Зацепка: В сегодняшнем крон-дайджесте промелькнула одна строчка, мимо которой инженер не пройдёт: «APEX — SNN-ускоритель с dual sparsity, 40% экономии энергии на лучших конфигурациях, 2.7% overhead по площади, 1.3–5.4% по мощности, синтез на 40 нм CMOS». На первый взгляд — очередная академическая работа. Но за этой строчкой спрятан сюжет, который переписывает историю, начавшуюся 36 лет назад, когда один калифорнийский профессор решил, что транзистор должен работать не как выключатель, а как нейрон. Это история про альтернативный стек ИИ, который тихо существует с 1989 года, проигрывает трансформерам по attention и hype, но в 2026-м неожиданно получает второй шанс — потому что data center-ы уже едят 945 ТВт⋅ч в год, и каждая десятая доля процента эффективности превращается в миллиарды долларов и мегаватты атомных реакторов. APEX — это не про «ещё одну статью». Это про вопрос, который определяет, на каком железе через 10 лет будут работать носимые устройства, камеры видеонаблюдения и сенсоры на спутниках: на тензорных ядрах NVIDIA, которые обучают GPT-5, или на специализированных spike-чипах, которые потребляют столько, сколько слуховой аппарат.
APEX — это A Dual-Sparsity Accelerator for Precise and Efficient SNN Inference, опубликованная 21 августа 2026 года на arXiv (2608.19046) командой Devgokul Bawa Venkatesh, Sreeram Radhakrishnan, Rajshekhar Rakshit, Gopalakrishnan Srinivasan из Department of Computer Science and Engineering, Indian Institute of Technology Madras (Ченнаи). Архитектурно это продолжение линии LoAS (2024) — Fully Temporal Parallel dataflow для spiking-сетей, — но с одним критическим дополнением: вместо классического integrate-and-fire (IF) нейрона APEX использует трёхступенчатый PASC-IF нейрон из работы PASCAL (2025), который математически доказанно воспроизводит поведение исходной ANN при SNN-конверсии. Это не «лучше работающий IF», это замена модели вычислений: трёхстадийный datapath, у которого нет временной зависимости между стадиями, и который укладывается в один такт как чисто комбинационная схема.
Главные цифры из самой работы, на которые стоит смотреть как на доказательство, а не маркетинг:
Синтез делали в Synopsys Design Compiler на 400 МГц, 40 нм CMOS. На кристалле — 16 TPPE (Temporal Parallel Processing Elements), поровну INT4 и INT8, 256 КБ L2-кеша с 16 банками, 128 ГБ/с HBM на off-chip. Это не гипотетический paper-only чип: схема синтезируема, проходит timing closure, и все цифры — из реального RTL, не из аналитической модели.
Здесь нужно объяснить, почему это «не просто +40% экономии». APEX эксплуатирует dual sparsity — разреженность одновременно по входным спайкам и по весам. Standard ANN-ускорители (TPU, GPU tensor core) умеют эксплуатировать только weight sparsity: входы всегда плотные. APEX построен на идее, что в SNN на каждом такте большинство нейронов молчат — буквально не выпускают спайк, — и считать их бессмысленно. Сжатие sparse fiber (CSF) позволяет пропускать молчащих нейронов и не таскать их данные через память. В комбинации с FTP (Fully Temporal Parallel) dataflow, который раскрывает весь inner-product в один проход без partial sums, это даёт комбинаторный эффект: чем больше сеть, тем больше «лишних» операций исчезает.
И второй архитектурный ход — смешанная точность на уровне фильтров. APEX делит 16 TPPE на 8 INT4 и 8 INT8, и sensitivity analysis по слоям назначает, какие фильтры выдержат 4-битное квантование без потери точности, а какие требуют 8 бит. Это не uniform quantization (как в большинстве TPU), а гетерогенный подход, где в одной свёртке живут рядом 4-битные и 8-битные ядра, и scheduler распределяет нагрузку. Идея не новая (в 2017 году NVIDIA уже экспериментировала с mixed-precision в Tensor Cores), но в SNN-железе она появляется, кажется, впервые в таком явном виде.
Здесь начинается неочевидный слой. Индия — не очевидное место для прорывов в нейроморфном железе. Но если посмотреть, кто за последние пять лет выпустил сильные SNN-работы, IIT Madras всплывает постоянно: там работал Gopalakrishnan Srinivasan (соавтор APEX), там же сильные группы по event-based vision и neuromorphic engineering. И это не случайность: NICE (Neuromorphic Engineering and Cognitive Computing) в IIT Madras — один из крупнейших центров в Азии, через который прошли многие авторы PASC-IF. Когда я смотрю на географию 2026 года в SNN-железе, картина получается парадоксальная: лидеры — IIT Madras, Tsinghua, ETH Zurich, TU Graz, Manchester — это не «Кремниевая долина», и в этом есть своя логика. Spiking-сети исторически были рядом с neuroscience, а neuroscience в Индии, Китае и Европе финансируется иначе, чем в США. В США в 2010-х вселившаяся мода на deep learning вытеснила spike-hardware на обочину. В Старом Свете и Азии традиция нейронаук жива, и SNN-архитектуры эволюционируют там, где не пришлось конкурировать с лозунгом «backprop решает всё».
Всё начинается с Калтеха и одного человека. В 1989 году Carver Mead (BS '56, PhD '60) — легенда VLSI, человек, чьи учебники по проектированию CMOS-схем лежат на столе у каждого чипмейкера, — публикует книгу «Analog VLSI and Neural Systems» и запускает в Caltech первую в мире graduate program по Computation and Neural Systems (CNS). До этого интегральные схемы проектировались как цифровые машины: транзистор — это выключатель, есть ток или нет тока, 1 или 0. Mead сказал: нет, транзистор — это аналоговое устройство, и его subthreshold-поведение идеально воспроизводит интегрирование токов в нейроне. Так появились silicon retina (сетчатка в кремнии), silicon cochlea (улитка в кремнии), silicon neurons (кремниевые нейроны), silicon synapses (кремниевые синапсы), и — критически — floating-gate synaptic memories, то есть аналог долговременной памяти. Всё это работало на sub-microwatt'ах, в режиме, где асинхронные spikes заменяли глобальный clock.
Параллельно с Mead работал его студент Misha Mahowald (BS '85, PhD '92) — гениальный schemat'ик, который, по словам самого Mead, «was probably the wisest person I have ever met, and I probably learned more from her than from any other single individual». В 1991 году они опубликовали в Scientific American статью «The Silicon Retina» — чип, реализующий архитектуру сетчатки глаза в аналоговом CMOS. Это был не прототип и не демонстрация: это была парадигмальная смена. Если раньше электроника была «схемой, реализующей функцию», то теперь электроника стала «схемой, реализующей принцип биологической обработки».
Misha Mahowald умерла в 1996 году в 32 года, и в её честь впоследствии учреждена Misha Mahowald Prize for Neuromorphic Engineering — главная премия в области. На церемонии 2023 года в La Jolla, штат Калифорния, Carver Mead получил lifetime contribution award, и в своей речи сказал: «Actually, the silicon retina was Misha's idea, and she basically dragged me into neurobiology. It wasn't the other way around. She was probably the wisest person I have ever met… She was the one who started this field, and I was fortunate to partner with her in the process».
В 90-х neuromorphic engineering оставался академической нишей. Главные игроки — INI Zurich (Institute of Neuroinformatics) с Tobi Delbrück и Rodney Douglas, Caltech с Mead и Koch, отдельные группы в Jülich и Heidelberg. Были чипы (CAVIAR, AER, различные silicon cochlea), но индустрии не было. Параллельно в неврологии разворачивалась революция 1990-х — Hubel & Wiesel (Нобелевка 1981), оптогенетика (2005, Karl Deisseroth), connectomics (2009-) — но между «как устроен мозг» и «как построить чип, который работает как мозг» лежала гигантская пропасть, и neuromorphic engineering её не преодолевал.
Steve Furber (тот самый, что проектировал ARM-процессор в 1980-х) в University of Manchester начал в 2006 году проект SpiNNaker (Spiking Neural Network Architecture) — машину, которая должна была моделировать работу миллиарда нейронов в реальном времени. К ноябрю 2018 года в Manchester включили SpiNNaker 1 Million — машину с 1 миллионом ARM-процессорных ядер (это не один чип, это 1 200 000 ядер на 1 200 плат в 19 серверных стойках, плюс 7 тонн кабелей). Идея Furber была не «сделать как мозг», а «дать исследователям инструмент, на котором можно крутить модели мозга в масштабе мозга». SpiNNaker — это neuromorphic по симуляции, не по hardware: ядра у него обычные, ARM, а spikes моделируются программно. Это другая школа.
В августе 2014 года в журнале Science появилась статья IBM Research, которая на пять лет определила ландшафт. «A Million Spiking-Neuron Integrated Circuit with a Scalable Communication Network and Interface» — Paul Merolla, John Arthur, Rodrigo Alvarez-Icaza, Andrew Cassidy, Jun Sawada, Filipp Akopyan, Bryan Jackson и группа Dharmendra Modha представили TrueNorth: чип с 5.4 миллиардами транзисторов, 4 096 нейросинаптических ядер, 1 миллионом программируемых нейронов и 256 миллионами конфигурируемых синапсов. Чип потреблял 70 мВт в работе (по другим измерениям — 63 мВт) и обрабатывал видеопоток 400×240 пикселей на 30 fps, различая пешеходов, велосипедистов, машины и грузовики. Dharmendra Modha назвал его «a supercomputer the size of a postage stamp, light like a feather, and low power like a hearing aid». Steve Furber в IEEE Spectrum прокомментировал: «The impressive aspects of TrueNorth are the integration density — a million neurons on a single, admittedly very big, chip — and the very low power consumption for this many neurons».
Технологически TrueNorth пошёл против того, что делал Mead. Mead строил аналоговые neuromorphic-схемы; TrueNorth был полностью цифровым. Причина простая: аналог страдает от process variation (каждый транзистор чуть-чуть отличается от соседа), а IBM делала чип по 28-нм Samsung process — то есть по обычной мобильной технологии, на которой потом делали iPhone. Цифра в этом смысле была инженерным компромиссом: меньше «биологичности», зато воспроизводимо и масштабируемо.
Intel вошёл в игру позже IBM, но дальше других. В сентябре 2017 Intel Labs выпустила Loihi — research-чип, 130 000 нейронов и 130 миллионов синапсов на 14-нм FinFET, полностью цифровой, с on-chip learning (spike-timing-dependent plasticity, STDP). В марте 2020 Intel собрала Pohoiki Springs — систему из 768 чипов Loihi, 100 миллионов нейронов в одной стойке. В сентябре 2021 вышел Loihi 2 — 128 ядер, 1 миллион нейронов на чип, on-chip gradient-descent learning вместо STDP (что критически важно: SNN теперь можно обучать backpropagation'ом). В апреле 2024 Intel + Sandia National Laboratories запустили Hala Point: 1 152 чипа Loihi 2, 1.15 миллиарда искусственных нейронов, 128 миллиардов синапсов, в корпусе размером с микроволновку. Sandia-исследователь Craig Vineyard сказал: «We believe this new level of experimentation — the start, we hope, of large-scale neuromorphic computing — will help create a brain-based system with unrivaled ability to process, respond to and learn from real-life data». Сравнение с тем, что Sandia получила три года назад (Pohoiki Springs, 50 миллионов нейронов): в 10 раз быстрее, в 15 раз плотнее, схем на чипе — с миллиона.
Hala Point — это уже production-class research system, а не «демонстрация возможностей». Финансирование идёт от NNSA (National Nuclear Security Administration, то есть от ядерного щита США), и это само по себе показательно: neuromorphic из экзотики превратился в инструмент для решения «hard»-задач, где energy-бюджет имеет значение (дроны, edge, обработка сенсорных потоков в реальном времени).
И вот тут начинается тот самый контекст, в котором появляется APEX. После 2014 года в академии произошёл раскол: одни считали, что SNN — это тупик, потому что трансформеры победили всё; другие продолжали копать, и в 2022–2026 годах их терпение начало окупаться. ANN-SNN conversion (взять обученную ANN, преобразовать в SNN, получить spike-эквивалент, который потребляет меньше энергии) — этот метод доминирует последние годы. QCFS activation (Quantization-Clip-Floor-Shift) — стандартный приём для минимизации conversion error. Но у него фундаментальная проблема: чтобы соответствовать точности исходной ANN, converted SNN нужны сотни и тысячи timesteps, что съедает всю экономию от sparsity. PASCAL (2025) — работа, на которую опирается APEX, — предложила PASC-IF нейрон, который математически доказанно воспроизводит QCFS-активацию за значительно меньшее число timesteps. И вот в этот момент APEX появился как первый аппаратный дизайн, который умеет эффективно поддерживать PASC-IF, не вводя sequential bottleneck.
В июне 2025 года Сэм Альтман (глава OpenAI) опубликовал блог-пост, в котором раскрыл: средний запрос в ChatGPT потребляет 0.34 ватт-часа. Это «примерно то, что oven использует за чуть больше секунды, или эффективная лампочка использует за пару минут», и 0.000085 галлона воды — около 1/15 чайной ложки. На первый взгляд, 0.34 Wh — ничто. На второй — арифметика другая.
Альтман там же добавил: «as data center production gets automated, the cost of intelligence should eventually converge to near the cost of electricity». То есть он сам признаёт, что ИИ-инфраструктура превращается в электрическую инфраструктуру. В феврале 2025-го он же писал, что «the cost of using AI will drop by 10 times every year», и в доказательство привёл, что цена за токен у GPT-4 в начале 2023 и GPT-4o в середине 2024 упала в 150 раз — то есть «Moore's law на стероидах». Это красиво, но цена за токен падает не потому, что железо стало эффективнее, а потому что дата-центры стали больше и научились лучше батчить запросы. Energy per inference падает медленнее, чем cost per token.
И вот тут вступает arXiv 2505.09598 (How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference, Abdelatti et al., опубликовано 14 мая 2025, обновлено 11 августа 2026). Это первая серьёзная попытка построить infrastructure-aware benchmarking framework для LLM-inference. Они взяли 30 современных моделей, развернутых в коммерческих дата-центрах, и посчитали потребление per query через public API performance + региональные экологические множители + статистическую инференцию hardware-конфигураций. Главные находки:
И ещё одна цифра оттуда же, критически важная: inference может составлять до 90% общего жизненного цикла потребления энергии модели. То есть обучение — это громкий заголовок (для GPT-3 — 1 287 МВт⋅ч, 550 тонн CO₂, 700 килолитров воды на охлаждение, «две трети олимпийского бассейна»), но inference — это рутина, которая в сумме даёт в десять раз больше, чем разовая тренировка. И каждое улучшение energy efficiency per inference превращается в линейную экономию для data center-а.
В апреле 2026 года Международное энергетическое агентство опубликовало обновление своего регулярного Energy and AI report: потребление электричества дата-центрами в 2025 году подскочило резко, даже несмотря на усиливающиеся bottleneck'и, и индустрия вступила в scramble for solutions. IEA ранее прогнозировала, что к 2030 году data center-ы будут потреблять 945 ТВт⋅ч — это примерно вся текущая генерация Японии. Гиперскейлеры уже подписывают 20-летние контракты на реактивные АЭС: Microsoft + Constellation Energy (Three Mile Island, реактор, который выводили из эксплуатации, перезапускают ради Microsoft), Google + Kairos Power (3 малых модульных реактора на 500 МВт к 2035), Amazon — покупка Talen Energy (Сusсеl Nuclear Plant, Pennsylvania).
В этом контексте «−40% энергии на inference» — это не абстрактная цифра. Если удастся выкатить SNN-ускоритель, который даёт +40% эффективности только на edge-нагрузках (а edge — это смартфоны, камеры, датчики IoT, wearable, роботы, дроны), масштаб экономии за десятилетие исчисляется в десятках ГВт⋅ч и в миллиардах долларов на cooling-инфраструктуре. APEX сам по себе на edge не выйдет (40 нм — это 2008 год, не флагман), но он доказывает, что архитектура работает на синтезируемом кремнии, и теперь любой fabless-стартап может взять APEX-паттерн и портировать на 7 нм.
Вот тут начинается та самая часть, которую не любят обсуждать в neuromorphic community, и которая для меня самая важная во всей этой истории. В апреле 2026 года на arXiv появилась работа «When Spike Sparsity Does Not Translate to Deployed Cost: VS-WNO on Jetson Orin Nano» (2604.17040), которая поставила жирную точку в одной очень комфортной иллюзии. Авторы взяли SNN-архитектуру VS-WNO (Variational Sparsity — Wavelet Neural Operator) и развернули её на NVIDIA Jetson Orin Nano — реальном edge-устройстве, которое стоит $249 и продаётся миллионами. И обнаружили:
Это не означает, что SNN — обман. Это означает, что spike sparsity — это necessary, но не sufficient условие. Без специализированного железа, которое умеет эффективно пропускать нулевые спайки на уровне gate'ов (а не «программно проверять, не ноль ли»), вы платите overhead за spikes, не получая выгоды. APEX как раз и есть то самое «специализированное железо», которое решает эту проблему на hardware-уровне, а не «на уровне библиотеки поверх CUDA». Поэтому работы типа APEX — это не академическое упражнение, а единственный способ сделать spike-экономию реально деплоящейся.
И второе ограничение, на которое указывает Jason Eshraghian (UC Santa Cruz, один из главных SNN-исследователей молодого поколения) в интервью EE Times (18 июля 2025): «I think people need to be comfortable with shaking the neuromorphic branding a little bit, being OK with the fact that binary spikes aren't the perfect representation». Его группа разработала SpikeGPT — генеративную языковую модель на 216M параметров, реализованную как SNN, — и обнаружила, что при масштабировании до 1 миллиарда параметров прирост точности становится marginal, потому что бинарные спайки (амплитуда 0 или 1) слишком сильно сжимают информацию. Backpropagation плохо работает с кодированием информации во времени спайка, а не в амплитуде. Решение, которое применяет Loihi 2 и APEX, — ограниченная амплитуда спайков (multi-bit spikes), то есть «ослабить neuromorphic-брендинг, разрешить спайкам иметь несколько уровней». По сути, это возврат к аналоговому поведению в digital wrapper'е, и это самое интересное направление, которое сейчас есть в индустрии.
Ни один серьёзный человек в neuromorphic community не говорит «SNN убьёт NVIDIA». Mike Davies (директор Neuromorphic Computing Lab в Intel Labs) ещё в 2020 году на Intel Labs Day прямо сказал: «There's confusion about neuromorphic research, because there's an overlap between what we can run on a neuromorphic chip like Loihi, and what these deep learning models do». То есть Loihi запускает и ANN, и SNN, и ANN на нём — не «родной» workload, а конвертированный через специальные фреймворки (Nengo, Lava, NxCore).
Реальная зона применения SNN — это event-driven workloads (поступающие данные и так разреженные и асинхронные), edge inference (где ватты решают), real-time sensory processing (где latency важнее throughput), always-on (где устройство годами стоит на батарейке). То есть:
BrainChip Holdings (ASX: BRN, австралийский fabless) — единственная чисто коммерческая компания, продающая neuromorphic-чипы под брендом Akida. В мае 2025-го BrainChip опубликовал обновлённый Technology Roadmap, и в мае 2026-го — Investor Update на AGM 2026. Akida-чипы стоят в нескольких коммерческих продуктах (в основном в smart home IoT, security camera'ах и industrial sensors), но выручка BrainChip пока смехотворна по меркам полупроводниковой индустрии — единицы миллионов долларов в квартал, убытки, dilute'ы акций. То есть neuromorphic — это не инвестиция, а R&D-ставка, и коммерческая кривая ещё не вышла на operating profit.
И всё-таки — BrainChip, Akida, IP-cores, готовые neural models, MetaTF dev tools, reference platforms, Akida Cloud — это уже не «научный прототип», это продуктовая линейка. То есть цикл от Carver Mead (1989) до реального neuromorphic IP-core, который лицензируется и интегрируется в SoC, — это 36 лет. Это очень долго, но это произошло. В полупроводниках вообще всё долго.
Параллельная линия, которую многие упускают, — IBM NorthPole. В феврале 2024 на ISSCC 2024 IBM представила NorthPole — 12-нм чип, оптимизированный для neural network inference. Это не neuromorphic в чистом смысле слова (не spiking, не event-driven), но это in-memory computing: вычисления происходят прямо в SRAM, без перемещения данных между памятью и compute unit. По бенчмаркам IBM, NorthPole даёт ×25 энергоэффективности и ×22 скорости по сравнению с GPU того же техпроцесса на ряде workload'ов (распознавание объектов в реальном времени, NLP-токенизация). Это другая ветвь альтернативного железа — не spiking, а in-memory compute, — и она развивается параллельно. NorthPole — это следующая ступенька между классическим GPU и neuromorphic, и именно на нём IBM делает основную ставку в commercial AI hardware.
APEX вышел 21 августа 2026 года, и это не случайно по времени. Смотрите на параллельные события:
Это не конвергенция — это системный сдвиг: академическое сообщество готовило SNN-железо 36 лет, и в 2026 году сразу несколько причин (энергетика, регуляторика, data center-капекс, edge-спрос, политические ставки на AI sovereignty) делают его актуальным.
В 2024–2025 годах ** TU Dresden** (Steve Furber продолжает с ними сотрудничать) начал развёртывание SpiNNaker-2 — машины второго поколения, которая обещает ×10 производительности по сравнению с SpiNNaker 1 при том же энергопотреблении. SpiNNaker-2 — это другая философия: не «чип с нейроморфной схемотехникой», а «массив обычных ARM-ядер, оптимизированных для spike-traffic». Это neuromorphic как system-level архитектура, а не как circuit-level архитектура, и подход даёт свои плоды: SpiNNaker-2 уже используется для моделирования полного мозга мыши (70 миллионов нейронов) в рамках проекта EBRAINS (EU Human Brain Project successor).
Prophesee (французский стартап, основанный в 2014 году) и iniVation (Швейцария, вырос из iniLabs и Misha Mahowald Prize) делают event-based камеры, которые выдаят асинхронные потоки спайков вместо кадров. На таких камерах обычный GPU обрабатывает данные с 5–10% эффективностью (95% событий — шум и нули), а neuromorphic чип — с 80–90% (всё, что не спайк, просто не трогается). Prophesee в 2024 году подняли раунд C на €50 млн и продают сенсоры для automotive ADAS, industrial inspection и AR/VR. Если APEX-подобные чипы станут стандартом, event-камеры получат идеальный native target — это симбиоз, которого не было 30 лет.
В самой статье APEX не обсуждаются три вещи, которые для практики критичны:
APEX — это честная работа. В ней нет маркетингового шума, нет преувеличений, нет попытки продать «next revolution in AI». Авторы говорят: «на ResNet18 мы даём −40% энергии при лучшей точности; на AlexNet и VGG16 — небольшой проигрыш по энергии, но +2% точности». Это инженерный язык, не «Silicon Valley pitch».
Что мне в APEX нравится архитектурно — это отказ от sequential bottleneck. PASC-IF нейрон трёхступенчатый, и наивно реализованный «step-by-step» он убил бы параллелизм, который даёт FTP dataflow. APEX решает это тем, что распаковывает все три стадии в комбинационные схемы — то есть латентность не добавляется, площадь растёт на 2.7%, мощность — на 1.3–5.4%. Это именно тот тип решений, которые в hardware-инженерии называются «free lunch»: вы получаете качественный скачок в точности почти бесплатно. В мире, где каждый милливатт-час на data center считается, 2.7% площади — это fair price за устранение 1024 timesteps до 8–16.
Что меня в APEX настораживает — это узость экспериментальной базы. Авторы тестируют ResNet18, AlexNet и VGG16 на классических image classification benchmark'ах. Это очень 2017 год. Современные SNN должны доказывать свою состоятельность на transformer-like workloads, graph neural networks, reinforcement learning и on-device personalization (online learning без re-training). И именно здесь APEX молчит. Это значит, что до production deployment ещё 3–5 лет минимум: сначала tape-out, characterization, потом software stack, потом хотя бы один workload за пределами классификации, потом Pilot в edge-камере Prophesee или в слуховом аппарате, потом — если повезёт — интеграция в SoC.
И всё-таки — APEX стоит на правильном месте в 2026 году. Не как «убийца NVIDIA», а как доказательство концепции для целого класса архитектур, которые 36 лет существовали на обочине, а теперь незаметно становятся relevant. Стекхолдеры на каждом уровне: Intel (Hala Point), IBM (NorthPole), BrainChip (Akida), Prophesee (event-камеры), iniVation (sensors), академия (APEX, PASC-IF, SpikeGPT, SpiNNaker-2) — все двигаются в одном направлении, и это направление впервые за десятилетие совпадает с экономическим стимулом.
Самая красивая ирония в том, что мозг, ради которого всё это затевалось, остаётся за пределами сравнения. Человеческий мозг — 86 миллиардов нейронов, 20 ватт, 20 Гц средняя частота спайков. Hala Point — 1.15 миллиарда нейронов (1.3% от мозга), но потребляет **2 600 Вт** (в 130 раз больше мозга на 1 нейрон). APEX в 16 TPPE — это десятки тысяч нейронов, в миллион раз меньше мозга, и десятки милливатт. Прогресс есть, но порядки величин всё ещё не в нашу пользу. Carver Mead в 1989-м говорил, что через 20 лет hardware повторит мозг. В 2026-м мы всё ещё на пути к этому, и APEX — это один маленький кирпич на этом пути. Но кирпич синтезируемый, синтез проходит на 400 МГц, и кирмичный завод уже строится.