न्यूरोमॉर्फिक कंप्यूटिंग: ऊर्जा-भूखे AI युग के लिए मस्तिष्क-प्रेरित चिप

एक आँकड़ा ऐसा है जो आर्टिफिशियल इंटेलिजेंस को दुनिया भर की बिजली निगलते देख रहे हर व्यक्ति को परेशान करना चाहिए: इंसानी मस्तिष्क, जो किसी चेहरे को पहचान सकता है, बातचीत कर सकता है और कोई नया कौशल सीख सकता है, लगभग 20 वाट पर चलता है — एक मद्धम बल्ब से भी कम। इसके मुकाबले आज के AI मॉडल को प्रशिक्षित करने और चलाने वाले डेटा सेंटर मेगावाट में मापी जाने वाली बिजली खींचते हैं, और उनकी भूख इतनी तेज़ी से बढ़ रही है कि राष्ट्रीय बिजली ग्रिड पर दबाव पड़ रहा है। उसी अंतराल में — 20 वाट पीने वाले डेढ़ किलो के अंग और एक छोटे कस्बे जितनी बिजली डकारने वाले सर्वर हॉल के बीच — न्यूरोमॉर्फिक कंप्यूटिंग (Neuromorphic Computing) का तर्क छिपा है: ऐसी चिप बनाने की कोशिश जो मस्तिष्क की तरह काम करें, ताकि मशीनी बुद्धिमत्ता किसी दिन आज की तुलना में बेहद कम लागत पर चल सके।

और इसका समय इसे महज़ एक जिज्ञासा से कहीं अधिक बना देता है। जैसे-जैसे AI क्लाउड से निकलकर फ़ोन, कारों, फ़ैक्टरी सेंसरों और पहनने वाले उपकरणों तक फैल रहा है, हर चीज़ को किसी विशाल डेटा सेंटर तक भेजने का पुराना तरीका टूटने लगता है — बहुत धीमा, बहुत बिजली-भूखा, किसी कनेक्शन पर बहुत अधिक निर्भर। भारत जैसे देश के लिए, जो अपना AI और सेमीकंडक्टर आधार खड़ा करने की दौड़ में है और साथ ही बिजली की कमी वाले भविष्य की ओर देख रहा है, ऐसी तकनीक जो ऊर्जा के एक छोटे-से हिस्से में बुद्धिमत्ता देने का वादा करती है, कोई विलासिता नहीं है। यह ठीक वैसी ही छलाँग है जो उस UPSC अभ्यर्थी को पुरस्कृत करती है जो सरल भाषा में यह समझा सके कि कोई कंप्यूटर किस तरह बना है, यह उतना ही मायने रखता है जितना कि वह कितनी तेज़ चलता है।

न्यूरोमॉर्फिक कंप्यूटिंग क्या है और यह किस अड़चन से बच निकलती है

उस मशीन से शुरू करें जिसे आप पहले से जानते हैं। धरती का लगभग हर कंप्यूटर — आपका लैपटॉप, आपका फ़ोन, हर ऐप के पीछे के सर्वर — वॉन न्यूमान आर्किटेक्चर (von Neumann Architecture) पर बना है, जिसका नाम गणितज्ञ जॉन वॉन न्यूमान के नाम पर पड़ा, जिन्होंने इसे 1940 के दशक में प्रस्तुत किया था। इसकी सबसे बड़ी विशेषता एक साफ़ अलगाव है: प्रोसेसर (CPU) सोचने का काम करता है, और एक अलग मेमोरी ब्लॉक डेटा रखता है, जिनके बीच एक रास्ता चलता है। हर गणना का मतलब है मेमोरी से डेटा लाना, प्रोसेसर में उस पर गणना करना, और नतीजा वापस भेजना। इस डिज़ाइन ने अस्सी साल तक कंप्यूटिंग को सँभाला है। पर इसमें एक अंदरूनी अड़चन है, और इंजीनियरों ने इसे नाम दिया: वॉन न्यूमान बॉटलनेक (von Neumann Bottleneck)। प्रोसेसर अक्सर खाली बैठा रहता है, इस इंतज़ार में कि डेटा उस रास्ते पर रेंगते हुए आगे-पीछे आए, और किसी चिप की ऊर्जा का बड़ा हिस्सा असल गणना पर नहीं, बल्कि केवल मेमोरी और प्रोसेसर के बीच डेटा इधर-उधर ले जाने पर खर्च होता है।

न्यूरोमॉर्फिक कंप्यूटिंग — इस शब्द का अर्थ है “तंत्रिका तंत्र के रूप में” — इस अलगाव को ही फेंक देती है। एक तरफ़ CPU और दूसरी तरफ़ मेमोरी रखने के बजाय, यह हार्डवेयर को कृत्रिम न्यूरॉन (Neuron) और सिनैप्स (Synapse) से बनाती है, ठीक वही दो इकाइयाँ जिन्हें मस्तिष्क इस्तेमाल करता है। मस्तिष्क में एक न्यूरॉन एक नन्हा प्रोसेसर है और उसे दूसरे न्यूरॉनों से जोड़ने वाले सिनैप्स दोनों काम करते हैं — सूचना भी रखते हैं (हर कनेक्शन की मज़बूती के रूप में) और गणना भी करते हैं (संकेत को आगे बढ़ाकर या रोककर)। मेमोरी और प्रोसेसिंग एक ही भौतिक चीज़ हैं, एक ही जगह बैठी हुई। न्यूरोमॉर्फिक चिप इसकी नकल करती हैं: वे भंडारण और गणना को आपस में मिला देती हैं ताकि डेटा को मुश्किल से ही हिलना पड़े। इसे अक्सर इन-मेमोरी या नियर-मेमोरी कंप्यूटिंग (in-memory / near-memory computing) कहा जाता है, और यही वह एकमात्र विचार है जो इन चिप को उस अड़चन से बचने देता है जो हर साधारण मशीन को परिभाषित करती है।

इसका फ़ायदा सिर्फ़ रफ़्तार नहीं, बल्कि सूचना को सँभालने का बिलकुल अलग तरीका है। एक सामान्य प्रोसेसर एक घड़ी की धुन पर चलता है, हर टिक पर काम करता है, चाहे कुछ बदला हो या नहीं। एक न्यूरोमॉर्फिक चिप इवेंट-संचालित (event-driven) होती है: इसके कृत्रिम न्यूरॉन तब तक शांत रहते हैं और लगभग कोई बिजली नहीं जलाते जब तक उन्हें “फ़ायर” करने यानी एक छोटी-सी धड़कन भेजने भर का इनपुट न मिल जाए, जिसे स्पाइक (Spike) कहते हैं। कुछ न होने का मतलब है कोई गणना नहीं, और कोई गणना नहीं होने का मतलब है लगभग कोई ऊर्जा खर्च नहीं। मस्तिष्क ठीक इसी तरह बिजली बचाता है, और इसी की नकल न्यूरोमॉर्फिक हार्डवेयर को उस छितरे, छिटपुट, असल दुनिया के डेटा पर इतना किफ़ायती बना देती है — किसी सुनसान सड़क का कैमरे में दिखता दृश्य, किसी शांत कमरे का माइक्रोफ़ोन — जिसे पारंपरिक AI चिप फ़िज़ूल में पीसती रहती हैं।

चिप कैसे काम करती हैं: स्पाइक, सिनैप्स और मेमरिस्टर

तो सिलिकॉन में आख़िर एक न्यूरॉन बनाते कैसे हैं? मूल तरकीब यह है कि डेटा को संख्याओं की लगातार धाराओं के रूप में भेजना बंद कर दिया जाए और उसे स्पाइक के रूप में भेजा जाए — छोटी-छोटी बिजली की धड़कनें, ठीक वैसी ही जैसी असली न्यूरॉन छोड़ते हैं। यह स्पाइकिंग न्यूरल नेटवर्क (Spiking Neural Network, या SNN) की दुनिया है, जो न्यूरोमॉर्फिक कंप्यूटिंग के केंद्र में बैठा सॉफ़्टवेयर-और-हार्डवेयर मॉडल है। किसी SNN में सूचना केवल इससे नहीं ढोई जाती कि संकेत कितना तेज़ है, बल्कि इससे भी कि स्पाइक कब और कितनी बार आते हैं — समय खुद डेटा बन जाता है, ठीक वैसे ही जैसे जीवित मस्तिष्कों में होता है। चूँकि कोई न्यूरॉन तभी काम करता है जब स्पाइक उसे एक सीमा (threshold) से आगे धकेल दें, इसलिए यह तंत्र स्वाभाविक रूप से उस हर चीज़ को नज़रअंदाज़ कर देता है जिस पर प्रतिक्रिया देना ज़रूरी नहीं। एक साधारण AI मॉडल हर फ़्रेम के हर पिक्सेल को संसाधित करता है; एक स्पाइकिंग तंत्र केवल उन्हीं पिक्सेल को संसाधित कर सकता है जो बदले हैं, जो ज़्यादातर असल-दुनिया के इनपुट में एक नन्हा-सा अंश होता है।

कृत्रिम सिनैप्स वहाँ हैं जहाँ सबसे चतुर हार्डवेयर रहता है, और यहीं मेमरिस्टर (Memristor) नाम का एक उपकरण काम में आता है। मेमरिस्टर — यानी “मेमोरी रेज़िस्टर” — एक नन्हा घटक है जो अपना विद्युत प्रतिरोध (resistance) उस धारा के अनुसार बदलता है जो उसमें से बह चुकी है, और सबसे ख़ास बात, वह उस प्रतिरोध को बिजली बंद हो जाने के बाद भी याद रखता है। इससे वह जैविक सिनैप्स के लगभग एकदम सटीक विकल्प बन जाता है: प्रतिरोध का मान ही कनेक्शन का “भार” (weight) है, वह उस भार को रखता भी है और जब कोई संकेत गुज़रता है तो उसके साथ गणना भी करता है, और बिना लगातार बिजली के उस मान को बनाए रखता है। मेमरिस्टर का एक घना जाल बनाइए — एक क्रॉसबार ऐरे (crossbar array) — और आपके पास एक ऐसी संरचना है जो AI की भारी गणित, यानी गुणा-और-जोड़ की क्रियाएँ, सीधे मेमोरी के भीतर एक ही भौतिक चरण में कर सकती है, न कि हज़ारों अलग-अलग बार डेटा लाने और गणना करने में। दूसरे न्यूरोमॉर्फिक तंत्र पारंपरिक ट्रांज़िस्टरों पर अधिक निर्भर करते हैं जिन्हें न्यूरॉन की तरह बर्ताव करने के लिए जमाया जाता है, पर सिद्धांत वही है: मेमोरी और गणना को साथ रखो, और गणित को हार्डवेयर के भौतिक नियमों से करा लो।

स्पाइक और सिनैप्स को मिला दीजिए तो आपको न्यूरोमॉर्फिक नुस्ख़ा तीन पंक्तियों में मिल जाता है: अड़चन को ख़त्म करने के लिए भंडारण और गणना एक ही जगह करो, ताकि बेकार बैठकर कोई ऊर्जा न जाए इसलिए इवेंट-संचालित स्पाइक में संवाद करो, और कनेक्शन की मज़बूती को ऐसे गैर-वाष्पशील (non-volatile) उपकरणों में रहने दो कि चिप चलते-चलते सीख भी सके — खुद को नए सिरे से जोड़ भी सके। इनमें से कोई भी बात इस चिप को आपके लैपटॉप का सर्वसामान्य विकल्प नहीं बना देती। यह इसे काम के एक ख़ास परिवार में ज़बरदस्त रूप से अच्छा बना देती है: बहते हुए, संवेदी, असल-दुनिया के डेटा पर पैटर्न पहचानना, उस ऊर्जा बजट में जिसका सपना वॉन न्यूमान की दुनिया ही देख सकती है।

पहले से बनी चिप: Loihi, NorthPole, SpiNNaker और Akida

यह काग़ज़ी विचार नहीं है। काम करने वाली न्यूरोमॉर्फिक चिप पहले से मौजूद हैं, और कुछ के नाम ठीक-ठीक लेना किसी भी उत्तर को ऊपर उठा देगा। Intel की शोध चिप, Loihi 2, एक ही सिलिकॉन के टुकड़े पर लगभग दस लाख कृत्रिम न्यूरॉन और 12 करोड़ सिनैप्स समेटे है, ऑन-चिप लर्निंग का समर्थन करती है ताकि यह वास्तविक समय में ढल सके, और जिस तरह के छितरे, इवेंट-आधारित कामों के लिए यह बनी है, उन पर इसने पारंपरिक प्रोसेसर से करीब सौ गुना बेहतर ऊर्जा दक्षता दिखाई है, वह भी कहीं कम विलंब (latency) के साथ। IBM ने अपनी NorthPole चिप के साथ इन-मेमोरी विचार को ज़ोर से आगे बढ़ाया, जिसे 2023 में पेश किया गया, और जो गणना तथा मेमोरी को इतनी कसकर मिला देती है कि डेटा सिलिकॉन से शायद ही बाहर निकलता है — IBM ने बताया कि यह छवि-पहचान को अपने दौर के एक शीर्ष ग्राफ़िक्स प्रोसेसर की तुलना में कहीं अधिक दक्षता से चला रही थी, और वह भी उस तरल शीतलन (liquid cooling) के बिना जिसकी उन AI चिप को ज़रूरत होती है। ये बड़े नाम हैं: ढलने और सीखने में सक्षम स्पाइकिंग के लिए Intel Loihi, इन-मेमोरी दक्षता के लिए IBM TrueNorth और उसका उत्तराधिकारी NorthPole।

फिर वे तंत्र हैं जो मस्तिष्क की बड़े पैमाने पर नकल करने के लिए बने हैं। SpiNNaker — यानी “स्पाइकिंग न्यूरल नेटवर्क आर्किटेक्चर”, जिसे यूनिवर्सिटी ऑफ़ मैनचेस्टर में विकसित किया गया और ड्रेसडेन में SpiNNaker 2 के रूप में आगे बढ़ाया गया — बड़ी संख्या में छोटे-छोटे कोर को आपस में जोड़कर वास्तविक समय में लाखों न्यूरॉन का अनुकरण करता है, जो AI के लिए भी एक औज़ार है और उन तंत्रिका-वैज्ञानिकों के लिए भी जो यह अध्ययन करते हैं कि मस्तिष्क असल में गणना कैसे करते हैं। इसका चचेरा भाई, हाइडलबर्ग का BrainScaleS तंत्र, एक अलग रास्ता अपनाता है: न्यूरॉन का डिजिटल अनुकरण करने के बजाय यह ऐसे एनालॉग इलेक्ट्रॉनिक्स का इस्तेमाल करता है जिसके भौतिक नियम न्यूरॉन की तरह बर्ताव करते हैं, और जो जैविक समय से कहीं तेज़ चलता है। SpiNNaker और BrainScaleS दोनों यूरोप की दशक भर चली Human Brain Project से निकले, और वे शोध के बँटवारे को साफ़ दिखाते हैं — कुछ प्रयोगशालाएँ मस्तिष्क की निष्ठावान नकल का पीछा करती हैं, तो कुछ दक्ष AI का।

सबसे आक्रामक व्यावसायिक कोना एज AI (edge AI) है, और यहाँ सबसे प्रमुख है BrainChip का Akida परिवार। Akida को इस तरह डिज़ाइन किया गया है कि उसे छोटे उपकरणों — सेंसरों, कैमरों, कानों में पहने जाने वाले यंत्रों — में डाला जा सके और मिलीवाट भर बिजली पर AI को स्थानीय रूप से चलाया जा सके। 2025 के अंत में BrainChip ने अपना AKD1500 को-प्रोसेसर पेश किया, जिसे उसने एक तिहाई वाट से भी कम बिजली खींचते हुए हर सेकंड सैकड़ों अरब क्रियाओं पर पेश किया — ऐसा आँकड़ा जो किसी बैटरी-चालित गैजेट को महीनों तक हमेशा-चालू बुद्धिमत्ता चलाने देता है। पूर्ण रूप में बाज़ार अब भी छोटा है — कुछ रूढ़िवादी अनुमानों के अनुसार 2025 में महज़ कुछ सौ मिलियन डॉलर का — पर अनुमान है कि एक दशक के भीतर यह कई गुना बढ़ेगा, ठीक इसीलिए क्योंकि जैसे-जैसे AI डेटा सेंटर से बाहर निकलता है, ऊर्जा का तर्क इतना दमदार है।

यह क्यों मायने रखता है: एज AI, रोबोटिक्स और ऊर्जा का हिसाब

इंजीनियरिंग की ख़ूबसूरती से परे, इसकी परवाह करने की वजह AI की भूख और ग्रह की बिजली आपूर्ति के बीच की टकराव-राह है। बड़े AI मॉडल को प्रशिक्षित करना और चलाना पहले ही छोटे देशों के पैमाने पर बिजली खपा रहा है, और अनुमान दिखाते हैं कि जैसे-जैसे AI का इस्तेमाल फैलेगा, डेटा-सेंटर की माँग तेज़ी से बढ़ेगी। आप हमेशा के लिए केवल बड़ी, गर्म, ज़्यादा प्यासी चिप बनाते नहीं रह सकते — ग्रिड, शीतलन और कार्बन सब पीछे धकेलते हैं। न्यूरोमॉर्फिक कंप्यूटिंग उन गिने-चुने तरीकों में से एक है जो इस समस्या पर उसकी जड़ में, यानी आर्किटेक्चर में ही वार करता है, न कि केवल मौजूदा डिज़ाइनों से कुछ प्रतिशत छील देता है। अगर कोई काम जिसमें किसी डेटा-सेंटर GPU को सौ जूल लगते हैं, मस्तिष्क-प्रेरित चिप एक जूल में कर दे, तो यह कोई थोड़ी-सी बचत नहीं है; यह बदल देता है कि क्या वहनीय है और AI कहाँ रह सकता है।

वह “कहाँ” ही दूसरी बड़ी वजह है: एज (edge)। आज ज़्यादातर AI क्लाउड में चलता है, जिसका मतलब है कि आपका उपकरण डेटा को किसी दूर के सर्वर तक भेजता है और जवाब का इंतज़ार करता है — किसी चैटबॉट के लिए ठीक है, पर ब्रेक लगाने का फ़ैसला कर रही किसी स्वचालित कार, या अनियमित धड़कन पकड़ रहे किसी पेसमेकर के लिए बेकार। एज AI का मतलब है सोचने का काम उपकरण पर ही करना, तुरंत और निजी रूप से, बिना किसी नेटवर्क के आने-जाने के। पर उपकरणों में नन्ही बैटरियाँ होती हैं और किसी भट्टी-जैसी चिप के लिए जगह नहीं होती। न्यूरोमॉर्फिक हार्डवेयर, जो मिलीवाट भर बिजली पीता है और तभी जागता है जब कुछ घटित होता है, हमेशा-चालू एज बुद्धिमत्ता के लिए लगभग ख़ास तौर पर बना है: एक सुरक्षा कैमरा जो तभी गणना करे जब हलचल दिखे, एक श्रवण-यंत्र जो वास्तविक समय में बोली को छाने, एक ड्रोन जो अपने ही ऊर्जा बजट पर रास्ता खोजे। इसकी इवेंट-संचालित प्रकृति रोबोटिक्स और संवेदी प्रसंस्करण के लिए भी उपयुक्त है, जहाँ किसी मशीन को दृश्य, ध्वनि और स्पर्श की एक उलझी, अप्रत्याशित धारा पर लगातार प्रतिक्रिया देनी होती है।

असली अड़चनें भी हैं, और एक ईमानदार उत्तर को उन्हें नाम देना चाहिए। हार्डवेयर सॉफ़्टवेयर से आगे निकल गया है — किसी स्पाइकिंग चिप को प्रोग्राम करना सामान्य कोड लिखने जैसा कुछ भी नहीं है, औज़ार और एल्गोरिदम अपरिपक्व हैं, और मुख्यधारा के AI को चलाने वाला डीप-लर्निंग पारितंत्र साफ़-साफ़ इसमें नहीं ढलता। कोई सहमत मानक (benchmark) नहीं हैं, इसलिए एक न्यूरोमॉर्फिक चिप की दूसरी से, या किसी GPU से तुलना करना सचमुच कठिन है। घने, भरोसेमंद मेमरिस्टर ऐरे को बड़े पैमाने पर बनाना अब भी एक अग्रिम समस्या है। और न्यूरोमॉर्फिक चिप विशेषज्ञ हैं, हरफ़नमौला नहीं, इसलिए वे पारंपरिक प्रोसेसरों की जगह लेने के बजाय उनके पूरक बनेंगी। यह क्षेत्र मोटे तौर पर वहीं है जहाँ डीप-लर्निंग की तेज़ी से पहले पारंपरिक AI हार्डवेयर था — आशाजनक, प्रयोगशाला में सिद्ध, और सॉफ़्टवेयर तथा निर्णायक अनुप्रयोगों के पकड़ में आने का इंतज़ार करता हुआ।

भारत का पहलू: IISc, मेमरिस्टर पर दाँव और ऊर्जा-किफ़ायती AI

भारत के लिए न्यूरोमॉर्फिक कंप्यूटिंग देश की ज़रूरतों और उसकी ताक़तों के साथ हैरान कर देने वाली तरह से मेल खाती है। सबसे बड़ी उपलब्धि बेंगलुरु स्थित भारतीय विज्ञान संस्थान (Indian Institute of Science) से आती है, जहाँ सेंटर फ़ॉर नैनो साइंस एंड इंजीनियरिंग में श्रीतोष गोस्वामी (Sreetosh Goswami) के नेतृत्व वाली एक टीम ने एक आणविक मेमरिस्टर (molecular memristor) बनाया — एक पतली धातु-कार्बनिक फ़िल्म पर आधारित उपकरण — जो सूचना को 16,000 से अधिक अलग-अलग प्रतिरोध अवस्थाओं में भंडारित और संसाधित कर सकता है, न कि किसी साधारण डिजिटल बिट की महज़ दो (0 और 1) अवस्थाओं में। 2023 में जर्नल Nature में प्रकाशित यह काम ठीक इसीलिए दुनिया भर का ध्यान खींच पाया क्योंकि एक नन्हे उपकरण में इतनी सारी अवस्थाओं का समा जाना भारी सूचना घनत्व और किसी डिजिटल मशीन की तुलना में ऊर्जा तथा चरणों के एक छोटे-से हिस्से में मस्तिष्क-जैसी एनालॉग गणना की संभावना का अर्थ रखता है। टीम ने तब से इन उपकरणों के 64-गुणा-64 ऐरे को एक मानक सिलिकॉन प्रोसेसर के साथ जोड़ा है और, इलेक्ट्रॉनिक्स एवं सूचना प्रौद्योगिकी मंत्रालय (Ministry of Electronics and Information Technology) के समर्थन से, बड़े ऐरे और ऊर्जा-दक्ष एज AI के लिए लक्षित एक पूर्ण सिस्टम-ऑन-चिप की ओर बढ़ने की योजना बना रही है।

यह काम पूरे पारितंत्र में फैला है, और यही इसे किसी एक प्रयोगशाला की क़िस्मत के झटके के बजाय एक असली राष्ट्रीय क्षमता जैसा दिखाता है। IIT बॉम्बे, IIT दिल्ली और IIT मद्रास के समूह उपकरण की भौतिकी और मेमरिस्टर को बड़े पैमाने पर भरोसेमंद ढंग से आपस में जोड़ने की कठिन समस्या पर काम करते हैं, जबकि IISc शुरू से बेहतर मेमरिस्टर सामग्री गढ़ने पर ज़ोर देता है। यह एक व्यापक नीतिगत ज़ोर के भीतर बैठता है: घरेलू चिप-निर्माण खड़ा करने का भारत सेमीकंडक्टर मिशन (India Semiconductor Mission), AI कंप्यूट में IndiaAI मिशन का निवेश, और एक ऐसा शोध समुदाय जो लंबे समय से भौतिकी तथा सामग्री विज्ञान में अपने वज़न से ऊपर का दमख़म दिखाता रहा है। न्यूरोमॉर्फिक उपकरण एक ऐसी जगह हैं जहाँ भारत पीछे से दौड़ने के बजाय असली बौद्धिक-संपदा नेतृत्व का लक्ष्य रख सकता है — बुनियादी सफलताएँ अब भी विश्वविद्यालय की प्रयोगशालाओं में मिल रही हैं, मुट्ठी भर विदेशी दिग्गजों के भीतर बंद नहीं हैं। हार्डवेयर आधार के बारे में आप भारत सेमीकंडक्टर मिशन में और साथ चलने वाली डीप-टेक दौड़ के बारे में क्वांटम कंप्यूटिंग तथा राष्ट्रीय क्वांटम मिशन में अधिक पढ़ सकते हैं।

और विज्ञान के नीचे एक रणनीतिक तर्क है। भारत एक ऐसी बिजली ग्रिड का इस्तेमाल करते हुए, जो अब भी खिंची हुई है, और ऐसी जलवायु में जहाँ शीतलन का हर अतिरिक्त मेगावाट एक लागत है, एक विशाल आबादी में AI तैनात करेगा। ऐसी तकनीक जो मस्तिष्क के ऊर्जा बजट पर — न कि किसी सर्वर फ़ार्म के ऊर्जा बजट पर — बुद्धिमत्ता देती है, केवल चतुर नहीं है; वह ऐसे देश के लिए सटीक बैठती है जिसे कम बिजली में अधिक करना है। अगर भारत अपने घरेलू मेमरिस्टर शोध को अपने सेमीकंडक्टर और AI मिशनों के साथ जोड़ ले, तो न्यूरोमॉर्फिक कंप्यूटिंग किसी सीमांत का आगे रहकर नेतृत्व करने का एक दुर्लभ मौक़ा देती है, यानी एक बिजली-सीमित दुनिया के लिए ऊर्जा-किफ़ायती AI बनाना जिसकी ज़रूरत बाक़ी ग्रह को भी आख़िरकार पड़ेगी।

आपके मेन्स उत्तर के लिए

यह GS पेपर 3 के लिए एक बेशक़ीमती विषय है, जो विज्ञान और तकनीक, विकास तथा अनुप्रयोगों, और तकनीक के स्वदेशीकरण को समेटता है। उभरती तकनीकों, कंप्यूटिंग के भविष्य, ऊर्जा-दक्ष AI, भारत की सेमीकंडक्टर तथा AI महत्वाकांक्षाओं, या डिजिटल वृद्धि की स्थिरता लागत पर पूछे गए सवाल — ये सब इस सामग्री का सहारा ले सकते हैं। यह तकनीक, स्थिरता और आत्मनिर्भरता के विषयों पर निबंध पेपर को भी पोसता है। यहाँ परीक्षक जिस कौशल को पुरस्कृत करते हैं वह है वैचारिक स्पष्टता: यह दिखाइए कि आप समझते हैं कि आर्किटेक्चर क्यों मायने रखता है, न कि केवल यह कि मस्तिष्क-प्रेरित चिप मौजूद हैं, और अमूर्त विचार को हमेशा एक-दो सटीक उदाहरणों और आँकड़ों से बाँधिए।

उत्तर कैसे रचें

उपकरण से नहीं, समस्या से शुरुआत कीजिए — मस्तिष्क लगभग 20 वाट पर चलता है जबकि AI की बिजली माँग आसमान छू रही है, और यही फ़ासला इस क्षेत्र के होने की वजह है। फिर एक साफ़ कड़ी में आगे बढ़िए: वॉन न्यूमान बॉटलनेक (अलग CPU और मेमोरी डेटा हिलाने में ऊर्जा बर्बाद करते हैं) → न्यूरोमॉर्फिक हल (कृत्रिम न्यूरॉन और सिनैप्स से मेमोरी तथा गणना को मिला देना) → यह कैसे काम करता है (स्पाइकिंग, इवेंट-संचालित, मेमरिस्टर) → इसे किसने बनाया (Loihi, NorthPole, SpiNNaker, Akida) → यह क्यों मायने रखता है (एज AI, रोबोटिक्स, ऊर्जा) → भारत का पहलू (IISc का मेमरिस्टर, IIT, सेमीकंडक्टर और AI मिशन) → चुनौतियों पर एक ईमानदार टिप्पणी। एक निर्णय के साथ समाप्त कीजिए। वह चाप — समस्या, हल, क्रियाविधि, उदाहरण, महत्व, भारत, सीमाएँ — इस विषय के लगभग हर सवाल में फ़िट बैठती है।

किन आम ग़लतियों से बचें

न्यूरोमॉर्फिक चिप को केवल “तेज़ कंप्यूटर” मत बताइए — बात एक अलग आर्किटेक्चर की है, अधिक रफ़्तार की नहीं। इन्हें क्वांटम कंप्यूटर से मत गड्डमड्ड कीजिए; दोनों असंबंधित सीमांत हैं। यह मत कहिए कि ये साधारण CPU की जगह ले लेंगी — ये विशेषज्ञ त्वरक (accelerator) हैं जो उनके पूरक हैं। सॉफ़्टवेयर की कमी और मानकों के अभाव को मत भूलिए; जो उत्तर केवल फ़ायदे बेचे वह किसी विज्ञापन पुस्तिका जैसा पढ़ा जाता है। और ऊर्जा वाली रूपरेखा मत छोड़िए — 20 वाट का मस्तिष्क बनाम बिजली-भूखा AI ही वह कुंडी है जो पूरे विषय को मायने देती है।

एक संक्षिप्त उत्तर-रीढ़

मस्तिष्क ~20 W पर गणना करता है; AI मेगावाट जलाता है → कारण है वॉन न्यूमान बॉटलनेक (अलग CPU + मेमोरी; डेटा हिलाने में ऊर्जा बर्बाद) → न्यूरोमॉर्फिक हल: कृत्रिम न्यूरॉन + सिनैप्स मेमोरी और गणना को मिला देते हैं (इन-मेमोरी कंप्यूटिंग) → क्रियाविधि: स्पाइकिंग न्यूरल नेटवर्क (इवेंट-संचालित, केवल बदलाव पर गणना) + मेमरिस्टर (कनेक्शन भार को रखें + गणना करें, गैर-वाष्पशील) → असली चिप: Intel Loihi 2 (~10 लाख न्यूरॉन, ऑन-चिप लर्निंग), IBM NorthPole (इन-मेमोरी), SpiNNaker/BrainScaleS (मस्तिष्क अनुकरण), BrainChip Akida (सब-वाट एज) → उपयोग: हमेशा-चालू एज AI, रोबोटिक्स, संवेदी प्रसंस्करण → भारत: IISc आणविक मेमरिस्टर (16,000+ अवस्थाएँ, Nature 2023, MeitY-समर्थित स्केलिंग), उपकरण स्केलिंग पर IIT, सेमीकंडक्टर और IndiaAI मिशनों से जुड़ा → चुनौतियाँ: अपरिपक्व सॉफ़्टवेयर, कोई मानक नहीं, स्केलिंग, विशेषज्ञ न कि सार्वभौमिक → निष्कर्ष: AI की ऊर्जा समस्या का एक आशाजनक संरचनात्मक उत्तर और भारतीय नेतृत्व का एक असली मौक़ा।

आरेख या फ़्लोचार्ट का विचार

दो बक्से अग़ल-बग़ल बनाइए। बाईं ओर वॉन न्यूमान मशीन: एक “CPU” बक्सा और एक “Memory” बक्सा, जिनके बीच एक पतला तीर हो जिस पर लिखा हो “बॉटलनेक — डेटा आगे-पीछे ढुलता है।” दाईं ओर न्यूरोमॉर्फिक डिज़ाइन: बिंदुओं का एक जाल जिस पर लिखा हो “न्यूरॉन + सिनैप्स (मेमोरी + गणना एक साथ)” और जिनके बीच स्पाइक की धड़कनें हों। एक छोटा-सा कैप्शन — “~20 W मस्तिष्क बनाम मेगावाट AI” — इसे ऊर्जा बिंदु से बाँध देता है। यह एक अकेला विरोधाभास पूरी अवधारणा को किसी पैराग्राफ़ से कहीं तेज़ी से संप्रेषित कर देता है।

एक संतुलित-निष्कर्ष पंक्ति

एक पंक्ति जो अंक दिलाती है: “न्यूरोमॉर्फिक कंप्यूटिंग पारंपरिक कंप्यूटर की जगह नहीं लेगी, पर बुद्धिमत्ता को उसी तरह रचकर जैसे प्रकृति रचती है — स्पाइक में, इन-मेमोरी, और कुछ वाट पर — यह AI की ऊर्जा समस्या का एक दुर्लभ संरचनात्मक उत्तर देती है, और भारत का मेमरिस्टर शोध इसे इस सीमांत पर क़तार में खड़े रहने के बजाय एक भरोसेमंद आसन दिलाता है।”

आँकड़ों का इस्तेमाल बिना रट्टा मारे कैसे करें

आपको किसी डेटाशीट की नहीं, बस मुट्ठी भर लंगरों की ज़रूरत है: ~20 वाट पर मस्तिष्क (कुंडी), लगभग दस लाख न्यूरॉन और 12 करोड़ सिनैप्स पर Intel Loihi 2, इन-मेमोरी उदाहरण के रूप में IBM NorthPole, और 16,000 से अधिक अवस्थाएँ भंडारित करता IISc का आणविक मेमरिस्टर (Nature, 2023)। इन्हें सीधे-सादे ढंग से श्रेय दीजिए — “जैसा IBM ने बताया,” “किसी IISc टीम द्वारा Nature में प्रकाशित काम में” — न कि संख्याओं को ढीले-ढाले बिखेरते हुए। चार ठीक जगह रखे तथ्य उत्तर को प्रामाणिक बना देते हैं; इनकी बाढ़ उसे शोर बना देती है।

अभ्यास प्रश्न

प्रीलिम्स MCQs

1. न्यूरोमॉर्फिक कंप्यूटिंग के संदर्भ में, निम्नलिखित कथनों पर विचार कीजिए:
   1. यह रफ़्तार बढ़ाने के लिए प्रोसेसर और मेमोरी को पारंपरिक कंप्यूटरों की तुलना में और सख़्ती से अलग करती है।
   2. यह मस्तिष्क की संरचना से प्रेरित है, और कृत्रिम न्यूरॉन तथा सिनैप्स का इस्तेमाल करती है।
   इनमें से कौन-सा/से कथन सही है/हैं?
   (a) केवल 1
   (b) केवल 2
   (c) 1 और 2 दोनों
   (d) न तो 1 और न ही 2
   उत्तर: (b) न्यूरोमॉर्फिक कंप्यूटिंग मेमोरी और गणना को मिला देती है (और सख़्त अलगाव का उलट) और मस्तिष्क के न्यूरॉन तथा सिनैप्स पर आधारित है।
2. पारंपरिक कंप्यूटिंग में “वॉन न्यूमान बॉटलनेक” निम्नलिखित में से किसकी ओर इशारा करता है?
   (a) ट्रांज़िस्टर को कितना छोटा बनाया जा सकता है, उसकी सीमा
   (b) एक अलग प्रोसेसर और मेमोरी के बीच डेटा के आने-जाने से होने वाली ऊर्जा और विलंब
   (c) क्वांटम प्रोसेसरों से पैदा हुई गर्मी
   (d) किसी चिप में अधिकतम क्यूबिट की संख्या
   उत्तर: (b) यह अलग किए गए CPU और मेमोरी के बीच डेटा को आगे-पीछे ढोने से बनी अड़चन है।
3. न्यूरोमॉर्फिक तंत्रों में इस्तेमाल “स्पाइकिंग न्यूरल नेटवर्क” का सबसे अच्छा वर्णन वह है जो
   (a) एक तय घड़ी-चक्र पर हर डेटा बिंदु को लगातार संसाधित करता है
   (b) सूचना को असतत धड़कनों के ज़रिए ढोता है, और केवल तभी गणना करता है जब न्यूरॉन फ़ायर करें
   (c) पूरी तरह क्वांटम उलझाव (entanglement) पर निर्भर है
   (d) डेटा केवल क्लाउड में रखता है
   उत्तर: (b) स्पाइकिंग न्यूरल नेटवर्क इवेंट-संचालित होते हैं, सूचना को स्पाइक में भेजते हैं और केवल तभी गणना करते हैं जब इनपुट किसी सीमा को पार करे।
4. मेमरिस्टर का सबसे सटीक वर्णन ऐसा उपकरण है जो
   (a) गर्मी से बिजली पैदा करता है
   (b) पहले बही धारा के आधार पर अपना विद्युत प्रतिरोध बदलता और बनाए रखता है
   (c) बिना तरल के प्रोसेसरों को ठंडा करता है
   (d) प्रकाश को स्पाइक में बदलता है
   उत्तर: (b) मेमरिस्टर (“मेमोरी रेज़िस्टर”) धारा के इतिहास के साथ प्रतिरोध बदलता है और बिना बिजली के उसे याद रखता है, जो उसे एक मज़बूत कृत्रिम सिनैप्स बनाता है।
5. निम्नलिखित न्यूरोमॉर्फिक या मस्तिष्क-प्रेरित कंप्यूटिंग प्लेटफ़ॉर्मों पर विचार कीजिए:
   1. Intel Loihi 2. IBM NorthPole 3. SpiNNaker. इनमें से कौन-से न्यूरोमॉर्फिक या मस्तिष्क-प्रेरित कंप्यूटिंग से जुड़े हैं?
   (a) केवल 1 और 2
   (b) केवल 2 और 3
   (c) केवल 1 और 3
   (d) 1, 2 और 3
   उत्तर: (d) Intel Loihi, IBM NorthPole और SpiNNaker सभी न्यूरोमॉर्फिक या मस्तिष्क-प्रेरित कंप्यूटिंग प्लेटफ़ॉर्म हैं।

मेन्स अभ्यास प्रश्न

1. न्यूरोमॉर्फिक कंप्यूटिंग की अवधारणा समझाइए और चर्चा कीजिए कि यह पारंपरिक वॉन न्यूमान आर्किटेक्चर से कैसे भिन्न है। ऊर्जा-दक्ष आर्टिफिशियल इंटेलिजेंस के भविष्य के लिए यह अंतर क्यों महत्वपूर्ण है? (15 अंक, 250 शब्द)
2. “कंप्यूटिंग का भविष्य शायद चिप को तेज़ बनाने से कम और उन्हें मस्तिष्क की तरह काम कराने से अधिक जुड़ा होगा।” न्यूरोमॉर्फिक कंप्यूटिंग और उसके अनुप्रयोगों के संदर्भ में इस कथन की आलोचनात्मक समीक्षा कीजिए। (15 अंक, 250 शब्द)
3. मस्तिष्क-प्रेरित कंप्यूटिंग में मेमरिस्टर और स्पाइकिंग न्यूरल नेटवर्क की भूमिका पर चर्चा कीजिए। ये पारंपरिक कंप्यूटर आर्किटेक्चर की सीमाओं को पार करने में कैसे मदद करते हैं? (10 अंक, 150 शब्द)
4. भारतीय विज्ञान संस्थान और IIT में हाल के काम के संदर्भ में न्यूरोमॉर्फिक कंप्यूटिंग शोध में भारत की स्थिति का आकलन कीजिए, और समझाइए कि यह भारत की व्यापक सेमीकंडक्टर तथा AI महत्वाकांक्षाओं से कैसे जुड़ता है। (15 अंक, 250 शब्द)
5. ऊर्जा खपत आर्टिफिशियल इंटेलिजेंस की वृद्धि पर एक बड़ी बाधा के रूप में उभर रही है। परीक्षण कीजिए कि न्यूरोमॉर्फिक कंप्यूटिंग और एज AI इस चुनौती से कैसे निपट सकते हैं, और जो अड़चनें बाक़ी हैं उन्हें रेखांकित कीजिए। (15 अंक, 250 शब्द)

सामान्य प्रश्न

PDF