GPUs కు మించి: మెదడు-ప్రేరేపిత AI కంప్యూటింగ్‌పై చైనా పరిశోధన

చైనా ఒక భిన్నమైన AI హార్డ్‌వేర్‌ను అన్వేషిస్తోంది

ఆగస్టు 2025లో, Zhejiang University Darwin Monkey ను పరిచయం చేసింది. ఇది 960 ప్రత్యేక chips తో నిర్మించిన కంప్యూటర్, రెండు బిలియన్లకు పైగా కృత్రిమ న్యూరాన్లను అనుకరించగలదు.

AI పరిశ్రమలో ఎక్కువ భాగం మరింత శక్తివంతమైన GPUs పై, large language models కు అవసరమైన కంప్యూటింగ్ మౌలిక సదుపాయాలపై దృష్టి పెట్టిన సమయంలో ఈ ప్రకటన ప్రత్యేకంగా నిలిచింది.

కానీ Darwin Monkey కేవలం సాధారణ AI సర్వర్లతో పోటీ పడేందుకు రూపొందించబడలేదు.

ఇది neuromorphic computing పై పరిశోధన నుండి వచ్చింది. ఈ విధానం జీవ నాడీ వ్యవస్థల నుండి ఎంపిక చేసిన సూత్రాలను తీసుకుంటుంది.

సాంప్రదాయ AI కంప్యూటింగ్‌లో, processors పెద్ద సంఖ్యలో సంఖ్యా గణనలను చేస్తాయి. కొన్ని మెదడు-ప్రేరేపిత వ్యవస్థలు బదులుగా spikes అని పిలిచే చిన్న సంకేతాల ద్వారా సంభాషించే కృత్రిమ న్యూరాన్లను ఉపయోగిస్తాయి.

ఈ భిన్నమైన విధానాలు కొన్ని రకాల కంప్యూటింగ్‌ను, ముఖ్యంగా శక్తి వినియోగం, ప్రతిస్పందన వేగం లేదా హార్డ్‌వేర్ వనరులు ముఖ్యమైన చోట, మెరుగుపరచగలవా అని పరిశోధకులు పరిశీలిస్తున్నారు.

ఈ పనిలో Zhejiang University ఒంటరిగా లేదు. Tsinghua University మరియు ఇతర చైనా సంస్థలు కూడా AI గణనను భిన్నంగా చేసే ప్రయోగాత్మక processors మరియు sensing chips ను అభివృద్ధి చేశాయి.

కలిసి చూస్తే, వారి పరిశోధన చైనా AI అభివృద్ధిలో మరో దిశను చూపుతుంది. ఇది కేవలం దానిపై నడిచే మోడళ్లపై కాకుండా, తెలివైన వ్యవస్థల కింద ఉన్న హార్డ్‌వేర్‌పై దృష్టి పెడుతుంది.

Zhejiang University: Darwin3 నుండి Darwin Monkey వరకు

Darwin Monkey, Zhejiang University యొక్క దీర్ఘకాలిక Darwin పరిశోధన కార్యక్రమంలో భాగం.

2024లో Zhejiang University మరియు Zhejiang Lab పరిశోధకులు Darwin3 ను ప్రచురించారు. ఇది కృత్రిమ న్యూరాన్ల నెట్‌వర్క్‌లను అనుకరించడానికి రూపొందించిన chip.

ఈ chip పెద్ద సంఖ్యలో అనుకరించిన న్యూరాన్లకు మద్దతు ఇస్తుంది, ఈ నెట్‌వర్క్‌లలో సంభాషణ మరియు నేర్చుకునే యంత్రాంగాలను కలిగి ఉంటుంది.

ఒక సంవత్సరం తర్వాత, విశ్వవిద్యాలయం Darwin Monkey ను పరిచయం చేసింది. ఇది 15 సర్వర్లలో 960 Darwin3 chips ను అనుసంధానిస్తుంది.

సంస్థ ప్రకారం, ఈ వ్యవస్థ సుమారు 2.25 బిలియన్ న్యూరాన్లను, 200 బిలియన్లకు పైగా అనుసంధానాలను అనుకరించగలదు. దీని సాధారణ విద్యుత్ వినియోగం సుమారు 2,000 వాట్లు.

ఈ సంఖ్యలు పరిశోధన వేదిక పరిమాణాన్ని వివరిస్తాయి. Darwin Monkey కు మానవ మెదడు స్థాయి తెలివి ఉందని అవి అర్థం కావు, నివేదించిన విద్యుత్ వినియోగం GPUs పై ఆధిక్యతను స్వతంత్రంగా నిరూపించదు.

పరిశోధకులు దీనిని ఎలా ఉపయోగిస్తున్నారు

worms, zebrafish, ఎలుకలు మరియు macaques సహా అనేక జంతువుల నాడీ వ్యవస్థల అంశాలను సూచించే నాడీ నెట్‌వర్క్‌లను అనుకరించడానికి Darwin Monkey ను ఉపయోగిస్తున్నట్లు Zhejiang University నివేదించింది.

అలాంటి పని, న్యూరాన్ల పెద్ద నెట్‌వర్క్‌లు ఎలా ప్రవర్తిస్తాయో పరిశీలించడంలో శాస్త్రవేత్తలకు సహాయపడవచ్చు.

DeepSeek సంబంధిత language model యొక్క మెదడు-ప్రేరేపిత అమలును కూడా నడుపుతున్నట్లు విశ్వవిద్యాలయం నివేదించింది.

ఇది ప్రత్యేకంగా ముఖ్యం, ఎందుకంటే తమ architecture నాడీశాస్త్ర అనుకరణలకు మించిన AI పనులకు మద్దతు ఇవ్వగలదా అని పరిశోధకులు అన్వేషిస్తున్నారని ఇది చూపిస్తుంది.

ఆ ప్రదర్శనల పనితీరు, సమానమైన సాంప్రదాయ వ్యవస్థలతో పోల్చి స్వతంత్రంగా స్థాపించబడలేదు.

అయినప్పటికీ, Darwin Monkey ఒక గణనీయమైన ఇంజనీరింగ్ విజయం: వందలాది ప్రత్యేక chips ను, ప్రత్యామ్నాయ గణన రూపాలను పరిశోధించడానికి పనిచేసే వేదికగా అనుసంధానించడం.

మూలాలు: Zhejiang University, 2025 | Zhejiang University Darwin సిరీస్, 2026 | Darwin3 పరిశోధన, 2024

ఈ చిత్రానికి ప్రత్యామ్నాయ టెక్స్ట్ వివరణ

మూడు దశల రేఖాచిత్రం. ఎడమవైపు ఒక Darwin3 chip. మధ్యలో 15 సర్వర్లలో అనుసంధానించిన 960 chips. కుడివైపు సంస్థ నివేదించిన సంఖ్యలు: 2.25 బిలియన్ అనుకరించిన న్యూరాన్లు మరియు సుమారు 2,000 వాట్ల సాధారణ విద్యుత్ వినియోగం. ఇది వైరింగ్ ప్రణాళిక కాదు, ఒక సూచనాత్మక రేఖాచిత్రం.

Tsinghua University: స్వయంప్రతిపత్త సైకిల్ నుండి తెలివైన దృష్టి వరకు

Zhejiang University పెద్ద మెదడు-ప్రేరేపిత కంప్యూటింగ్ వ్యవస్థలపై దృష్టి పెట్టగా, Tsinghua University పరిశోధకులు తమ పరిసరాలతో సంభాషించే యంత్రాలకు ప్రత్యామ్నాయ chip రూపకల్పనలు ఎలా మద్దతు ఇవ్వగలవో అన్వేషించారు.

Tianjic: AI తో నడిచే ఒక సైకిల్

2019లో Tsinghua పరిశోధకులు Tianjic ను పరిచయం చేశారు. ఇది వివిధ రకాల neural-network గణనకు మద్దతు ఇచ్చేలా రూపొందించిన chip.

దీనిని ప్రదర్శించడానికి, వారు ఒక స్వయంప్రతిపత్త సైకిల్‌ను నిర్మించారు. అది సమతుల్యం పాటించగలదు, వస్తువులను గుర్తించగలదు, లక్ష్యాలను అనుసరించగలదు, వాయిస్ ఆదేశాలకు స్పందించగలదు, అడ్డంకులను తప్పించగలదు.

ఈ కార్యకలాపాలకు వేర్వేరు AI విధులు అవసరం.

Tianjic వాటిలో అనేకాన్ని ఒకే భౌతిక వ్యవస్థలో మద్దతు ఇవ్వగలదని ప్రయోగం చూపించింది.

ఇది ఒక పరిశోధన ప్రదర్శన, artificial general intelligence కు సాక్ష్యం కాదు, సాంప్రదాయ processors కు వాణిజ్యపరంగా అందుబాటులో ఉన్న ప్రత్యామ్నాయం కాదు.

దాని సహకారం ఒకే ప్రయోగాత్మక architecture లో వివిధ AI పద్ధతులను సమీకృతం చేయడం.

మూలం: Nature, 2019

ఈ చిత్రానికి ప్రత్యామ్నాయ టెక్స్ట్ వివరణ

మధ్యలో ఒక AI chip ఉన్న సైకిల్ చిత్రం. 2019 పరిశోధనలో చూపిన ఐదు విధులతో అనుసంధానించబడింది: సమతుల్యం, వస్తువుల గుర్తింపు, లక్ష్యాన్ని అనుసరించడం, వాయిస్ ఆదేశాలు మరియు అడ్డంకులను తప్పించడం.

Tianmouc: దృశ్య గ్రహణానికి ఒక భిన్నమైన విధానం

2024లో, మరో Tsinghua పరిశోధన బృందం Tianmouc ను పరిచయం చేసింది. ఇది జీవ దృష్టి యొక్క కొన్ని అంశాల నుండి ప్రేరణ పొందిన chip.

పరిశోధకులు ఒక ఆచరణాత్మక సమస్యను పరిశీలిస్తున్నారు.

కదిలే వాహనానికి తన పరిసరాల గురించి వివరమైన సమాచారం అవసరం, కానీ ఏదైనా మారినప్పుడు అది త్వరగా స్పందించాలి కూడా.

పెద్ద మొత్తంలో దృశ్య సమాచారాన్ని నిరంతరం ప్రాసెస్ చేయడం కంప్యూటింగ్ వనరులు మరియు డేటా ప్రసారంపై భారం వేస్తుంది.

Tianmouc రెండు పరిపూరక మార్గాలను ఉపయోగిస్తుంది. ఒకటి వివరమైన దృశ్య సమాచారాన్ని సంగ్రహిస్తుంది, మరొకటి దృశ్యంలో మార్పులకు వేగంగా స్పందిస్తుంది.

తమ ప్రయోగాల్లో అధిక గ్రహణ వేగం, సవాలుతో కూడిన కాంతి పరిస్థితుల మెరుగైన నిర్వహణ, తగ్గిన డేటా ప్రసారం ఉన్నాయని పరిశోధకులు నివేదించారు.

వారు ఈ chip ను ఒక ప్రయోగాత్మక వాహన-గ్రహణ వ్యవస్థలో కూడా పరీక్షించారు.

అయితే, నివేదించిన ప్రయోజనాలు శాస్త్రీయ విమర్శను ఎదుర్కొన్నాయి.

జూన్ 2025లో, స్వతంత్ర పరిశోధకులు Nature లో ఒక సాంకేతిక వ్యాఖ్యను ప్రచురించారు. అది Tianmouc యొక్క కొత్తదనం మరియు ఇప్పటికే ఉన్న vision sensors తో పనితీరు పోలికల అంశాలను ప్రశ్నించింది.

ఆ విమర్శ chip పనిచేయడంలో విఫలమైందని నిరూపించదు. ఆధిక్యత వాదనలకు మరింత సాక్ష్యం అవసరమని అర్థం.

వేగంగా మారుతున్న వాతావరణాలను అర్థం చేసుకోవాల్సిన యంత్రాల కోసం, ప్రత్యేక AI హార్డ్‌వేర్‌పై చైనా పరిశోధనకు Tianmouc ఒక ఉపయోగకరమైన ఉదాహరణగా మిగిలి ఉంది.

అసలైన పరిశోధన: Nature, 2024 | స్వతంత్ర సాంకేతిక వ్యాఖ్య, 2025

ఈ చిత్రానికి ప్రత్యామ్నాయ టెక్స్ట్ వివరణ

ఒకే వీధి యొక్క రెండు ప్యానెల్స్. ఎడమ ప్యానెల్ వివరమైన దృశ్యాన్ని చూపుతుంది. కుడి ప్యానెల్ మారే మరియు కదిలే వాటిని మాత్రమే హైలైట్ చేస్తుంది. ఇది భావనాత్మక వివరణ, నిజమైన Tianmouc sensor output కాదు.

మరింత సమర్థవంతమైన నేర్చుకోవడంపై కొత్త పరిశోధన

మెదడు-ప్రేరేపిత హార్డ్‌వేర్ ఎలా నేర్చుకోగలదో, ఎలా అనుకూలించగలదో చైనా పరిశోధకులు కూడా పరిశీలిస్తున్నారు.

మార్చి 2026లో, Pengcheng Laboratory, Peking University మరియు సహకార సంస్థలతో అనుబంధం ఉన్న పరిశోధకులు spiking neural networks కు శిక్షణ ఇవ్వడానికి రూపొందించిన ఒక కంప్యూటింగ్ architecture ను ప్రచురించారు.

బృందం తన రూపకల్పనను పూర్తయిన వాణిజ్య processor పై కాకుండా, కాన్ఫిగర్ చేయగల హార్డ్‌వేర్‌పై పరీక్షించింది.

వారి ప్రయోగాలు 20 processing cores అంతటా శిక్షణను, ఐదుగురు భాగస్వాములతో కూడిన సహకార-నేర్చుకునే అమరికను ప్రదర్శించాయి.

ఎంపిక చేసిన ప్రయోగాత్మక పోలికల్లో పనితీరు మరియు మెమరీ వినియోగ ప్రయోజనాలను పరిశోధకులు నివేదించారు.

ఈ ఫలితాలు ఆ architecture సాధారణంగా GPUs కంటే మెరుగైనదని నిరూపించవు, కానీ మెదడు-ప్రేరేపిత వ్యవస్థలను మరింత ఆచరణాత్మకంగా మార్చేందుకు కొనసాగుతున్న పరిశోధనను చూపుతాయి.

ఒక సాధ్యమైన అనువర్తనం: పరిమిత కంప్యూటింగ్ వనరులు ఉండి, ఎల్లప్పుడూ దూర data centre పై ఆధారపడలేని పరికరాలపై నడిచే AI.

ఈ పరిశోధన ఇంకా ప్రయోగాత్మక దశలోనే ఉంది, దాని విస్తృత ప్రయోజనాలకు మరింత మూల్యాంకనం అవసరం.

మూలం: Nature Communications, 2026

ఈ chips AI వ్యవస్థల నిర్మాణంలో ఏమి మార్చగలవు

ఇక్కడ పరిశీలించిన చైనా ప్రాజెక్టులు వేర్వేరు సమస్యలను పరిష్కరిస్తాయి.

Darwin Monkey పెద్ద స్థాయి నాడీ అనుకరణలను, ఎంపిక చేసిన AI పనులను పరిశీలిస్తుంది. Tianjic వివిధ కంప్యూటింగ్ పద్ధతులను కలపడాన్ని అన్వేషిస్తుంది. Tianmouc దృశ్య గ్రహణంపై దృష్టి పెడుతుంది, కొత్త Pengcheng పరిశోధన సమర్థవంతమైన నేర్చుకోవడాన్ని పరిశీలిస్తుంది.

కాబట్టి వారి విజయాలను ఒకే specification ద్వారా పోల్చలేము.

బిలియన్ల అనుకరించిన న్యూరాన్లు ఉన్న వ్యవస్థ, దృశ్య సమాచారాన్ని వేగంగా ప్రాసెస్ చేయడానికి రూపొందించిన వ్యవస్థ కంటే తప్పనిసరిగా ఎక్కువ సామర్థ్యం కలిగి ఉండదు.

అలాగే, ఒక ప్రయోగంలో తక్కువ విద్యుత్ వినియోగించే processor మరో రకమైన గణనకు ప్రయోజనం ఇవ్వకపోవచ్చు.

2025లో Nature Communications లో ప్రచురించబడిన అంతర్జాతీయ NeuroBench కార్యక్రమం, neuromorphic వ్యవస్థలను సమానమైన పనులు, ఖచ్చితత్వ అవసరాలు మరియు శక్తి కొలతలతో పోల్చాల్సిన అవసరాన్ని హైలైట్ చేస్తుంది.

అది ఈ రంగానికి ఇప్పటికీ ఒక ముఖ్యమైన సవాలు.

ఇక్కడ పరిశీలించిన సాక్ష్యం పనిచేసే చైనా పరిశోధన నమూనాలు మరియు ప్రయోగాత్మక వ్యవస్థలను స్థాపిస్తుంది, కానీ విస్తృత వాణిజ్య వినియోగాన్ని లేదా సాంప్రదాయ AI processors పై సాధారణ ఆధిక్యతను కాదు.

GPUs ఈ వ్యాసానికి సంబంధించినవిగానే ఉంటాయి, ఎందుకంటే అవి పరిచితమైన ప్రమాణ బిందువును ఇస్తాయి, చైనా ప్రాజెక్టులు వాటిని భర్తీ చేయగలవని నిరూపించినందుకు కాదు.

మూలం: NeuroBench, Nature Communications, 2025

ప్రత్యామ్నాయ AI కంప్యూటింగ్‌కు చైనా సహకారం

ఆధునిక AI తో సాధారణంగా ముడిపడిన architectures కు మించి, చైనా పరిశోధనా సంస్థలు అనేక కంప్యూటింగ్ విధానాలను అన్వేషిస్తున్నాయి.

Zhejiang University ప్రత్యేక chips ను అభివృద్ధి చేసి, వాటిని ఒక పెద్ద ప్రయోగాత్మక వేదికగా అనుసంధానించింది.

Tsinghua University, AI విధులను కలిపే processors ను, దృశ్య సమాచారాన్ని భిన్నంగా నిర్వహించే sensors ను ప్రదర్శించింది.

మెదడు-ప్రేరేపిత వ్యవస్థలు సమర్థవంతంగా నేర్చుకునే మార్గాలను ఇటీవలి పరిశోధన పరిశీలిస్తోంది.

ఫలితాలు ఎక్కువగా ప్రయోగాత్మకంగానే ఉన్నాయి, వాటి వాణిజ్య విలువ ఇంకా స్థాపించబడలేదు.

కానీ ఈ దిశను అర్థం చేసుకోవడం విలువైనది.

నేటి AI అభివృద్ధిలో ఎక్కువ భాగం అదనపు డేటా మరియు కంప్యూటింగ్ వనరుల ద్వారా మోడళ్లను మెరుగుపరచడంపై దృష్టి పెడుతుంది. మెదడు-ప్రేరేపిత హార్డ్‌వేర్ పరిశోధన ఒక భిన్నమైన ప్రశ్న అడుగుతుంది: సమాచారాన్ని మొదటి నుండే ఎలా ప్రాసెస్ చేస్తామో మార్చడం ద్వారా కొన్ని పనులను మరింత సమర్థవంతంగా చేయగలమా.

sensors, robotics మరియు పరిమిత విద్యుత్‌తో పనిచేసే పరికరాలకు సంబంధించిన అనువర్తనాలకు, అది చివరికి విలువైనదిగా మారవచ్చు.

చైనా GPU కు సార్వత్రిక వారసుడిని ప్రదర్శించలేదు. దాని పరిశోధకులు ప్రత్యేక AI అనువర్తనాలకు ఉపయోగపడే ప్రత్యామ్నాయ కంప్యూటింగ్ విధానాలను అభివృద్ధి చేసి పరీక్షిస్తున్నారు.

వాటి ఆచరణాత్మక ప్రాముఖ్యత, ఆ వ్యవస్థలు పరిశోధన ప్రయోగశాల వెలుపల ఎంత బాగా పనిచేస్తాయో దానిపై ఆధారపడి ఉంటుంది.

మూలాలు మరియు మరింత చదవడానికి

1. Zhejiang University, Darwin Monkey announcement, 2025
2. Zhejiang University, Darwin series and Darwin Monkey specifications, 2026
3. Darwin3: A Large-Scale Neuromorphic Chip with a Novel ISA and On-Chip Learning, 2024
4. Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture, Nature, 2019
5. A Vision Chip with Complementary Pathways for Open-World Sensing, Nature, 2024
6. Dynamic Range and Precision of Hybrid Vision Sensors, Nature, 2025
7. A Highly Energy-Efficient Multi-Core Neuromorphic Architecture for Training Deep Spiking Neural Networks, Nature Communications, 2026
8. The NeuroBench framework for benchmarking neuromorphic computing algorithms and systems, Nature Communications, 2025