Аналоговые чипы возвращаются: спасут ли они ИИ от энергетического тупика, и переживут ли собственный шум

Аналоговые вычисления снова в центре внимания: мировой спрос дата-центров на энергию вырастет в 2026 году на 27% и достигнет 132 гигаватт против 104 ГВт годом ранее, таковы июньские оценки Gartner. К 2030 году эта цифра может дойти до 290 ГВт, а суммарное годовое потребление превысить 1200 тераватт-часов, что сопоставимо с электропотреблением всей Японии. На этом фоне инженеры достали из архива идею, которую цифровая эпоха похоронила полвека назад: аналоговые чипы. Статья Феррана Алии в Towards Data Science от 17 июля 2026 года показывает обе стороны: почему это заманчиво и почему призрак прошлого, шум, никуда не делся.

Счёт за электричество стал проблемой совета директоров

Энергия превратилась в главное ограничение ИИ-гонки. По оценке Gartner, ИИ-оптимизированные серверы составят 31% энергопотребления дата-центров уже в 2026 году, а к 2027-му обгонят обычные серверы. Отдельная строка, охлаждение: его потребление вырастет на 22,6%, до 195 ТВт·ч. «Растущий спрос на вычислительно-ёмкие ИИ-нагрузки вызывает беспрецедентный рост энергопотребления дата-центров, при этом ИИ-мощности теперь ограничены доступностью энергии», говорит аналитик Gartner Линглан Ван.

Чтобы понять масштаб на бытовом уровне: по данным Международного энергетического агентства, один запрос к ChatGPT потребляет около 10 килоджоулей, примерно в десять раз больше, чем обычный поиск в Google. Умножьте на миллиарды запросов в день, и станет ясно, почему инженеры готовы пересматривать даже фундамент цифровой электроники.

Как работают аналоговые вычисления: пусть физика считает сама

Нейросеть большую часть времени занимается одним и тем же, матричными умножениями. В цифровом чипе каждое такое умножение раскладывается на миллионы операций с нулями и единицами. Аналоговый подход предлагает позволить самой физике считать напрямую, непрерывными напряжениями и токами.

Работает это на двух школьных законах. Веса модели хранятся как значения проводимости в сетке ячеек памяти, обычно это phase-change memory или resistive RAM. Подаёте вход как напряжение, и дальше всё делает природа: закон Ома (ток равен произведению напряжения на проводимость) выполняет умножение, а закон Кирхгофа (токи сходящихся в узле проводников складываются) делает сложение. Полное матрично-векторное умножение происходит за один физический шаг. Без тактов, без циклов, без перекачки данных.

Почему перемещение данных дороже самой математики

Главная беда классической архитектуры, так называемое фон-неймановское бутылочное горлышко. Память и вычислительный блок разделены, и каждый вес модели должен путешествовать из памяти по шине в процессор и обратно. Автор оценивает: движение данных стоит от 3 до 10 000 раз больше энергии, чем сама арифметика над ними. Чип тратит основной бюджет не на то, чтобы посчитать, а на то, чтобы донести числа до места, где их посчитают.

Аналоговый чип решает это радикально: вычисление происходит прямо там, где хранятся веса (принцип compute-in-memory). Данные никуда не едут. Отсюда и обещание энергоэффективности на порядки выше.

Ирония в сердце технологии

Есть подвох, о котором любят молчать евангелисты аналога. Физика считает почти бесплатно, но затем большую часть чипа приходится тратить на «разговор» с ней. Вход нужно превратить из цифры в напряжение (цифро-аналоговый преобразователь, ЦАП), а результат обратно из тока в цифру (аналого-цифровой преобразователь, АЦП). Именно эти преобразователи, а не сам crossbar-массив, съедают львиную долю энергии и площади кристалла. Красивая идея «умножение за один шаг» на практике обрастает дорогим обвесом.

Аналоговый чип IBM HERMES: не гипотеза, а работающее железо

Разговоры об аналоге были бы пустыми без реальных чипов. IBM HERMES, рабочий процессор на phase-change memory, построен по 14-нанометровому КМОП-техпроцессу. В нём 64 аналоговых вычислительных ядра, соединённых сетью на кристалле. Пиковая производительность матричных умножений от 16,1 до 63,1 TOPS при энергоэффективности 2,48-9,76 TOPS на ватт.

Самое интересное, пиковое потребление в 6,5 Вт. Для сравнения: у NVIDIA A100 пик 400 Вт, из которых 70 Вт уходят просто на статику, даже когда чип ничего не делает. Ещё раньше, в 2023 году, IBM показала прототип, объединивший 35 млн устройств phase-change памяти на 34 плитках с эффективностью до 12,4 TOPS/Вт, и продемонстрировала точность на уровне программной реализации для крупной сети RNNT из бенчмарка MLPerf, более 45 млн весов, размазанных по 140 с лишним млн физических устройств на пяти чипах.

Заряд вместо тока: ставка EnCharge

Из университетских лабораторий выросли и стартапы. EnCharge AI, отпочковавшийся от Принстона в 2022 году, в феврале 2025-го закрыл переподписанный раунд Series B на 100 млн долларов, доведя общий объём привлечённых средств до более чем 144 млн. Среди инвесторов Samsung Ventures, партнёрства Foxconn и CTBC, а также In-Q-Tel, стратегический инвестор американской нацбезопасности. Отдельно DARPA выделила компании 18,6 млн долларов.

EnCharge складывает не токи, а заряд на конденсаторах. Кажущаяся мелочь может оказаться главным козырем против шума, который мешает всем остальным аналоговым схемам. Их продукт EN100 это ускоритель на 200 TOPS (INT8) для ноутбуков и рабочих станций с энергоэффективностью выше 40 TOPS/Вт и до 128 ГБ памяти LPDDR. Компания заявляет до 20-кратного превосходства по производительности на ватт над ведущими чипами сегодня.

Конкуренты идут разными путями. D-Matrix и Axelera тоже встраивают память в вычисления, но делают всё цифрово, на кастомных SRAM-ячейках. Sagence держится более традиционного аналогового подхода, а Mythic и Tetramem работают с RRAM.

Призрак, который вернулся: проблема шума в аналоговых чипах

Именно шум когда-то похоронил аналоговые вычисления, и он вернулся вместе с ними. «Аналог потенциально даёт на порядки большую энергоэффективность, но проблема в том, что мы не строим аналоговые чипы, потому что они шумные и не масштабируются», говорит основатель EnCharge Навин Верма. Полупроводниковые устройства меняются от температуры и техпроцесса, поэтому токи получаются «грязными».

В собственных симуляциях на Python автор источника выделяет три источника ошибок. Шум программирования: вес физически записывается в ячейку не точно. Шум чтения: тепловые и дробовые флуктуации при каждом обращении. И конечная точность АЦП, который округляет непрерывный ток до дискретного числа. Важный вывод из его экспериментов: неидеальности, добавляющие шум ко входам и выходам, бьют по точности сильнее, чем шум в самих весах.

Как нейросети закаляют против плохого железа

Спасение нашли не в идеальных транзисторах, а в обучении. Метод hardware-aware (обучение с учётом железа) выглядит так: сеть сначала тренируют в обычной 32-битной плавающей точке, а затем дообучают, намеренно подмешивая в прямой проход неидеальности и шум и прогоняя стохастический градиентный спуск. Модель как бы привыкает работать в грязных условиях.

Результаты убедительные. В пяти из 11 изученных моделей такие техники дают точность, эквивалентную программной. По всему набору моделей hardware-aware обучение сокращает наихудший разрыв в точности с 21,81% до всего 2,65%. IBM выложила открытый инструментарий AIHWKit, чтобы исследователи могли проверять устойчивость своих сетей к шуму.

Что дальше: температура и дрейф как новые враги

Обычное «обучение под шум» проседает в реальных условиях, где характеристики шума плывут из-за температуры и временного дрейфа проводимости. Ответ 2025-2026 годов, метод Variance-Aware Noisy Training, учитывающий изменчивость самого шума. Он поднимает устойчивость с 79,3% до 97,6% на датасете CIFAR-10 и с 32,4% до впечатляющих 99,7% на Tiny ImageNet. Борьба идёт уже не с шумом как таковым, а с его непостоянством.

Аналоговые вычисления, edge и приватность

Есть у этой истории и сторона, близкая нашим читателям. Аналоговые чипы вроде EN100 создаются для ноутбуков и рабочих станций, под локальный ИИ прямо на устройстве. Когда модель считает у вас в компьютере, а не в чужом облаке, вопрос приватности решается сам собой: данные не покидают железо. Если для вас важен доступ к ИИ-сервисам без слежки и без привязки к облачной инфраструктуре, приватный канал связи через Sigma остаётся практичным дополнением к этой философии.

Коротко о главном

Частые вопросы

Заменят ли аналоговые чипы GPU?

В обозримом будущем нет. Речь скорее об узкой нише матричных умножений и edge-устройствах, где критична энергоэффективность. Обучение больших моделей остаётся за цифровыми ускорителями.

Почему аналог экономит энергию?

Вычисление происходит там же, где хранятся веса, поэтому исчезает дорогое перемещение данных по шине, а оно стоит в 3-10 000 раз больше энергии, чем сама арифметика.

Что мешает технологии прямо сейчас?

Шум: неточная запись весов, флуктуации при чтении и ограниченная точность преобразователей. Плюс эти характеристики плывут от температуры и со временем.

Источники

Towards Data Science, Ферран Алия о возрождении аналоговых вычислений и проблеме шума