86, которые берут на себя вспомогательную логику.
Суммарно Loihi содержит 131 072 нейрона и 130 млн. синапсов. Чип функционирует при напряжении питания от 0,5 до 1,25 В и поддерживает масштабирование: несколько чипов могут объединяться через межчиповый интерфейс в единую mesh-структуру, поддерживающую до 16 384 чипов.
По данным Intel, в ряде специализированных задач Loihi демонстрировал кратное преимущество по скорости и энергоэффективности по сравнению с традиционными CPU. Для LASSO-задач Intel демонстрировала преимущество Loihi по метрике energy-delay product более чем на три порядка величины по сравнению с традиционными CPU-решателями в сопоставимых условиях.
Масштабирование Loihi 1: системы Kapoho Bay, Pohoiki Beach и Pohoiki Springs
Параллельно с предоставлением доступа к чипам Intel последовательно наращивала масштаб исследовательских систем на базе Loihi 1. Самой компактной из них стала Kapoho Bay – плата с двумя чипами и 262 000 нейронами, предназначенная для edge-задач и потребляющая десятки милливатт.
В июле 2019 года в рамках саммита DARPA Electronics Resurgence Initiative был представлен Pohoiki Beach: система из 64 чипов Loihi, содержащая 8 млн нейронов. Платформа строилась на платах Intel Nahuku, каждая из которых вмещала от 8 до 32 чипов. Уже тогда Intel декларировала способность системы обрабатывать нейронные алгоритмы с линейным масштабированием энергопотребления: расширение сети в 50 раз требовало лишь 30% дополнительной мощности против 500% у традиционного оборудования.
Рич Улиг, управляющий директор Intel Labs, держит в руках одну из плат Intel Nahuku. Источник: .
В марте 2020 года появился Pohoiki Springs – 768-чиповая система с 100 млн нейронов, размещённая в шасси объёмом пять стандартных серверов и потребляющая менее 500 Вт. Intel позиционировала её как систему, сопоставимую по нейронной ёмкости с мозгом небольшого млекопитающего. Pohoiki Springs 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. Loihi 2 стал первым публично анонсированным чипом Intel, изготовленным на предсерийной версии техпроцесса Intel 4 с EUV-литографией – задолго до того, как этот узел появился в массовых продуктах.
Архитектура Loihi 2. Источник: .
Несмотря на то что Loihi 2 сохраняет высокоуровневое сходство с предшественником: те же 128 нейроморфных ядер в mesh-топологии, внутренняя архитектура была переработана капитально. Площадь кристалла сократилась с 60 мм² до 31 мм² при одновременном росте транзисторного бюджета с 2,07 до 2,3 млрд. Количество нейронов на чипе выросло с 131 072 до 1 048 576. Каждое нейроморфное ядро теперь обслуживается не тремя, а шестью управляющими x86-совместимыми ядрами Lakemont.
Принципиальным архитектурным изменением стало введение спайков с целочисленной нагрузкой вместо строго бинарных сигналов. Это резко расширяет класс алгоритмов, которые можно запустить на Loihi 2: теперь нейронная сеть может передавать не только факт срабатывания, но и количественную информацию в одном событии.
Сравнение Loihi 1 и Loihi 2
Сводная таблица по техпроцессу, площади кристалла, числу транзисторов, архитектуре ядер, памяти и способам кодирования информации.
| 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 распределение | 192 KB, гибкое распределение |
| Тип спайков | Только бинарные (1 бит) | Бинарные + 32-битные (graded spikes) |
| Кодирование информации | Двоичные импульсы | Градуированные импульсы с нагрузкой до 32 бит |
| Напряжение питания | 0,50–1,25 В | 0,50–1,25 В |
Нейроны Loihi 2 полностью программируемы – исследователь может описать кастомную модель нейрона на базовом языке инструкций и компилировать её в нейроморфные ядра. По данным Intel, Loihi 2 работает до 10 раз быстрее предшественника и обеспечивает 15-кратное увеличение плотности ресурсов. Ранние тесты показали 60-кратное снижение числа операций на инференс по сравнению с аналогичными алгоритмами на Loihi 1.
Одновременно с Loihi 2 Intel представила новую систему Kapoho Point – плату с восемью чипами Loihi 2, допускающую горизонтальное масштабирование: такие платы можно объединять в стек для создания систем, способных работать с моделями до миллиарда параметров или с задачами оптимизации размерностью до восьми миллионов переменных. Вторая представленная система: Oheo Gulch, предназначена для облачного доступа через INRC.
Компактные нейроморфные платы Kapoho Point, способные масштабироваться в стеки до 8 штук. Источник: .
Программный фреймворк Lava
Вместе с Loihi 2 Intel открыла исходный код фреймворка Lava – библиотеки для разработки нейроморфных приложений. Lava реализован на Python, разработан по принципу Hardware Abstraction Layer и позволяет строить нейроморфные приложения без физического доступа к чипу: код выполняется на CPU в режиме симуляции, а затем компилируется для Loihi 2 без изменений.
Это стало важным снижением порога входа: исследователи могут разрабатывать и тестировать алгоритмы локально на обычном железе, прежде чем запрашивать время на аппаратуре через INRC.
Исследовательские применения и научные результаты
Loihi-чипы не являются коммерческим продуктом: они недоступны для свободной покупки и предоставляются исключительно членам Intel Neuromorphic Research Community (INRC).
На протяжении нескольких лет INRC – сообщество, насчитывающее более 150 академических групп, государственных лабораторий и компаний, накопило внушительный массив результатов, демонстрирующих практическую применимость нейроморфных вычислений.
Одним из наиболее резонансных стал электронный нос, разработанный совместно Intel Labs и Корнелльским университетом. Используя нейронный алгоритм, воспроизводящий работу обонятельных цепей мозга, Loihi был обучен распознавать запахи 10 опасных химических веществ – предшественников взрывчатки и наркотиков.
Один из исследователей Intel Labs держит в руках нейроморфный тестовый чип Loihi. Совместная исследовательская группа разработала математические алгоритмы на компьютерных чипах, имитирующие процессы, происходящие в нейронной сети головного мозга при ощущении запаха. Источник: .
Результат, опубликованный в , поразил исследователей: чип обучался каждому новому запаху по одному единственному образцу и не забывал ранее усвоенные. Для достижения эквивалентного качества классификации обычное решение с применением Deep Learning требовало в 3000 раз больше обучающих примеров.
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. Система размещена в 6U-шасси размером с обычную микроволновую печь и вмещает 1152 чипа Loihi 2.
Сама Intel сопоставляет нейронную ёмкость Hala Point с мозгом совы – небольшого, но высокоинтеллектуального хищника. Источник: .
Суммарные характеристики Hala Point впечатляют: 1,15 млрд нейронов, 128 млрд синапсов, 140 544 нейроморфных процессорных ядра и 2300 встроенных x86-ядер для вспомогательных задач. Система потребляет около 2600 Вт и достигает эффективности инференса глубоких нейросетей до 15 TOPS/W при 8-битной точности. Для сравнения: система Pohoiki Springs на Loihi 1 содержала 100 млн. нейронов при потреблении 300–500 Вт, то есть Hala Point плотнее в 15 раз и в 10 раз быстрее своего предшественника.
Проблемы нейроморфных процессоров
При всей привлекательности показателей энергоэффективности нейроморфные процессоры семейства Loihi остаются исследовательской технологией с рядом существенных ограничений.
Первое и самое главное – программируемость. Запуск стандартных трансформерных архитектур (GPT, LLaMA) или диффузионных моделей на Loihi напрямую невозможен: они используют непрерывные плавающие активации и плотные матричные умножения, что несовместимо с импульсной парадигмой. Перевод обученной ANN в SNN-эквивалент технически возможен (и инструментарий для этого появляется те же NxTF, Lava-DL), но процесс нетривиален и влечёт потерю точности.
Второе ограничение – отладка и верификация. Асинхронный характер вычислений делает воспроизводимость результатов значительно сложнее, чем в синхронных GPU-системах. Разработка диагностических инструментов для импульсных нейронных сетей остаётся активной областью исследований.
Третье – масштаб применимости. Нейроморфные чипы демонстрируют порядковые преимущества над GPU на разреженных, событийно-управляемых задачах (классификация сенсорных потоков, онлайн-обучение, оптимизация). Для плотных вычислений с большими батчами, таких как обучение больших языковых моделей или рендеринг, преимущества нейроморфных чипов обычно исчезают или сменяются недостатками.
Ну и конечно зрелость экосистемы. Несмотря на то что Lava является open-source, сообщество разработчиков SNN 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 вопросов. Там, где GPU берёт параллелизмом плотных матричных операций, Loihi делает ставку на событийность и спарситет: нейроны, которые молчат большую часть времени, и обучение, которое происходит прямо на кристалле без облака.
Нейроморфные процессоры не заменят GPU в задачах обучения больших языковых моделей и вряд ли когда-либо это сделают. Их область это 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 сумеет предложить третий вариант.
