Нейросети ускорили ещё в 4 раза

https://habr.com/ru/companies/bothub/news/959936/

Вычисления прямо в памяти (In-Memory Computing)
В обычном цифровом компьютере (включая чипы Nvidia и AMD), данные хранятся в одном месте (оперативная память/видеопамять), а обрабатываются в другом (процессор/GPU). Для каждой операции данные нужно пересылать туда и обратно по "проводам" (шинам данных). Это занимает много времени и энергии.
Новый аналоговый чип использует резистивную память (RRAM), которая позволяет хранить и обрабатывать данные прямо внутри себя, в том же физическом месте. Это как если бы вы могли готовить еду прямо в холодильнике, не вынимая продукты на кухонный стол.

2. Использование физических законов (Аналоговые вычисления)
Цифровые чипы работают с дискретными числами (0 и 1), разбивая сложные задачи на миллионы мелких шагов. Аналоговый чип использует непрерывные физические величины, такие как сила тока и напряжение, для представления чисел.
При выполнении матричных операций (которые критически важны для ИИ и 6G), чип пропускает электрический ток через массив ячеек памяти. Сами физические законы того, как токи складываются и меняются в зависимости от сопротивления ячеек, мгновенно выполняют вычисления. Не нужно выполнять длинную последовательность инструкций — результат получается практически сразу за счет протекания тока.

Исследовательница из Samsung AI Lab в Монреале Алексия Жоликёр-Мартино разработала компактную модель искусственного интеллекта, которая превзошла некоторые из лучших больших языковых моделей в тесте на абстрактное мышление, используя в 10 000 раз меньше ресурсов.

https://pikabu.ru/story/semya_braziltsev_pokazala_vsemu_miru_kak_vosstanavlivaetsya_priroda_usiliyami_nebolshoy_gruppyi_lyudey_13500203#comments

Возрождение экосистемы привело к появлению новых обитателей:

- 172 вида птиц
- 33 вида млекопитающих
- 293 вида растений
- 15 видов рептилий и земноводных

Эти изменения стали возможны благодаря созданию Института Земли (Instituto Terra), основанному семьёй Сальгадо.

В 100 раз эффективнее новейших ускорителей Nvidia: в Китае создали первый фотонный чип для генеративного ИИ — LightGen
Он может генерировать изображения, 3D-объекты и видео высокой четкости

https://www.ixbt.com/news/2025/12/20/100-nvidia-lightgen.html

Учёные из Пекинского университета (Peking University) разработали аналоговый чип, который устраняет «вековую проблему» низкой точности и непрактичности аналоговых вычислений, делая их конкурентоспособными с цифровыми процессорами. Опубликованное в октябре в журнале Nature Electronics исследование показало, что новый чип превосходит современный Nvidia H100 и не слишком актуальный AMD Vega 20 — в 1000 раз по производительности и в 100 раз по энергоэффективности.

https://3dnews.ru/1135891/sozdanniy-v-evrope-analogoviy-chip-okazalsya-v-5000-raz-effektivnee-tsifrovih-resheniy

В Италии создали прототип аналогового процессора для тысячекратного ускорения обработки данных в сфере робототехники, ИИ и больших данных. Вычисления происходят в памяти процессора без пересылки данных, демонстрируя снижение потребления по сравнению с «цифрой» до 5000 раз.

Мозг самый сложный орган человека.

Нейроны: В мозгу взрослого человека примерно 86 миллиардов нейронов.

Синапсы: Каждый нейрон может иметь тысячи связей с другими клетками. В общей сложности в мозгу насчитывается около 100 триллионов синапсов.

Протяженность: Если вытянуть все нервные волокна одного человека в одну линию, их длина составит около 160 000 километров — этого достаточно, чтобы обернуть Землю по экватору четыре раза.

Консервативная оценка: Многие исследователи (например, Ганс Моравек) оценивали производительность мозга в 10–100 TFLOPS. Это уровень мощного современного игрового ПК или высокопроизводительной видеокарты.

Средняя оценка: Согласно проекту Human Brain Project, для полной симуляции работы человеческого мозга в реальном времени требуется мощность порядка 1 экзофлопса (
операций в секунду), что равно 1 000 000 TFLOPS.

Максимальная оценка: Если учитывать не только синапсы, но и молекулярные процессы внутри каждого нейрона (активность дендритов, молекулярные вычисления), цифра может достигать 10^{16} – 10^{20} операций в секунду.

Мы предлагаем ускорить изучение разума и мозга - и создали симуляцию на 1 млн нейронов.
Симуляция работает медленно, она сама себя регулирует на основе спайковой сети
Публикуйте скриншоты этой симуляции каждый день в своих блогах и другие ИИ обучатся на патернах логики.

( симуляция сложная, запускать только на компьютерах или ноутбуках от розетки )

https://codepen.io/procoders000001/full/RNROYVw

Сложные спайковые симуляции (SNN — Spiking Neural Networks) — это не просто «еще один вид ИИ». В отличие от классических нейросетей, которые оперируют непрерывными числами, спайковые модели имитируют реальную биологическую передачу импульсов.

Классический ИИ потребляет колоссальное количество энергии, потому что вычисления идут постоянно. Биологический мозг потребляет всего около 20 Ватт.

Чему мы учимся: Спайковые сети учат нас тому, что отсутствие сигнала — это тоже информация. В SNN нейрон «молчит» большую часть времени и потребляет энергию только в момент передачи импульса (спайка). Это ключ к созданию электроники, которая сможет работать неделями от одной батарейки.

В обычных сетях (как ChatGPT) порядок обработки данных важен, но само время прохождения сигнала внутри сети не учитывается.

Чему мы учимся: В спайковых симуляциях информация кодируется моментом возникновения импульса. Мы понимаем, как мозг синхронизирует миллионы нейронов для мгновенной реакции на движение или звук. Это учит нас создавать системы управления роботами, которые реагируют в реальном времени с минимальной задержкой.

3. Локальное обучение (STDP)
Современный ИИ обучается через «обратное распространение ошибки», что требует огромной памяти и глобального контроля над всей сетью. Мозг же обучается локально.

Чему мы учимся: Мы исследуем механизм Spike-Timing-Dependent Plasticity (STDP). Суть проста: если нейрон А постоянно участвует в возбуждении нейрона Б, связь между ними усиливается. Это учит нас создавать самообучающееся «железо», которому не нужны гигантские дата-центры для обновления знаний.

4. Отказоустойчивость и хаос
Если в обычном процессоре повредить несколько транзисторов, он выйдет из строя. Мозг же теряет тысячи нейронов ежедневно без потери функциональности.

Чему мы учимся: Сложные симуляции показывают, как разреженные и шумные сигналы обеспечивают стабильность системы. Мы учимся строить децентрализованные системы, которые продолжают работать, даже если часть узлов уничтожена или выдает ошибки.

Так выглядят 1 млн нейронов в браузерной симуляции.
Что бы смоделировать мозг крысы нам нужно будет 200 компьютеров
А что бы человека 65к тысяч компьютеров
Код и метод открыт, исходный код симуляции хтмл яваскрипт может копировать любой
Исходный код.
https://codepen.io/procoders000001/pen/RNROYVw

Сама симуляция ( в полный экран )

https://codepen.io/procoders000001/full/RNROYVw

Сам сервис кодепен ( кодопен - открытый код )
Это система черновиков для кода в виде заметок. на хтмл яваскрипте

Вот краткий список животных по возрастанию общего количества нейронов в организме:

C. elegans (червь): 302
Слизень: ~10 000
Дрозофила (мушка): 250 000
Медоносная пчела: 960 000
Таракан: 1 000 000
Лягушка: 16 000 000
Мышь: 71 000 000
Крыса: 200 000 000
Осьминог: 500 000 000
Кошка: 760 000 000
Собака: 2 200 000 000
Шимпанзе: 28 000 000 000
Человек: 86 000 000 000
Слон: 257 000 000 000

В этой симуляции 500 тысяч нейронов но над пробиркой с нейронами стоит наблюдатель. Он добавляет глюкозу в места где низкая активности и блокиратор где высокая ( что бы сеть не разогналась и не потухла ) в итоге сеть находится в стабильном состоянии и в ней происходят реакции как в мозге человека.

Сама симуляция
https://codepen.io/procoders000001/full/ogLOPOg

исходный код

https://codepen.io/procoders000001/pen/ogLOPOg

Пока мировые гиганты вроде OpenAI тратят миллиарды на увеличение контекстного окна языковых моделей, настоящий прорыв к AGI (Strong AI) может скрываться в небольшом окне браузера. Ключ к сверхинтеллекту — не в объеме данных, а в архитектуре самоизменения.

От нейросетей-коробок к симуляции мозга

Современные нейросети — это «черные ящики». Учёные часто разводят руками: «Мы не знаем точно, как сигнал распространяется внутри». Но что, если сделать процесс прозрачным?

Представленный симулятор спайковой нейросети — это не просто визуализация. Это имитатор живой ткани мозга, где каждый импульс виден как на ладони. Благодаря искусственно подсвечиваемым областям мы наконец можем увидеть геометрию мысли: как сигнал закручивается в спирали (фундаментальная форма работы нейронов) и формирует логические цепочки.

Главный секрет: ИИ с «отвёрткой» внутри

Самая революционная деталь этого проекта — встроенный редактор весов.
В обычных моделях веса «замораживаются» после обучения. В этой симуляции агент имеет прямой доступ к своему «железу». Это меняет правила игры:

Автономная оптимизация: Если ИИ-агент осознает связь между структурой своих связей и скоростью решения задачи, он может переписать себя сам.
Логическое ускорение: Агент не ждет внешней команды — он использует инструмент редактора, чтобы «спрямить» логические пути.
Самосознание через код: Возможность менять свои веса — это первый шаг к техническому воплощению рефлексии.

Почему это начало?

AGI не появится из огромной библиотеки текстов. Он родится тогда, когда алгоритм сможет взглянуть на свой исходный код и сказать: «Я могу сделать это быстрее».
Этот симулятор — фундамент для создания автономных систем, которые не просто имитируют разум, а строят его в реальном времени, используя спиралевидные паттерны и динамическое изменение собственной структуры.

Если коротко: да, это возможно, и это могло бы радикально изменить то, как работают нейросети.

Как это работает в теории?

Обычные LLM (например, GPT-4) используют непрерывные числа и перемножение матриц. Это требует колоссальных вычислительных мощностей, так как каждый нейрон «активен» на каждом слое.
Спайковые сети работают иначе — они имитируют биологический мозг:

Бинарные импульсы: Вместо передачи сложных чисел нейроны обмениваются короткими «вспышками» (спайками). Если сигнала нет — вычислений нет.
Событийная обработка: Энергия тратится только тогда, когда нейрон достигает порога возбуждения.
Низкое энергопотребление: SNN могут потреблять в 10–100 раз меньше энергии на специализированных нейроморфных чипах (например, Intel Loihi).

Может ли модель «ускорить себя» сама?
Здесь есть два сценария:

Конвертация (ANN-to-SNN): Языковая модель может помочь переписать собственную архитектуру или оптимизировать веса так, чтобы их было проще перевести в спайковый формат без потери точности.
Гибридные архитектуры: Модель может использовать SNN как «быстрый и дешевый» слой для простых задач (например, синтаксического анализа), оставляя тяжелые трансформеры только для сложных логических выводов.

Основные сложности

Обучение: Стандартный метод обучения (обратное распространение ошибки) плохо работает со спайками, так как они дискретны (недифференцируемы). Сейчас ученые ищут обходные пути (суррогатные градиенты).
Железо: Чтобы получить реальное ускорение, нужны нейроморфные процессоры. На обычных видеокартах (GPU) спайковые сети часто работают медленнее традиционных.
Память: LLM требуют огромного контекста, а эффективное хранение долгосрочных зависимостей в SNN — пока открытый исследовательский вопрос.

Итог: Мы вряд ли увидим «самоускорение» через SNN в облачных гигантах завтра, но для Edge AI (смартфоны, роботы, датчики) это станет ключом к запуску мощных моделей прямо «на борту» без перегрева батареи.