Neuromorphic Computing: Was Computer vom Gehirn lernen — und was nicht

Kurz gesagt: Neuromorphe Chips übernehmen drei Prinzipien aus dem Nervensystem: Sie kommunizieren über kurze Impulse, sie rechnen nur, wenn etwas passiert, und sie halten ihre Daten direkt neben den Recheneinheiten. Das funktioniert — mehrere Forschungssysteme laufen seit Jahren. Die großen Effizienzzahlen stammen aber überwiegend von den Entwicklern selbst, und der Engpass liegt heute weniger beim Silizium als bei Software und Training.

Die Idee klingt zunächst nach Science-Fiction: einen Chip bauen, der arbeitet wie ein Gehirn. Gemeint ist etwas Nüchterneres. Niemand baut ein Gehirn nach. Es geht darum, ein paar Konstruktionsprinzipien abzuschauen, die das Nervensystem so sparsam machen — warum es mit rund 20 Watt auskommt, erklärt der Artikel Warum braucht das Gehirn nur 20 Watt?. Hier geht es um die Frage, was davon sich in Chips übertragen lässt und was die bekanntesten Systeme tatsächlich gezeigt haben.

Drei Prinzipien, die neuromorphe Chips übernehmen #

Ein gewöhnlicher Prozessor arbeitet taktgesteuert: Jede Nanosekunde tickt eine Uhr, und bei jedem Takt werden Daten geholt, verarbeitet und zurückgeschrieben — auch dann, wenn sich an den Eingangsdaten nichts geändert hat. Neuromorphe Architekturen weichen an drei Stellen davon ab.

1. Spikes statt Zahlenkolonnen #

Biologische Neuronen senden keine Kommazahlen, sondern kurze elektrische Impulse, sogenannte Spikes. Die Information steckt darin, ob und wann ein Neuron feuert. Neuromorphe Chips übernehmen das: Ein künstliches Neuron sammelt eingehende Impulse, und erst wenn eine Schwelle überschritten ist, schickt es selbst einen Impuls weiter. Dazwischen passiert nichts.

Beim SpiNNaker-Projekt sieht man, was das für die Kommunikation bedeutet: Das Verbindungsnetz ist darauf ausgelegt, sehr viele sehr kleine Datenpakete zu übertragen, von denen jedes genau einen Spike eines Neurons meldetDemonstriert. Statt großer Datenblöcke fließen also winzige Nachrichten der Art „Neuron 4711 hat gerade gefeuert“.

2. Ereignisgesteuert statt getaktet #

Daraus folgt das zweite Prinzip: Gerechnet wird nur, wenn ein Ereignis eintrifft. Ein ruhiges Netz verbraucht wenig, ein aktives mehr. Das ähnelt eher einem Homeserver, der im Leerlauf fast nichts zieht, als einer GPU, die im Takt Matrizen abarbeitet, egal was drinsteht.

Ein Rechenbeispiel (keine Messung, frei gewählte Zahlen) macht den möglichen Effekt greifbar: Eine Kamera liefert 30 Bilder pro Sekunde, von Bild zu Bild ändern sich aber nur 2 % der Pixel. Ein bildweise arbeitendes System verarbeitet trotzdem 100 % der Pixel jedes Bildes. Ein ereignisgesteuertes System verarbeitet nur die 2 %, die sich geändert haben — rein rechnerisch ein Fünfzigstel der Eingangsdaten. Ob daraus ein entsprechender Energievorteil wird, hängt davon ab, wie teuer Verwaltung, Kommunikation und Leerlauf der Hardware sind. Genau diese Frage ist bei neuromorphen Chips der eigentliche Prüfstein.

3. Speicher neben dem Rechenwerk, viele kleine Kerne #

Im Gehirn liegen Synapsen, die „Gewichte“, direkt an den Neuronen. In klassischen Rechnern liegen sie im Arbeitsspeicher, und jedes Gewicht muss erst zum Rechenwerk transportiert werden. Warum dieser Transport so viel Energie und Zeit kostet, beschreibt der Artikel zur Memory Wall.

Neuromorphe Chips verteilen deshalb Speicher und Rechnen auf viele kleine Kerne, von denen jeder seine eigenen Neuronen samt Synapsen lokal verwaltet. Die Kerne arbeiten parallel und unabhängig voneinander und schicken sich nur Spikes. Das ist verwandt mit, aber nicht dasselbe wie Compute-in-Memory: Dort rechnet die Speicherzelle selbst, hier sitzt der Speicher nur sehr nah am Rechenwerk.

Spiking Neural Networks in drei Absätzen #

Was auf neuromorphen Chips läuft, heißt Spiking Neural Network (SNN). Es ist mit den neuronalen Netzen hinter ChatGPT oder Stable Diffusion verwandt, aber nicht dasselbe. Ein klassisches künstliches Neuron rechnet bei jedem Durchlauf eine gewichtete Summe und gibt eine Zahl aus. Ein spikendes Neuron hat einen inneren Zustand, der sich über die Zeit auflädt und wieder abfällt, und gibt nur gelegentlich einen Impuls ab. Zeit ist also Teil der Berechnung.

Das macht SNNs interessant für Daten, die ohnehin als Ereignisstrom ankommen — und schwierig zu trainieren. Das Standardverfahren für heutige KI-Modelle, das Backpropagation-Training mit Gradienten, setzt voraus, dass man die Ausgabe eines Neurons nach seinen Eingaben ableiten kann. Ein Spike ist aber ein Alles-oder-nichts-Ereignis. Die binäre und zeitlich dynamische Natur von Spikes erschwert das Training; sogenannte Surrogate-Gradienten, also geglättete Ersatz-Ableitungen, gelten als flexibler Weg, das Problem zu umgehenBelegt.

Damit ist das Kernproblem schon benannt: Für GPUs gibt es PyTorch, fertige Modelle und Millionen Anleitungen. Für SNNs gibt es Forschungswerkzeuge und deutlich weniger Erfahrung. In Vorbereitung: Spiking Neural Networks im Detail.

Die bekannten Systeme #

Vier Forschungssysteme prägen das Feld. Sie verfolgen dieselbe Grundidee, setzen aber sehr unterschiedliche Schwerpunkte.

IBM TrueNorth (2014): ein Chip, eine Million Neuronen #

TrueNorth besteht aus 5,4 Milliarden Transistoren und 4.096 Kernen, die zusammen eine Million programmierbare spikende Neuronen und 256 Millionen Synapsen bilden. Bei Videoeingang mit 400 × 240 Pixeln und 30 Bildern pro Sekunde verbraucht der Chip 63 MilliwattDemonstriert. Die Zahl ist begutachtet in Science erschienen, stammt aber vom Entwicklerteam bei IBM und gilt für eine bestimmte Erkennungsaufgabe — kein allgemeiner Effizienzwert.

Intel Loihi (2018): Lernen auf dem Chip #

Loihi ist ein 60 mm² großer Chip in Intels 14-nm-Fertigung mit 128 neuromorphen Kernen, der programmierbare Lernregeln direkt auf dem Chip unterstütztDemonstriert. Das ist der Unterschied zu TrueNorth: Synapsengewichte können sich im Betrieb nach programmierbaren Regeln selbst anpassen. Die Entwickler berichten, dass Loihi ein bestimmtes Optimierungsproblem (LASSO) mit einem um mehr als drei Größenordnungen besseren Energie-Verzögerungs-Produkt löst als ein konventioneller Löser auf einer CPU mit vergleichbarer FertigungDemonstriert — eine Zahl von Intel selbst, für eine ausgewählte Aufgabe.

Aufschlussreicher ist die Bilanz, die dasselbe Team drei Jahre später zog: Klassische vorwärtsgerichtete Deep-Learning-Netze zeigen auf Loihi einen geringen oder gar keinen Vorteil. Gehirnähnlichere Netze mit Rückkopplung, präzisem Spike-Timing, Plastizität und Sparsity erreichten bei bestimmten Aufgaben dagegen um Größenordnungen niedrigere Latenz und EnergieDemonstriert. Auch das sind Entwicklerzahlen — aber die Einschränkung ist ehrlich formuliert und wichtig: Wer ein heutiges KI-Modell einfach auf einen neuromorphen Chip „umzieht“, gewinnt wenig.

Der Nachfolger Loihi 2 steckt in Intels größtem System: Hala Point kombiniert 1.152 Loihi-2-Prozessoren mit bis zu 1,15 Milliarden Neuronen; Intel nennt es selbst einen ForschungsprototypHerstellerangabe. Die Einordnung von Hala Point steht bereits in der Landkarte der neuen Rechnerarchitekturen.

SpiNNaker (Manchester): viele einfache Prozessoren #

SpiNNaker geht einen anderen Weg: Statt spezieller Neuronenschaltungen nutzt es sehr viele einfache, programmierbare Prozessorkerne, die über ein spike-optimiertes Netz verbunden sind. Ziel ist ein massiv paralleler Rechner mit einer Million Kernen, der große spikende Netze in biologischer Echtzeit simuliert; 2014 liefen bereits Systeme mit bis zu 2.500 ProzessorenDemonstriert. SpiNNaker ist damit vor allem ein Werkzeug der Hirnforschung, weniger ein KI-Beschleuniger.

Spannend ist ein Vergleich mit Software auf einem Hochleistungsrechner. Bei der Simulation eines kortikalen Mikroschaltkreises mit rund 80.000 Neuronen und 0,3 Milliarden Synapsen brauchte SpiNNaker für eine mit der Simulationssoftware NEST vergleichbare Genauigkeit einen Verlangsamungsfaktor von etwa 20 gegenüber Echtzeit. Im energiegünstigsten Betriebspunkt lagen NEST auf dem Cluster und SpiNNaker beim Energieverbrauch pro synaptischem Ereignis gleichaufDemonstriert. Das Autorenteam kam aus beiden Lagern, und das Ergebnis ist unspektakulär ehrlich: Neuromorphe Hardware ist nicht automatisch sparsamer als gut optimierte Software.

BrainScaleS (Heidelberg): analog und schneller als die Biologie #

BrainScaleS ist der Exot unter den vier. Die zweite Generation kombiniert einen analogen Kern, in dem Ströme und Spannungen die Neurondynamik direkt physikalisch nachbilden, mit einem eng gekoppelten digitalen Prozessor und einem digitalen Netz für die Spike-Weiterleitung. Das System läuft etwa tausendmal schneller als die biologische ZeitskalaDemonstriert. Rein rechnerisch läuft ein biologischer Tag (86.400 Sekunden) damit in rund anderthalb Minuten ab — interessant für Forschung an Lernen und Plastizität, bei der man sonst sehr lange warten müsste.

Die vier im Vergleich #

Wo neuromorphe Chips heute sinnvoll sein könnten #

Die Stärken passen zu Aufgaben, bei denen Daten als Ereignisstrom ankommen, selten etwas passiert und schnell reagiert werden muss — also eher am Rand des Netzes (Edge) als im Rechenzentrum.

• Sensorik: Ereigniskameras melden nicht ganze Bilder, sondern nur Helligkeitsänderungen einzelner Pixel, mit Zeitauflösung im Mikrosekundenbereich, rund 140 dB Dynamikumfang gegenüber etwa 60 dB bei herkömmlichen Kameras und geringer LeistungsaufnahmeBelegt. Ihre Ausgabe ist praktisch schon ein Spike-Strom, was sie zu natürlichen Partnern neuromorpher Prozessoren macht.
• Robotik und Regelung: schnelle Reaktion auf Sensorereignisse, wenig Energie auf dem Gerät. Die Loihi-Übersicht nennt adaptive Regelung als eines der Felder mit guten Ergebnissen.
• Optimierung und Suche: Teile der Loihi-Ergebnisse betreffen Optimierungs- und Graphprobleme, nicht klassische KI.

Dass neuromorphe Chips große Sprachmodelle effizient ausführen, ist bislang nicht gezeigtEvidenz: Theorie — die Stärken liegen dort, wo wenig und unregelmäßig etwas passiert, nicht bei dichten Matrixmultiplikationen. In Vorbereitung: Wo neuromorphe Chips heute sinnvoll sind: Edge, Robotik, Sensorik.

Warum es kein Mainstream ist #

Die Hardware existiert seit über zehn Jahren. Dass trotzdem niemand neuromorphe Beschleuniger in Server steckt, hat drei Gründe.

Software und Algorithmen hinken hinterher. Eine Übersicht in Nature Computational Science stellt fest, dass sich ein Großteil der Arbeit im Feld auf die Hardware konzentriert hat, und sieht den Nachholbedarf bei Algorithmen und AnwendungenBelegt. Ohne Algorithmen, die Spikes und Zeit wirklich ausnutzen, bleibt der Chip unterfordert — siehe den geringen Vorteil bei klassischen Deep-Learning-Netzen auf Loihi.

Training ist schwieriger. Wie oben beschrieben, passen Spikes schlecht zum gradientenbasierten Training, das die heutige KI trägt. Es gibt Umwege, aber kein Ökosystem, das mit PyTorch und CUDA vergleichbar wäre. In Vorbereitung: Wie programmiert man neuromorphe Hardware?

Vergleiche sind schwer. Dem Feld fehlen standardisierte Benchmarks, was es schwierig macht, Fortschritte zu messen und neuromorphe Ansätze fair mit konventionellen Methoden zu vergleichen; das 2025 in Nature Communications veröffentlichte Framework NeuroBench soll diese Lücke schließenBelegt. Bis solche Messungen breit vorliegen, bleiben die meisten Effizienzzahlen Einzelergebnisse der Entwicklerteams.

Reality Check (Stand: September 2026) #

• Demonstriert: Neuromorphe Chips funktionieren. TrueNorth, Loihi, SpiNNaker und BrainScaleS sind gebaut, laufen und wurden in begutachteten Arbeiten beschrieben.
• Demonstriert, aber von den Entwicklern: Die großen Effizienzvorteile — 63 Milliwatt für Videoerkennung, Faktor über 1.000 beim LASSO-Problem, Größenordnungen bei gehirnähnlichen Netzen — stammen aus Papers der jeweiligen Entwicklerteams, für ausgewählte Aufgaben.
• Unabhängig eingeordnet: Wo Vergleiche mit gut optimierter Software vorliegen, schrumpft der Abstand teils deutlich — beim SpiNNaker-Vergleich auf Gleichstand pro synaptischem Ereignis.
• Offen: Ob sich neuromorphe Chips jenseits von Nischen wie Ereignissensorik und Robotik durchsetzen, hängt an Software, Training und fairen Benchmarks, nicht mehr in erster Linie am Silizium.

Was heißt das fürs eigene Homelab? #

Ehrliche Antwort: noch nichts, was man kaufen und in den Serverschrank stellen könnte. Alle vier Systeme sind Forschungshardware, und für lokale Sprachmodelle bleibt die GPU mit viel Speicher die richtige Wahl.

Zwei Dinge lassen sich trotzdem mitnehmen. Erstens: Spiking Neural Networks kann man in Software simulieren — NEST, die Simulationssoftware aus dem SpiNNaker-Vergleich, läuft auf gewöhnlichen Rechnern bis hin zu Clustern. Wer das Prinzip „rechnen nur bei Ereignissen“ verstehen will, braucht keine Spezialhardware. Zweitens ist das Prinzip im Kleinen längst Homelab-Alltag: Ein Server, der im Leerlauf wenig verbraucht und nur unter Last hochfährt, spart mehr als einer mit hoher Spitzenleistung. Wie man das bei einem Proxmox-Host umsetzt, steht im Guide Proxmox-Stromverbrauch senken.