Nature Sensors: Čip USC pro edge computing v medicíně napodobuje synaptickou plasticitu mozku
Podrobná publikace v Nature Sensors popisuje vytvoření samoúčícího se analogového čipu, který realizuje mechanismus učení bez učitele, zesiluje opakující se signály a filtruje šum. Zařízení dokáže zpracovávat fyziologická data (tep, tlak) bez digitálního převodu, což je revoluční pro nositelná zařízení a vzdálené monitorování zdraví v terénu.
Synaptická plasticita bez programů a baterií: Proč je analogový čip USC architektonickým manifestem, nikoli jen gadgetem
[Podstata]: co se vlastně děje
- června 2026 vyšlo na obálce nového čísla Nature Sensors obrázek, který by měl vyděsit každého inženýra mikročipů v Silicon Valley. Tým J. Joshua Yana z University of Southern California nejen „zlepšil energetickou účinnost“ — postavili systém, který boří sedm desetiletí digitálního dogmatu. Jejich zařízení velké jako mince vnímá, kóduje, učí se a pamatuje, přičemž se živí výhradně energií signálů, které zpracovává: světlem, tlakem, teplotou.
Co se však skutečně děje, skrývá se za termínem „samoúčící se“. Nejde o „AI na čipu“ v tom smyslu, na který nás zvykl marketing. Jde o první hardwarovou realizaci učení bez učitele (unsupervised learning) na memristorech, která nevyžaduje jedinou řádku kódu, jediný analogově-digitální převodník ani jednu baterii. Postdoktorand Syn Ju Kim, první autor článku, to formuluje radikálně: „Paměť se neaktualizuje softwarovým algoritmem učení. Vzniká místo toho z časových vztahů mezi fyzickými signály.“
Základem jsou dva typy memristorů. Difúzní (na iontech stříbra v oxidu křemičitém) funguje jako neuron: čím silnější je stimul — jasnější světlo nebo silnější tlak — tím rychleji generuje impuls. Driftový (oxid hafnia s elektrodami tantal-platina) funguje jako synapse: akumuluje změny váhy při opakovaných shodách a uchovává je neomezeně dlouho. Spojením s rezistory a kondenzátory na desce s plošnými spoji získali výzkumníci obvod, který dělá to, co dříve vyžadovalo digitální procesor, paměť a stálé napájení — na fyzice iontů.
Yan, který je IEEE Fellow a ředitelem centra CONCRETE financovaného letectvem a armádou USA, uzavírá: „Signál není jen signál ke zpracování. Je také zdrojem energie pro napájení systému.“
Chronologie a kontext
Myšlence „memristorových výpočtů“ je už asi 15 let. První laboratorní vzorky se objevily koncem 2000. let, ale všechny trpěly jednou vadou: vyžadovaly externí programování. Na memristor se přivádějí speciálně vytvořené impulsy z externího mikrokontroléru — a ten mění odpor. Je to stále digitální přístup, jen s jiným typem paměti. Práce Yana a Kima se liší zásadně: jejich memristory se učí samy z časových vztahů mezi signály.
Klíčovým technologickým krokem, který se často přehlíží, je práce Yanovy laboratoře na vysokoteplotních memristorech, publikovaná v Nature v březnu 2026. Ukázali zařízení fungující při teplotách nad 700 °C. Nyní tuto materiálovou platformu spojili s konceptem samonapájení. Čip tedy může nejen pracovat bez baterie, ale fungovat i v podmínkách, které ničí běžnou elektroniku — uvnitř reaktorů, na povrchu Venuše, v oblastech lesních požárů.
V simulaci, která se stala proof-of-concept, rozmístili výzkumníci síť takových senzorů v zalesněné oblasti Kalifornie pro detekci blesků — hlavní příčiny požárů. Blesk produkuje světlo (okamžitě) a zvuk (~340 m/s). Časový rozdíl mezi nimi kóduje vzdálenost od úderu. Systém si tento rozdíl zapamatoval přímo v obvodu — bez GPS, bez mobilní sítě, bez serveru. Když oba signály časově odpovídaly s ohledem na zpoždění, zařízení „zapamatovalo“ vzor a zesílilo ho. Opakující se shodné signály se zesilují, nesouvisející postupně slábnou.
Jde o přímou hardwarovou realizaci STDP (spike-timing-dependent plasticity) — mechanismu považovaného za základ učení v biologickém mozku. Žádné „učení modelu na datasete ImageNet“. Jen fyzika.
Kdo vyhrává a kdo prohrává
Totální poražený č. 1: ARM a celý ekosystém edge procesorů. Společnosti jako ARM, Qualcomm, MediaTek vybudovaly státy na tom, že každý senzor musí poslat signál do procesoru a procesor musí provést instrukci. Čip USC neprovádí instrukce. Nemá registry, nemá čítač příkazů, nemá datovou sběrnici. Má difúzní dynamiku iontů stříbra — a to je vše. Až taková zařízení půjdou do sériové výroby, trh ultra-nízkopříkonových mikrokontrolérů pro IoT se může zhroutit o 60–70 %. Světová datacentra v roce 2026 spotřebovávají už 1–2 % globální elektřiny a tento podíl se zdvojnásobuje každé čtyři roky. Čip USC nabízí alternativu: „inteligenci bez infrastruktury“, která neposílá surová data do cloudu.
Poražený č. 2: NVIDIA a trh AI akcelerátorů pro periferii. Ano, NVIDIA vydělává na datacentrech potřebných pro trénink velkých modelů. Ale její platforma Jetson pro edge inferenci je stále digitální monstrum. Jetson Orin spotřebovává 15–25 wattů. Čip USC nespotřebovává vůbec žádný watt — bere energii ze signálu. Jeho výpočetní výkon se samozřejmě nedá srovnávat s Jetsonem. Ale pro 95 % edge úloh (detekce blesku, klasifikace chůze, rozpoznávání srdeční arytmie v reálném čase) tento výkon není potřeba. Potřebná je rychlost, energetická nezávislost a cena.
Beneficient č. 1: Lékařské implantáty. Yan označuje chytré brýle za hlavní spotřebitelské použití. Já jako analytik se však dívám na implantáty. Stávající neurostimulátory pro léčbu chronické bolesti stále vyžadují externí jednotku a baterii, kterou je třeba měnit každé 3–5 let operací. Čip USC se může napájet biomechanickým tlakem kroků nebo teplem těla. Implantát, který se učí a přizpůsobuje bez baterie a bez nabíjení — to je svatý grál neuromodulace.
Beneficient č. 2: Ministerstvo obrany USA. Není náhoda, že financování jde přes letectvo a armádu USA v rámci centra CONCRETE. Senzor, který lze shodit z dronu za nepřátelskými liniemi a který bude roky poslouchat, zpracovávat a pamatovat, aniž by se prozradil rádiovým signálem — to je sen o průzkumu. Scénář s blesky v Kalifornii je jen zástěrkou. Skutečným cílem jsou seismické senzory pro detekci podzemních jaderných testů a akustické senzory pro identifikaci vojenské techniky.
Co média nedoříkávají
První poznatek, a není zřejmý ani pro mnoho inženýrů. Zařízení USC není „počítač“. Je to klasifikátor. Dokáže odlišit blesk od ohňostroje podle časového zpoždění mezi světlem a zvukem. Dokáže odlišit chůzi „A“ od chůze „B“ podle vzoru tlaku na piezoelement. Nedokáže se však naučit násobilku. Nemá zpětnou vazbu, nemá podmíněné skoky, nemá libovolné výpočty. Je to specializovaná neuronová síť „zašitá“ do fyziky memristorů. A to je zásadní omezení, které nikdo v dohledné době nepřekoná, protože analogové výpočty nejsou univerzální. Takže zatím je humbuk kolem „AI bez baterie“ jen marketing. Skutečná univerzální AI vyžaduje čísla. Analogový obvod řeší úzkou, ale kriticky důležitou třídu úloh.
Druhý poznatek se týká reprodukovatelnosti a technologické připravenosti. Memristory jsou ďábelsky vrtošivá zařízení. Jejich přepínací práh se mění z cyklu na cyklus, degradují časem kvůli migraci kyslíkových vakancí a kriticky závisí na teplotě a vlhkosti. Studie publikovaná na arXiv v květnu 2026 hodnotí stávající memristorové systémy pro dynamické vidění na úrovních technologické připravenosti (TRL) 2–5 — tedy od „technologické koncepce“ po „validaci v relevantním prostředí“. Do TRL 7–8 („systém prokázán v provozním prostředí“ a „dokončeno“) zbývají roky práce. Jak dlouho bude zařízení USC fungovat v terénu při −20 °C až +50 °C a vlhkosti od 10 % do 95 %? V článku v Nature Sensors o tom není ani slovo. Centrum CONCRETE je financováno armádou a jsem téměř přesvědčen, že tyto testy už probíhají, ale do veřejného prostoru se data dostanou nejdříve s komerční verzí.
Třetí poznatek se týká konkurence s organickými neuromorfními systémy. Ve stejném čísle Nature Sensors, kde vyšla práce USC, je článek Zhonga a kolegů o měkkých organických elektrochemických neuronech, které pracují na biologické rychlosti. Organika může být implantována přímo do mozku, protože je měkká a nevyvolává zánět. Memristory USC jsou tuhé, hodí se pro periferní senzory, ale ne pro neurointerféjsy. Trh se rozdělí. A kdo zvítězí dlouhodobě — zatím není jasné.
Čtvrtý poznatek se týká toho, proč se to objevilo právě teď a ne před pěti lety. V dubnu 2026 vyšel v Nano-Micro Letters perspektivní článek, který systematizuje koncept „výpočtů v senzorové paměti“ (in-sensor-memory computing, ISMC) jako post-von-Neumannovy paradigm. Autoři přímo uvádějí: světové úsilí o vytvoření takové architektury se teprve začíná konsolidovat. Zařízení USC není izolovaný zázrak, ale první funkční vzorek toho, o čem teoretici psali už v letech 2025–2026. A fakt, že Nature Sensors udělal z této práce obálku, říká, že redakce v ní vidí nejen laboratorní kuriozitu, ale paradigmatický posun.
Prognóza: příštích 30 dní a 90 dní
Příštích 30 dní (červen 2026): vlna patentových přihlášek a jednání s foundry.
USC Viterbi jako výzkumná univerzita určitě podá patenty na architekturu „self-powered neuromorphic system with diffusive and drift memristors“. Očekávám minimálně 3–4 patentové přihlášky s prioritou od data publikace (2. června 2026). Profesor Yan už má navíc historii komercializace — má přes 120 patentů USA. Je zakladatelem několika startupů. Nyní se k nim přidají výrobci nositelné elektroniky. Garmin, Apple, Oura Ring — všichni budou urgentně žádat vzorky, aby zhodnotili možnost vytvoření fitness trackeru, který se vůbec nemusí nabíjet.
Současně začnou jednání s foundry. Zařízení je sestaveno na desce s plošnými spoji z diskrétních memristorů, rezistorů a kondenzátorů. Aby se z toho stal komerční produkt, je potřeba integrace — memristory musí být vestavěny do křemíkového čipu nad standardní CMOS logikou (nebo místo ní). V perspektivním článku v Nano-Micro Letters se přímo uvádí, že pro přechod ISMC do škálovatelné komercializace je nutná globální spolupráce „průmysl–akademie–výzkum“. Očekávám, že během 30 dnů USC oznámí partnerství s TSMC, Intel Foundry Services nebo specializovaným výrobcem memristorů jako Weebit Nano.
Příštích 90 dní (srpen–září 2026): publikace dat o stabilitě a první inženýrské prototypy.
Klíčovou otázkou, která rozhodne o budoucnosti technologie, je dlouhodobá stabilita difúzních memristorů. Ionty stříbra mají tendenci časem aglomerovat a migrovat mimo aktivní vrstvu. Očekávám, že během 90 dnů tým USC zveřejní další data (možná v Nature Electronics nebo Advanced Materials) o cyklování zařízení po miliony přepnutí a o uchovávání stavu při zvýšených teplotách (jak se to dělá u komerčních RRAM). Pokud tato data ukážou degradaci menší než 10 % po 10^6 cyklech a 10 letech skladování při 85 °C — je to zelená pro komercializaci.
Současně začne návrh specializovaného integrovaného obvodu (ASIC) s memristorovými bloky. První inženýrské vzorky se mohou objevit už koncem 2026 — začátkem 2027. Jejich velikost nebude „mince“, ale „mikročip“ — méně než 10 mm². A budou spotřebovávat nano- nebo dokonce piko-jouly na operaci.
A poslední věc, o které nadšenci mlčí. Yanova věta, která by vás měla znepokojit: „Energie je klíčový problém pro datacentra. Učte se od nejefektivnějšího počítače na světě — našeho mozku.“ To zní hezky. Ale mozek pracuje na 20 wattech a má 86 miliard neuronů. Čip USC má dva memristory (difúzní a driftový). Ano, princip je škálovatelný. Ale mezi „principem“ a „supervýpočetním systémem spotřebovávajícím mikrowatty“ je propast, kterou za tři roky nepřeskočíte. Investoři, kteří teď vrhnou peníze do memristorových startupů, se mohou v krátkodobém horizontu hodně zklamat. Protože inženýrské problémy spolehlivosti, reprodukovatelnosti a škálování ještě nejsou vyřešeny. Ale to, že byl učiněn první krok — a učiněn skvěle — nelze popřít. Poprvé za 70 let máme funkční alternativu k von-Neumannově architektuře pro úzkou, ale kriticky důležitou třídu úloh v reálném čase. A nevyžaduje baterii.
— Editorial Team
