دنیای هوش مصنوعی با سرعتی سرسامآور در حال تحول است، اما یکی از نوآورانهترین و شاید انقلابیترین پیشرفتها، نه در مدلهای بزرگتر یا مراکز داده عظیم، بلکه در طراحی خود سختافزار شکل میگیرد. خانواده تراشههای نورومورفیک Loihi اینتل، نمونههایی کارآمد هستند که با الگوبرداری از ساختار و کارایی مغز انسان، آیندهای متفاوت را برای پردازش هوش مصنوعی ترسیم میکنند. برخلاف شتابدهندههای مرسوم هوش مصنوعی، تراشههای Loihi بر اساس شبکههای عصبی ضربانی (spiking neural networks) طراحی شدهاند و اطلاعات را همانند نورونهای بیولوژیکی پردازش میکنند. این ویژگی امکان پردازش سریعتر را با مصرف انرژی بهمراتب کمتر فراهم میسازد.
تولد Loihi: ورود محاسبات نورومورفیک به جریان اصلی صنعت
اینتل در سال 2017 نخستین تراشه Loihi را معرفی کرد و به این ترتیب نقطه عطفی در حوزه محاسبات نورومورفیک رقم زد. برخلاف پردازندههای متداول مانند GPU و TPU، Loihi بهعنوان بستری تحقیقاتی برای بررسی شبکههای عصبی ضربانی و علوم اعصاب محاسباتی طراحی شد. این تراشه با استفاده از فناوری ساخت 14 نانومتری اینتل تولید شد و شامل 128 هسته عصبی نورومورفیک، 3 هسته پردازنده x86 و بیش از 33 مگابایت حافظه SRAM داخلی بود. این معماری امکان شبیهسازی تا 130 هزار نورون و 130 میلیون سیناپس مصنوعی را فراهم میکرد.
یکی از ویژگیهای منحصربهفرد Loihi طراحی ناهمگام شبکه روی تراشه بود که هستهها را مشابه نحوه ارتباط نورونها در مغز، از طریق پیامهای ضربانی به یکدیگر متصل میکرد. این طراحی از الگوهای اتصال سلسلهمراتبی پشتیبانی میکرد و تراشه را برای وظایف پیچیده در پردازش بینایی و صوت مناسب میساخت. علاوه بر آن، قوانین یادگیری قابل برنامهریزی مبتنی بر زمانبندی ضربانها و مکانیزمهای پاداش به Loihi این قابلیت را میداد تا در زمان واقعی یاد بگیرد و خود را تطبیق دهد. این ویژگی، Loihi را از سختافزارهای سنتی متمایز میکرد.
Loihi 2: جهشی در قدرت پردازش و انعطافپذیری معماری
بر پایه موفقیت نسل اول، اینتل نسل دوم این تراشه با نام Loihi 2 را معرفی کرد و مرزهای سختافزار نورومورفیک را گسترش داد. این نسخه جدید شامل 6 هسته پردازنده داخلی Lakemont x86 و 128 هسته عصبی کاملاً ناهمگام بود که با شبکهای پیشرفته به یکدیگر متصل میشدند. Loihi 2 با بهرهگیری از فناوری ساخت پیشرفته اینتل، ظرفیت محاسباتی را به طور چشمگیری افزایش داد و امکان شبیهسازی تا 1 میلیون نورون و 120 میلیون سیناپس روی یک تراشه را فراهم کرد.
یکی از پیشرفتهای کلیدی در Loihi 2 افزایش قابلیت برنامهریزی بود. برای اولین بار توسعهدهندگان میتوانستند مدلهای نورونی سفارشی را با استفاده از دستورالعملهای میکروکد پیادهسازی کرده و شبیهسازیهای پیچیدهتر و نزدیکتر به واقعیت زیستی را اجرا کنند. همچنین، اسپایکهای درجهبندیشده با پشتیبانی از دادههای 32 بیتی، جایگزین اسپایکهای 1 بیتی نسل قبل شدند که امکان رمزگذاری دقیقتری از دادهها را فراهم میساخت. علاوه بر این، پشتیبانی از قوانین یادگیری سهعاملی، اجرای الگوریتمهای یادگیری پیشرفتهتری را ممکن میکرد که بیشتر با پیچیدگیهای پلاستیسیته یا انعطافپذیری سیناپسی (Synaptic plasticity) در طبیعت همخوانی داشتند.
اینتل همراه با این سختافزار، چهارچوب نرمافزاری متنباز Lava را نیز معرفی کرد که توسعه برنامههای برپایه نورونها را سادهتر میسازد. با بهرهگیری از APIهای سطح بالای پایتون، محققان میتوانند شبکههای عصبی خود را توصیف و برای اجرا روی CPUهای سنتی یا تراشههای Loihi 2 کامپایل کنند. این انعطافپذیری، ورود توسعهدهندگان هوش مصنوعی به دنیای نورومورفیک را بدون نیاز به یادگیری زبانهای جدید تسهیل میکند.
با تکیه بر قابلیتهای نسل دوم این معماری، اینتل سامانه Hala Point را به عنوان بزرگترین سیستم نورومورفیک جهان معرفی کرده است. Hala Point با اتصال 1152 تراشه Loihi 2، توان شبیهسازی 115 میلیارد نورون مصنوعی را فراهم میکند. این سامانه که در یک شاسی ششقفسهای جای میگیرد، بیش از ده برابر ظرفیت نورونی و تا دوازده برابر کارایی بیشتر نسبت به نسل پیشین خود ارائه میدهد و با پهنایباند عظیم 16 پتابایتبرثانیه برای حافظه و هزاران میلیارد عملیات سیناپسی در ثانیه، کارایی چشمگیری در پردازش بلادرنگ (real time) دارد. هالا پوینت در بسیاری از وظایف هوش مصنوعی، از نظر بهرهوری انرژی عملکردی فراتر از پردازندههای مرسوم CPU و GPU نشان داده و به سطح 15 TOPS/W رسیده است. اینتل انتظار دارد تجربههای حاصل از این سامانه پژوهشی مسیر توسعه نسل آینده سیستمهای نورومورفیک تجاری را هموار کرده و مصرف انرژی در کاربردهای بلادرنگ را بهطور قابلتوجهی کاهش دهد.
Loihi 3: استاندارد تازهای در بهرهوری و کارایی انرژی
در ماه ژوئن 2025، اینتل با معرفی Loihi 3، گامی فراتر از انتظارات برداشت. این تراشه که با فناوری ساخت 4 نانومتری اینتل تولید شده، بیش از 1.15 میلیارد نورون مصنوعی و 128 میلیارد سیناپس را روی یک تراشه جای داده است. یعنی چگالی عصبی آن نسبت به Loihi 2 ده برابر افزایش یافته است.
اما برجستهترین ویژگی Loihi 3 کارایی بیسابقه آن در مصرف انرژی است. این تراشه هر عملیات سیناپسی را با تنها 0.1 پیکوژول انرژی انجام میدهد که تا 1000 برابر کارآمدتر از GPUهای مرسوم در برخی وظایف هوش مصنوعی است. با توجه به پیشبینیهایی که مصرف انرژی جهانی هوش مصنوعی را تا سال 2030 بیش از 1000 تراوات ساعت در سال (در حدود 10 درصد برق جهان) تخمین میزنند، این سطح از بهرهوری برای آینده مقیاسپذیر و پایدار هوش مصنوعی حیاتی است.
معماری Loihi 3 همچنان بر شبکههای عصبی ضربانی ناهمگام تکیه دارد که امکان پردازش بلادرنگ با حداقل تأخیر را فراهم میکند. این ویژگی، تراشه را برای کاربردهای هوش مصنوعی در لبه شبکه که نیازمند تصمیمگیری سریع و مصرف انرژی کم هستند، ایدهآل میسازد. از طرفی دقت پاسخدهی و عملکرد این تراشه نیز بسیار بالا است. طی آزمایشاتی که تاکنون روی تراشه Loihi 3 انجام شده است، یک بازوی رباتیکی با استفاده از آن توانست با آموزش حداقلی به دقت 95% در شناسایی و جابهجایی اشیاء برسد؛ در حالی که سیستم مشابه مبتنی بر GPU تنها به دقت 70% دست یافت.
مزایای انحصاری تراشههای Loihi در مقایسه با سختافزارهای سنتی
خانواده Loihi چندین مزیت کلیدی را ارائه میدهند که میتواند سختافزار هوش مصنوعی را متحول سازد. معماری الهامگرفته از مغز، امکان یادگیری تطبیقی بلادرنگ را فراهم میکند که برای کاربردهایی چون رباتیک، وسایل نقلیه خودران و شبکههای حسگری پیشرفته بسیار ارزشمند است. ماهیت رویداد-محور شبکههای عصبی ضربانی موجب میشود که انرژی تنها هنگام وقوع اسپایک مصرف شود، در نتیجه مصرف انرژی نسبت به پردازندههای سنتی به شدت کاهش مییابد.
قابلیت برنامهریزی در Loihi 2 و Loihi 3 به محققان اجازه میدهد تا قوانین یادگیری پیچیده، مدلهای نورونی پیشرفته و الگوریتمهای تطبیقی نوآورانهای که پیادهسازی آنها در سختافزارهای مرسوم دشوار است را اجرا کنند. چهارچوب Lava نیز با ارائه ابزارهای آشنا در پایتون، ورود به حوزه محاسبات نورومورفیک را برای توسعهدهندگان سادهتر میکند.
قابلیت مقیاسپذیری یکی دیگر از نقاط قوت مهم این تراشهها است. در حالی که Loihi 2 امکان اتصال چند تراشه را فراهم کرده است، Loihi 3 این ظرفیت را به سطح جدیدی ارتقاء داده و مسیر را برای ساخت سیستمهای بزرگمقیاس مشابه شبکههای زیستی هموار میسازد.
چالشهای پیش روی Loihi و محاسبات نورومورفیک
با وجود تمامی مزایا، محاسبات نورومورفیک هنوز در مراحل ابتدایی پذیرش صنعتی قرار دارد. بزرگترین مانع، اکوسیستم نرمافزاری است. در حالی که Lava گام رو به جلو مهمی به حساب میآید، اغلب توسعهدهندگان امروزی به چارچوبهایی مانند TensorFlow و PyTorch عادت دارند که مستقیماً با شبکههای عصبی ضربانی سازگار نیستند و همین موضوع یادگیری کار با این فناوری را دشوار میسازد.
چالش دیگر، نیاز به اعتبارسنجی گستردهتر در میان طیف وسیع وظایف هوش مصنوعی است. هرچند تراشههای Loihi در برخی وظایف بلادرنگ برتری دارند، عملکرد آنها در مدلهای یادگیری عمیق دادهمحور هنوز نیازمند پژوهش بیشتر است. علاوه بر این، افزایش ظرفیت شبکه در کنار حفظ واقعگرایی زیستی و بهرهوری انرژی، همچنان یک چالش مهندسی پیچیده به شمار میرود.
کاربردهای عملی و در حال گسترش تراشههای Loihi در صنایع مختلف
کاربردهای بالقوه برای تراشههای Loihi بسیار گسترده بوده و روز به روز در حال توسعه است. در حوزه رباتیک، سیستمهای مبتنی بر Loihi میتوانند به محیطهای متغیر واکنش نشان داده و با حداقل نظارت وظایف جدید را بیاموزند. در خودروهای خودران، پردازش بلادرنگ دادههای حسگرها بدون نیاز به پردازش ابری موجب کاهش تأخیر و افزایش ایمنی میشود.
در حوزه سلامت، تراشههای Loihi میتوانند موتور محرک پروتزهای هوشمند و دستگاههای پوشیدنی شوند و این دستگاهها را با نیازهای کاربر تطبیق دهند. زیرساختهای شهرهای هوشمند نیز میتوانند از حسگرهای نورومورفیک برای پایش بلادرنگ شرایط محیطی، الگوهای ترافیک و ایمنی عمومی بهرهمند شوند.
حتی در کاوشهای فضایی نیز از فناوری Loihi استفاده میشود. پژوهشگران در بخش پرادزش ماهوارهای اطلاعات که در آن بهرهوری انرژی و تصمیمگیری خودکار و آنی اهمیت بالایی دارند، در حال بررسی عملکرد و کارایی تراشه Loihi 2 هستند. در علوم اعصاب محاسباتی نیز Loihi بستری منحصربهفرد برای شبیهسازی پویاییهای مغز و آزمون فرضیههای جدید فراهم میسازد که میتواند به درک بهتر شناخت انسان منجر شود.
نگاهی به آینده؛ Loihi و آینده سیستمهای تطبیقی هوشمند در لبه شبکه
سری تراشههای Loihi اینتل در خط مقدم انقلابی بالقوه در سختافزار هوش مصنوعی قرار دارند. با افزایش تقاضا برای راهکارهای هوشمند، تطبیقپذیر و کممصرف، محاسبات نورومورفیک گزینهای جذاب در برابر معماریهای دادهمحور سنتی ارائه میدهد. هرچند چالشهایی همچنان باقی مانده، اما پیشرفت سریع از Loihi به Loihi 3 نشاندهنده تعهد جدی اینتل به گسترش مرزهای ممکن است. اینتل قصد دارد تا سهماهه سوم 2026 برنامههای تجاریسازی این تراشه را آغاز کند و در این مسیر بر بخشهایی چون سلامت، خودروهای خودران و اتوماسیون صنعتی تمرکز دارد.
وعده واقعی Loihi تنها در پردازش سریعتر یا مصرف انرژی کمتر خلاصه نمیشود؛ بلکه در توانایی نزدیک شدن به شیوه پردازش اطلاعات مغز انسان نهفته است. همانطور که هوش مصنوعی از ابر به لبه شبکه مهاجرت میکند، تراشههای نورومورفیک همچون Loihi میتوانند به ستون فقرات ماشینهای هوشمندی بدل شوند که صرفاً محاسبه نمیکنند، بلکه میاندیشند.