# Nature Sensors: inženýři USC vytvořili neuromorfní čip o velikosti mince, který se učí bez baterie
Výzkumníci z University of Southern California (USC) vyvinuli analogové zařízení na memristorech, které zpracovává signály (světlo, tlak) a učí se přímo na místě, přičemž energii získává výhradně z těchto signálů. Technologie na obálce Nature Sensors umožňuje vytvářet „inteligenci bez infrastruktury“ pro lékařské senzory, chytré brýle a implantáty, jež fungují roky bez dobíjení.
Smrt digitálního dogmatu: Proč analogový čip USC tiše zabíjí cloudový AI bez baterie
[Podstata]: co se vlastně děje
Zamysleli jste se někdy nad tím, proč se váš fitness tracker vybije za tři dny, zatímco neuroimplantát zůstává sci-fi? Protože veškerá současná elektronika trpí schizofrenií: senzor snímá analogový svět (světlo, tlak, teplotu), pak analogově-číslicový převodník spotřebovává energii při převodu na nuly a jedničky, procesor zase žere energii při zpracování těchto nul, paměť ukládá data a všechno jen proto, aby nakonec řeklo „tep 72“. Profesor J. Joshua Yang z USC se prostě zeptal: a proč?
- června 2026 vyšel v obálkovém článku Nature Sensors jeho tým (spoluautor – postdoktor Seung Ju Kim, financování – CONCRETE Center za podpory USAF a armády USA) zařízení, které láme tuto sedmdesátiletou řetězovou reakci. Postavili obvod na dvou typech memristorů (difuzním a driftovém), který bere signál přímo z fotodiody nebo piezoelementu a přímo v něm – bez napájení, bez ADC, bez cloudu – vyhodnocuje vzorce a ukládá je. Světlo dopadne na senzor – stejná energie světla spustí memristor. Tlak stlačí piezoelement – mechanický impuls sám napájí obvod. „Signál není jen signál k zpracování,“ cituje USC Viterbi slova Yanga. „Je zároveň zdrojem energie pro napájení systému.“
Zde však leží detail, který všichni přehlížejí při zmínce o „samopohonu“. Nejde o úsporu energie o 30–40 %. Yang mluví o zásadní změně paradigmatu. Světová datacentra v roce 2026 spotřebovávají už přibližně 1–2 % globální elektřiny a tento podíl se zdvojnásobuje každé čtyři roky. Do roku 2030 to bude 4–5 %. Protože miliardkrát násobíme nuly a jedničky, abychom rozpoznali kočku na fotce. Mozek to dokáže na 20 wattech. Mozek světlo nepřevádí na čísla. Pracuje s analogovými akčními potenciály. Čip USC dělá totéž. A nejde o „další neuromorfní prototyp“. Je to první funkční vzorek, který spojil senzor, paměť a učení v jedné analogové smyčce bez externího napájení.
Chronologie a kontext
Abychom ocenili skok, musíme pochopit, jak konzervativní je průmysl memristorů. Myšlence „výpočetních memristorů“ je už dvacet let. První laboratorní vzorky se objevily v polovině 2010. let. Všechny však trpěly stejnou vadou: vyžadovaly externí programování. Na memristor se přivádějí speciálně vytvořené impulsy z externího mikrokontroléru – a ten mění odpor. Stále jde o digitální přístup, jen s jiným typem paměti. Práce Yanga a Kima se liší zásadně: jejich memristory se učí samy z časových vztahů mezi signály. Kim to formuluje jednoduše: „Paměť se neaktualizuje softwarovým učicím algoritmem. Vzniká z časových vztahů mezi fyzickými signály. Opakující se shodné signály se posilují, nesouvisející postupně slábnou.“
Co bylo předtím. V březnu 2026 stejná Yangova laboratoř publikovala v Nature práci o memristorech fungujících při 700 °C. Šlo o čistě materiálovou záležitost. Nyní spojili vysokoteplotní memristory se samopohonem. V simulaci nasadili síť takových senzorů v zalesněné oblasti Kalifornie pro detekci blesků – hlavní příčiny požárů. Systém přesně obnovil souřadnice výbojů pomocí časového rozdílu mezi světlem (okamžitě) a zvukem (~340 m/s). Bez GPS, bez mobilní sítě, bez serveru. Zařízení si prostě zapamatovalo zpoždění přímo ve svém obvodu.
Skutečný průlom, o kterém se v USC Viterbi mlčí, je však způsob, jak obešli problém „učení bez učitele“. Článek v Nature Sensors podrobně popisuje mechanismus: difuzní memristor (stříbro v oxidu křemičitém) funguje jako spike enkodér – čím silnější signál (jasnější světlo nebo silnější tlak), tím rychleji se přepíná a generuje impuls. Driftový memristor (oxid hafnia s tantal-platinovými elektrodami) funguje jako synapse – akumuluje změny váhy při opakovaných shodách. Jde o přímou hardwarovou realizaci STDP (spike-timing-dependent plasticity) – mechanismu, který se považuje za základ učení v biologickém mozku. Ani jeden řádek kódu. Ani jedna instrukce procesoru.
Kdo vyhrává a kdo prohrává
Totální poražený č. 1: ARM a celý ekosystém edge procesorů. Společnosti jako ARM, Qualcomm, MediaTek vybudovaly miliardové jmění na tom, že každý senzor musí poslat signál do procesoru a procesor musí provést instrukci. Čip USC žádné instrukce neprovádí. Nemá registry, nemá čítač příkazů, nemá datovou sběrnici. Je tam jen fyzika – a hotovo. Až taková zařízení půjdou do sériové výroby (a to je otázka 3–5 let, ne 10–15), trh ultranízkopříkonových mikrokontrolérů pro IoT se propadne o 60–70 %. Analytici JPR přímo píší: „Do konce roku 2026 se decentralizovaný AI a analogové výpočty začnou objevovat v nositelných zařízeních a humanoidních robotech.“
Poražený č. 2: NVIDIA a trh AI akcelerátorů pro periferii. Ano, NVIDIA vydělává na datacentrech potřebných pro trénink. Její platforma Jetson pro edge inferenci je však stále digitální monstrum. Srovnejte: Jetson Orin spotřebovává 15–25 wattů. Čip USC nespotřebovává vůbec žádný watt – energii bere ze signálu. Jeho výpočetní výkon se samozřejmě nevyrovná Jetsonu. Pro 95 % edge úloh (detekce blesku, klasifikace chůze, rozpoznávání srdeční arytmie v reálném čase) však tato síla není potřeba. Potřebná je rychlost, energetická nezávislost a cena.
Beneficient č. 1: Lékařské implantáty. Yang označuje chytré brýle za hlavní spotřebitelské použití. Já jako analytik se dívám na implantáty. Stávající neurostimulátory pro léčbu chronické bolesti (například systém Nervonik, který v dubnu 2026 získal 52,5 milionu dolarů) stále vyžadují externí jednotku a baterii, již je třeba měnit každé 3–5 let operací. Čip USC se může napájet biomechanickým tlakem kroků nebo tělesným teplem. Implantát, který se učí a přizpůsobuje bez baterie a bez dobíjení – to je svatý grál neuromodulace. A stal se o krok blíže.
Beneficient č. 2: Ministerstvo obrany USA. Není náhoda, že financování jde přes USAF a armádu USA. Senzor, který lze shodit z dronu za nepřátelskými liniemi a který bude roky poslouchat, zpracovávat a ukládat, aniž by se prozradil rádiovým signálem – to je sen o průzkumu. Scénář s blesky v Kalifornii je jen zástěrka. 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 mnoha inženýrům. 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 vzorce 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 toto je zásadní omezení, které nikdo v dohledné době nepřekoná, protože analogové výpočty nejsou univerzální. Takže zatím je humbuk kolem „AI bez baterie“ jen marketing. Skutečný AI vyžaduje čísla. Analogový obvod řeší úzkou třídu úloh.
Druhý poznatek se týká reprodukovatelnosti a driftu parametrů. V článku Nature Sensors jsou uvedeny I-V charakteristiky memristorů a vypadají pěkně. Výzkumníci pracující s oxidovými memristory však vědí, že jde o ďábelsky vrtošivá zařízení. Jejich práh přepínání se mění z cyklu na cyklus, degradují časem kvůli migraci kyslíkových vakancí a kriticky závisí na teplotě a vlhkosti. Jak dobře bude zařízení USC fungovat za rok v terénu při teplotách od -20 °C do +50 °C a vlhkosti od 10 % do 95 %? Článek o tom mlčí. CONCRETE Center je financován armádou a jsem téměř přesvědčen, že tyto testy už probíhají, ale do veřejného prostoru se data dostanou až s komerční verzí.
Třetí poznatek se týká konkurence s organickými neuromorfními systémy. Ve stejném čísle Nature Sensors, kde vyšla práce USC, je článek Fabiana a kolegů o měkkých organických elektrochemických neuronech, které pracují na biologické rychlosti (až 1,1 kHz) při napětí pod 0,7 V a spotřebě 40 pJ na spike. Jde o konkurenční technologii. Organika může být implantována přímo do mozku, protože je měkká a nevyvolává zánět. Memristory USC jsou tuhé, hodí se pro periferní senzory, nikoli však pro neurointerfacy. Trh se rozdělí. A kdo zvítězí dlouhodobě – to zatím není jasné.
Prognóza: příštích 30 dní a 90 dní
Příštích 30 dní (červen 2026): vlna patentových přihlášek a komerčních licencí.
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). Yang navíc už má historii komercializace – jeho předchozí práce na vysokoteplotních memristorech přilákaly zájem ropných servisních firem (například Baker Hughes a Schlumberger). Nyní se přidají výrobci nositelné elektroniky. Garmin, Apple, Oura Ring – všichni budou urgentně žádat vzorky, aby vyhodnotili možnost vytvořit fitness tracker, který se vůbec nemusí nabíjet.
Příštích 90 dní (srpen–září 2026): začátek partnerství s foundry a první inženýrské prototypy.
Zařízení USC je sestaveno na desce plošných spojů z diskrétních memristorů, rezistorů a kondenzátorů. Aby se z něj stal komerční produkt, je potřeba integrace – memristory musí být vestavěny do křemíkového čipu nad standardní CMOS logiku (nebo místo ní). Očekávám, že do 90 dnů USC oznámí partnerství s některým z licensee Arm nebo s nezávislou foundry (možná TSMC nebo Intel Foundry Services). Cílem je vydat inženýrský vzorek System-on-Chip (SoC), kde memristorový klasifikátor bude sousedit s běžným procesorem pro složitější úlohy.
Existuje však riziko, o kterém se mlčí. Výroba memristorů vyžaduje zavedení nových materiálů (stříbro, oxid hafnia s legováním stronciem a titanem – jako v paralelní práci Cambridge) do standardních CMOS procesů. To není triviální. TSMC může odmítnout, pokud neuvidí zaručený objem objednávek od velkého OEM. Pak bude USC muset hledat specializovaného výrobce memristorů – například Weebit Nano nebo Knowm. To oddálí komercializaci o 2–3 roky.
A nakonec. Yangova věta, která by vás měla znepokojit: „Energie je klíčový problém pro datacentrum. Učte se od nejefektivnějšího počítače na světě – našeho mozku.“ To zní hezky. Mozek však pracuje na 20 wattech a má 86 miliard neuronů. Čip USC má dva memristory (difuzní a driftový). Ano, princip je škálovatelný. Mezi „principem“ a „supervýpočetním systémem spotřebovávajícím mikrowatty“ však zeje propast, kterou za tři roky nepřeskočíte. Investoři, kteří teď vrhnou peníze do memristorových startupů, se mohou těžce zklamat. Protože inženýrské problémy spolehlivosti, reprodukovatelnosti a škálování ještě nejsou vyřešeny. To, že první krok byl učiněn – a učiněn skvěle – však nelze popřít.
— Editorial Team
