Nature Sensors: inżynierowie USC stworzyli neuromorficzny chip wielkości monety, który uczy się bez baterii
Badacze z Uniwersytetu Południowej Kalifornii (USC) opracowali analogowe urządzenie oparte na memrystorach, które przetwarza sygnały (światło, ciśnienie) i uczy się na miejscu, czerpiąc energię wyłącznie z tych sygnałów. Technologia okładkowa Nature Sensors umożliwia tworzenie „inteligencji bez infrastruktury” dla sensorów medycznych, inteligentnych okularów i implantów działających latami bez ładowania.
Śmierć cyfrowego dogmatu: Dlaczego analogowy chip USC zabija chmurowy AI cicho i bez baterii
[Sedno]: co tak naprawdę się dzieje
Zastanawiałeś się kiedyś, dlaczego Twój tracker fitness pada po trzech dniach, a neuroimplant to wciąż fantastyka? Bo cała współczesna elektronika cierpi na schizofrenię: sensor odczytuje świat analogowy (światło, ciśnienie, temperaturę), potem przetwornik analogowo-cyfrowy pożera energię, zamieniając to na zera i jedynki, potem procesor znów pożera energię, przetwarzając te zera, potem pamięć pożera energię, przechowując je – wszystko po to, by ostatecznie powiedzieć „puls 72”. Profesor J. Joshua Yang z USC po prostu zapytał: a po co?
2 czerwca 2026 roku w okładkowym artykule Nature Sensors jego zespół (współautor – postdoc Seung Ju Kim, finansowanie – CONCRETE Center przy wsparciu Sił Powietrznych i armii USA) zaprezentował urządzenie, które burzy ten 70-letni łańcuch. Zbudowali obwód na dwóch typach memrystorów (dyfuzyjnym i dryfowym), który bierze sygnał bezpośrednio z fotodiody lub elementu piezo i wprost w nim – bez zasilania, bez ADC, bez chmury – wydobywa wzorzec i zapamiętuje go. Światło pada na sensor – ta sama energia światła uruchamia memrystor. Ciśnienie ścisnęło element piezo – impuls mechaniczny sam zasila obwód. „Sygnał to nie tylko sygnał do przetworzenia – cytuje USC Viterbi słowa Yanga. – Jest także źródłem energii zasilającym system”.
Ale jest tu detal, który wszyscy przeoczają, mrugając na słowo „samozasilanie”. Nie chodzi o oszczędność energii rzędu 30-40%. Yang mówi o fundamentalnej zmianie paradygmatu. Światowe centra danych w 2026 roku zużywają już około 1-2% globalnej energii elektrycznej, a ten udział podwaja się co cztery lata. Do 2030 roku – 4-5%. Bo miliardami mnożymy zera i jedynki, by rozpoznać kota na zdjęciu. Mózg robi to samo na 20 watach. Mózg NIE zamienia światła na cyfrę. Działa na analogowych potencjałach czynnościowych. Chip USC robi to samo. I to nie „kolejny neuromorficzny prototyp”. To pierwszy działający egzemplarz, który połączył sensor, pamięć i uczenie w jednej analogowej pętli bez zewnętrznego zasilania.
Chronologia i kontekst
Aby ocenić skok, trzeba zrozumieć, jak konserwatywny jest przemysł memrystorów. Pomysł „obliczeniowych memrystorów” ma już dwadzieścia lat. Pierwsze próbki laboratoryjne pojawiły się w połowie lat 2010. Ale wszystkie cierpiały na jedną chorobę: wymagały zewnętrznego programowania. Podajesz na memrystor specjalnie uformowane impulsy z zewnętrznego mikrokontrolera – i zmienia on opór. To wciąż podejście cyfrowe, tylko z innym typem pamięci. Praca Yanga i Kima różni się radykalnie: ich memrystory uczą się same, z zależności czasowych między sygnałami. Kim formułuje prosto: „Pamięć aktualizuje się nie przez programowy algorytm uczenia. Powstaje zamiast tego z zależności czasowych między sygnałami fizycznymi. Powtarzające się zbieżne sygnały są wzmacniane, niezwiązane – stopniowo zanikają”.
Co było wcześniej. W marcu 2026 roku ta sama laboratorium Yanga opublikowało w Nature pracę o memrystorach działających w 700°C. To była czysto materiałowa historia. A teraz połączyli wysokotemperaturowe memrystory z samozasilaniem. W symulacji rozmieścili sieć takich sensorów w zalesionym terenie Kalifornii do wykrywania piorunów – głównej przyczyny pożarów. System dokładnie odtworzył współrzędne wyładowań, wykorzystując różnicę czasu między światłem (natychmiast) a dźwiękiem (~340 m/s). Bez GPS, bez sieci komórkowej, bez serwera. Urządzenie po prostu zapamiętało opóźnienie wprost w swoim obwodzie.
Prawdziwy przełom, o którym milczą nawet w USC Viterbi, to sposób obejścia problemu „uczenia bez nauczyciela”. W artykule w Nature Sensors szczegółowo opisano mechanizm: memrystor dyfuzyjny (srebro w ditlenku krzemu) działa jak koder spike’ów – im silniejszy sygnał (jaśniejsze światło lub silniejsze ciśnienie), tym szybciej się przełącza, generując impuls. Memrystor dryfowy (tlenek hafnu z elektrodami tantal-platyna) działa jak synapsa – gromadzi zmiany wagi przy powtarzających się zbieżnościach. To bezpośrednia implementacja sprzętowa STDP (spike-timing-dependent plasticity) – mechanizmu uważanego za podstawę uczenia w biologicznym mózgu. Ani jednej linii kodu. Ani jednej instrukcji procesora.
Kto wygrywa, a kto przegrywa
Całkowity przegrany nr 1: ARM i cały ekosystem procesorów edge. Firmy takie jak ARM, Qualcomm, MediaTek zbudowały miliardowe fortuny na tym, że każdy sensor musi wysłać sygnał do procesora, a procesor wykonać instrukcję. Chip USC nie wykonuje instrukcji. Nie ma w nim rejestrów, licznika rozkazów, magistrali danych. Jest fizyka – i tyle. Gdy takie urządzenia wejdą do produkcji seryjnej (a to kwestia 3-5 lat, nie 10-15), rynek ultraniskonapięciowych mikrokontrolerów dla IoT skurczy się o 60-70%. Analitycy JPR piszą wprost: „Do końca 2026 roku zdecentralizowane AI i obliczenia analogowe zaczną pojawiać się w urządzeniach noszonych i humanoidach”.
Przegrany nr 2: NVIDIA i rynek akceleratorów AI dla peryferii. Tak, NVIDIA zarabia na centrach danych potrzebnych do treningu. Ale jej platforma Jetson do inferencji edge to wciąż cyfrowy potwór. Porównaj: Jetson Orin zużywa 15-25 watów. Chip USC zużywa zero watów – bierze energię z sygnału. Oczywiście jego moc obliczeniowa nie idzie w żadne porównanie z Jetsonem. Ale dla 95% zadań edge (wykrywanie pioruna, klasyfikacja chodu, rozpoznawanie arytmii serca w czasie rzeczywistym) ta moc nie jest potrzebna. Potrzebna jest prędkość, niezależność energetyczna i cena.
Beneficjent nr 1: implanty medyczne. Yang wskazuje inteligentne okulary jako główne zastosowanie konsumenckie. Ale ja, jako analityk, patrzę na implanty. Istniejące neurostymulatory do leczenia przewlekłego bólu (np. system Nervonik, który w kwietniu 2026 roku pozyskał 52,5 mln USD) wciąż wymagają zewnętrznego modułu i baterii wymienianej co 3-5 lat operacyjnie. Chip USC może czerpać energię z biomechanicznego nacisku kroków lub ciepła ciała. Implant, który uczy się i adaptuje bez baterii i ładowania – to święty graal neuromodulacji. I jest o krok bliżej.
Beneficjent nr 2: Departament Obrony USA. Nieprzypadkowo finansowanie idzie przez Siły Powietrzne i armię USA. Sensor, który można zrzucić z drona za linią wroga i który latami będzie nasłuchiwał, przetwarzał i zapamiętywał, nie zdradzając się sygnałem radiowym – to wywiad marzeń. Ten sam scenariusz z piorunami w Kalifornii to tylko przykrywka. Prawdziwy cel to sensory sejsmiczne do wykrywania podziemnych prób jądrowych i sensory akustyczne do identyfikacji sprzętu wojskowego.
Czego media nie dopowiadają
Pierwszy wgląd, i nieoczywisty nawet dla wielu inżynierów. Urządzenie USC to nie „komputer”. To klasyfikator. Potrafi odróżnić piorun od fajerwerku po opóźnieniu czasowym między światłem a dźwiękiem. Potrafi odróżnić chód „A” od chodu „B” po wzorcu nacisku na element piezo. Ale nie potrafi nauczyć się tabliczki mnożenia. Nie ma w nim sprzężenia zwrotnego, skoków warunkowych, dowolnych obliczeń. To wyspecjalizowana sieć neuronowa „zaszyta” w fizykę memrystorów. I to fundamentalne ograniczenie, którego nikt nie przeskoczy w dającej się przewidzieć przyszłości, bo obliczenia analogowe z definicji nie są uniwersalne. Dlatego na razie szum wokół „AI bez baterii” to marketing. Prawdziwe AI wymaga cyfry. Układ analogowy rozwiązuje wąską klasę zadań.
Drugi wgląd – o powtarzalności i dryfcie parametrów. W artykule Nature Sensors podano charakterystyki I-V memrystorów i wyglądają pięknie. Ale badacze pracujący z memrystorami tlenkowymi wiedzą, że to diabelnie kapryśne urządzenia. Próg przełączania płynie z cyklu na cykl, degradują się z czasem przez migrację wakansów tlenowych i są krytycznie zależne od temperatury i wilgotności. Jak dobrze urządzenie USC będzie działać po roku w warunkach polowych przy temperaturze od -20°C do +50°C i wilgotności od 10% do 95%? W artykule nie ma o tym ani słowa. CONCRETE Center jest finansowane przez wojsko i jestem prawie pewien, że te testy już trwają, ale do przestrzeni publicznej dane wyjdą nie wcześniej niż pojawi się wersja komercyjna.
Trzeci wgląd – o konkurencji z organicznymi systemami neuromorficznymi. W tym samym numerze Nature Sensors, w którym ukazała się praca USC, jest artykuł Fabiano i współpracowników o miękkich organicznych neuronach elektrochemicznych, które pracują z biologiczną prędkością (do 1,1 kHz) przy napięciu poniżej 0,7 V i zużyciu 40 pJ na spike. To konkurencyjna technologia. Organika może być implantowana wprost do mózgu, bo jest miękka i nie wywołuje zapalenia. Memrystory USC są sztywne, nadają się do sensorów peryferyjnych, ale nie do interfejsów neuronowych. Rynek się podzieli. Kto wygra w dłuższej perspektywie – na razie nie wiadomo.
Prognoza: kolejne 30 dni i 90 dni
Kolejne 30 dni (czerwiec 2026): fala zgłoszeń patentowych i licencji komercyjnych.
USC Viterbi jako uniwersytet badawczy złoży na pewno patenty na architekturę „self-powered neuromorphic system with diffusive and drift memristors”. Spodziewam się co najmniej 3-4 zgłoszeń patentowych z priorytetem od daty publikacji (2 czerwca 2026). Co więcej, Yang ma już historię komercjalizacji – jego wcześniejsze prace nad wysokotemperaturowymi memrystorami przyciągnęły zainteresowanie firm naftowych (np. Baker Hughes i Schlumberger). Teraz dołączą producenci elektroniki noszonej. Garmin, Apple, Oura Ring – wszyscy pilnie zażądają próbek, by ocenić możliwość stworzenia trackera fitness, którego w ogóle nie trzeba ładować.
Kolejne 90 dni (sierpień-wrzesień 2026): początek partnerstwa foundry i pierwsze prototypy inżynieryjne.
Urządzenie USC zmontowano na płytce drukowanej z dyskretnych memrystorów, rezystorów i kondensatorów. By zamienić to w produkt komercyjny, potrzebna jest integracja – memrystory muszą być wbudowane w chip krzemowy na standardowej logice CMOS (lub zamiast niej). Spodziewam się, że w ciągu 90 dni USC ogłosi partnerstwo z jednym z licencjobiorców Arm lub niezależną foundry (prawdopodobnie TSMC lub Intel Foundry Services). Cel – wypuścić inżynieryjny egzemplarz System-on-Chip (SoC), w którym klasyfikator memrystorowy będzie sąsiadował ze zwykłym procesorem do bardziej złożonych zadań.
Ale jest ryzyko, o którym milczą. Produkcja memrystorów wymaga wprowadzenia nowych materiałów (srebro, tlenek hafnu z domieszkowaniem strontem i tytanem – jak w równoległej pracy Cambridge) do standardowych procesów CMOS. To nietrywialne. TSMC może odmówić, jeśli nie zobaczy gwarantowanej wielkości zamówień od dużego OEM. Wtedy USC będzie musiało szukać wyspecjalizowanego producenta memrystorów – np. Weebit Nano lub Knowm. To opóźni komercjalizację o 2-3 lata.
I na koniec. Zdanie Yanga, które powinno Cię zaniepokoić: „Energia to kluczowy problem dla centrum danych. Ucz się od najbardziej efektywnego komputera na świecie – naszego mózgu”. To piękne. Ale mózg pracuje na 20 watach i ma 86 miliardów neuronów. Chip USC ma dwa memrystory (dyfuzyjny i dryfowy). Tak, zasada jest skalowalna. Ale między „zasadą” a „superkomputerem zużywającym mikrowaty” – przepaść, której nie przeskoczysz w trzy lata. Inwestorzy, którzy teraz rzucą się kupować akcje startupów memrystorowych, mogą mocno się rozczarować. Bo problemy inżynieryjne niezawodności, powtarzalności i skalowania nie zostały jeszcze rozwiązane. Ale to, że pierwszy krok zrobiono – i zrobiono błyskotliwie – nie da się zaprzeczyć.
— Editorial Team
