Транзисторы в 0,7 нм, компьютерная память на свету, ИИ не может учиться, генерация картинок с помощью физики

Закон Мура еще жив?

Впервые в индустрии IBM вывела разработку полупроводников за пределы нанометрового барьера. Компания представила технологию, которая позволяет производить чипы с техпроцессом в 0,7 нм (7 ангстремов). Созданный на основе архитектуры Nanostack прототип позволяет на кристалле размером с человеческий ноготь разместить 100 миллиардов транзисторов — вдвое больше, чем у представленного IBM в 2021 году чипа в 2-нм чипа. По оценкам компании, новый техпроцесс обеспечит либо 50-процентный прирост производительности, либо 70-процентное повышение энергоэффективности по сравнению с предшественниками.

Но, как говорится, дьявол кроется в деталях. Заявленные 0,7 нм, как и техпроцессы в 2 или 3 нм, давно перестали отражать реальные размеры транзисторов или даже расстояния между ними. Это маркетинговое наименование технологического поколения, отражающее уровень производительности, а не реальные геометрические размеры. По собственным данным IBM, расстояние между транзисторами на протяжении многих лет остается на уровне около 40 нм и не меняется в архитектуре Nanostack. Прорыв же заключается не в уменьшении физических размеров, а в принципиально ином подходе к компоновке чипов.

Вместо уменьшения размеров плоских транзисторов инженеры IBM разработали трехмерную архитектуру, которая специальным образом укладывает и смещает транзисторы друг относительно друга. Каждый транзистор состоит из трех нанолистов толщиной 5 нм (примерно 15 рядов атомов кремния), разделенных зазором в 9 нм. Такая конструкция позволяет использовать различные комбинации материалов на каждом слое, оптимизируя производительность и энергоэффективность каждого транзистора независимо от остальных.

Отдельного внимания здесь заслуживает прогресс в масштабировании статической оперативной памяти SRAM. Она применяется в центральных процессорах на уровне регистров и кэш-памяти (L1, L2, L3). На конференции VLSI 2026 — ведущем мировом мероприятии для специалистов в области микроэлектроники — IBM представила данные о 40-процентном улучшении масштабирования ячеек SRAM. Это может стать критически важным для ИИ-ускорителей, в которых часто именно память, а не вычислительная мощность является «бутылочным горлышком», ограничивающим пропускную способность. При этом сама IBM производством коммерческих чипов не занимается, но передает технологии партнерам — Samsung и японской Rapidus. Ожидается, что первые коммерческие продукты на технологии Nanostack появятся в ближайшие пять лет. По оценке IBM, актуальной эта технология останется как минимум десятилетие.

Компьютерная память на свету

Современные фотонные компьютеры, использующие свет вместо электричества для обработки информации, сталкиваются с фундаментальной проблемой: они могут быстро передавать и обрабатывать данные, но не могут их долго хранить. Текущая система хранения заключается в том, что свет «внутри ячейки памяти» преобразуется в электрический сигнал и обратно, что сводит на нет все преимущества оптической передачи. Ученые из Университета ИТМО (Санкт-Петербург) и Пекинского университета для решения этой проблемы создали микроскопическую «ловушку» для света на кремниевом чипе. Это стало первым шагом к созданию полноценной оптической памяти.

Разработка представляет собой кремниевую структуру размером менее 20 микрометров — тоньше человеческого волоса. Ее ключевая особенность состоит в том, что внутри чипа созданы условия, при которых световые волны начинают «застревать» и многократно усиливать друг друга. Это позволяет удерживать свет сразу в трех устойчивых состояниях. В отличие от обычной электронной памяти, которая работает только в двух режимах («0» или «1»), разработанная ячейка может хранить больше информации в одном компоненте. При этом вся конструкция потребляет всего около четверти милливатта энергии.

При этом исследователи изготовили реальные рабочие образцы и экспериментально подтвердили, что структура действительно функционирует как многоуровневая ячейка памяти. По словам исследователя из ИТМО Андрея Богданова, сейчас технология уже может использоваться «как платформа для изучения многоуровневого оптического переключения, оптической памяти и других нелинейных фотонных элементов». Для создания же прикладных устройств «предстоит решить задачи масштабирования, интеграции с другими элементами фотонных схем, повышения скорости и надежности работы в более сложных архитектурах».

ИИ теряет способность учиться

Исследование компании Zypha поставило под сомнение один из главных догматов современного ИИ: что для создания сильного искусственного интеллекта (AGI) достаточно просто наращивать размеры модели. Ученые обнаружили, что даже большие языковые модели со временем теряют способность усваивать новую информацию — феномен, известный как потеря пластичности. При этом увеличение числа параметров лишь отсрочивает, но не предотвращает этот эффект, что создает фундаментальное препятствие для систем, которые должны непрерывно обучаться в течение всей «жизни».

AGI по определению должен уметь адаптироваться к новым данным, задачам и контекстам без переобучения с нуля. В рамках эксперимента ученые обучили восемь GPT-подобных моделей — от 5 до 314 миллионов параметров — на восьми языках, технически сменяя их. Периодически они проверяли, как быстро модель осваивает ранее незнакомый вьетнамский язык. Обнаружилось, что все модели рано или поздно начинали учиться все медленнее и хуже. Более того, потеря пластичности проявлялась даже тогда, когда модель просто училась на смеси языков без резких переходов. Отсюда последовал вывод, что подобное явление является не артефактом смены задач, а фундаментальным свойством длительного обучения.

Для индустрии, нацеленной на AGI, это означает, что стратегия «просто масштабируй» имеет потолок. Даже если мы создадим модель с сотнями миллиардов параметров, рано или поздно она перестанет эффективно впитывать новые факты, изменения в языке, кодовые базы или человеческие предпочтения. То есть создание AGI потребует принципиально новых алгоритмических решений.

ИИ на законах физики

Американский стартап Unconventional AI представил генеративную модель Un-0, которая работает не как обычная нейросеть, а как физическая система. Вместо миллиардов математических операций на чипе она использует сеть связанных «качающихся маятников» (осцилляторов), которые под влиянием друг друга самоорганизуются в нужные паттерны и, таким образом, генерируют изображения. По сути, разработчики заставили работать законы физики как вычислительный ресурс.

Главное преимущество такого подхода — колоссальная экономия энергии. Компания утверждает, что Un-0 может снизить энергопотребление при генерации контента в 1 000 раз по сравнению с современными решениями на базе графических чипов (GPU). Особенно важным это становится на фоне растущего энергетического кризиса в ИИ-индустрии: дата-центры уже потребляют электричество как небольшие страны, бесконечно наращивать их мощности становится все сложнее.

Пока Un-0 существует только в виде программной симуляции — физический чип еще не создан. Но стартап планирует в ближайшее время выпустить схемы такого чипа и построить на его основе полноценную систему. В тестах модель показала качество генерации, сравнимое с ранними версиями Stable Diffusion. При том, что команда разработки составляет менее 50 человек, стартап уже привлек $475 млн инвестиций от венчурных фондов и Джеффа Безоса при оценке в $4,5 млрд.