Мы строим роботов неправильно

Atlas от Boston Dynamics умеет делать сальто. Серьёзно, погуглите — это выглядит как магия. И при этом он понятия не имеет что падает, пока не упадёт. Это не баг в прошивке. Это архитектурная проблема. И чем дольше я копаюсь в своём роботе, тем очевиднее становится откуда она растёт.

Начну с неудобной цифры.

10 бит в секунду. Это всё что вы есть.

В 2024 году исследователи Zheng и Meister из Caltech опубликовали работу с названием которое говорит само за себя — «The unbearable slowness of being»[1]. Они посчитали пропускную способность человеческого сознания. Получилось около 10 бит в секунду.

Для сравнения: ваши сенсорные системы гоняют примерно миллиард бит в секунду. Разница — сто миллионов раз. Это как пытаться слить океан через соломинку.

Важный вывод авторов: даже подключение мозга к машине через нейроинтерфейс этот предел не обходит. Бутылочное горлышко находится в самом сознании, а не в передаче сигнала. Можно воткнуть тысячу электродов — на выходе всё равно 10 бит. Романтика «вживить чип и стать умнее» научно не подтверждается.

Зато подсознание, моторика и сенсорика работают на гигабитных скоростях. И именно там — огромный неиспользуемый ресурс который мы в робототехнике полностью игнорируем.

Живые нейроны в цифровых системах — почему это фундаментально сломано

Окей, может быть ответ — просто взять настоящие нейроны? Cortical Labs в 2022 опубликовали работу в Neuron[5]: вырастили культуру живых нейронов на электродной решётке и научили их играть в Pong. В 2026 та же штука играла в Doom. Их коммерческий продукт CL1 — 200-800 тысяч живых нейронов из iPSC на 59-электродной решётке, $35K, работает на active inference Фристона.

Звучит как прорыв. Но есть проблема которая не уходит сколько бы вы ни оптимизировали интерфейс. Она физическая и вычислительная одновременно.

Impedance mismatch — числа которые убивают идею

Воткните жёсткий кремниевый электрод в мягкую ткань — вокруг него начнёт формироваться глиальный рубец. Иммунная система реагирует на механически чужеродный объект. Через 3-6 месяцев имплант изолируется от ткани. Это стандартная история с классическими нейроинтерфейсами[6].

Поэтому сейчас самые интересные работы — это органические электрохимические транзисторы (OECT) на полимерах типа PEDOT:PSS. Они работают на ионах, а не электронах — буквально разговаривают на языке клеток. Группа Кодагхоли сделала vIGT с мегагерцовыми скоростями — это уже не имплант который ткань терпит, а что-то с чем она может сосуществовать[6].

Два разных вычислительных мира

Это не проблема интерфейса которую можно решить лучшим коннектором. Это фундаментальная несовместимость вычислительных парадигм. Цифровые инженеры всю жизнь борются с шумом. Биология использует шум как топливо для исследования пространства решений. Синхронный такт против полной асинхронности. Центральная память против распределённой по весам миллиардов синапсов.

Когда вы пытаетесь «подключить нейроны к компьютеру» — вы не строите мост между двумя системами. Вы пытаетесь запустить TCP/IP поверх телеграфа Морзе.

LIF-нейрон и Brian2 — что я моделирую и зачем

Для своего проекта я использую Brian2 — Python-библиотеку для моделирования нейронных сетей[9]. Базовый элемент — LIF-нейрон, leaky integrate-and-fire. Думайте о нём как о конденсаторе с утечкой: входящий ток заряжает мембранный потенциал, пассивная утечка разряжает его обратно к покою. Когда потенциал достигает порога — спайк, сброс, и снова.

# Brian2: полная модель LIF-нейрона в трёх строках
eqs = '''
    dv/dt = ((v_rest - v) + I_ext*R) / tau : volt
    I_ext : amp  (shared)  # внешний ток
'''

# Параметры
tau    = 20*ms      # постоянная времени мембраны
v_rest = -70*mV     # потенциал покоя
v_thresh = -50*mV  # порог спайка
v_reset  = -65*mV  # потенциал после сброса
R      = 10*Mohm    # входное сопротивление

# Группа из 100 нейронов на одну эмоциональную группу
G = NeuronGroup(100, eqs,
    threshold='v > v_thresh',
    reset='v = v_reset',
    method='exponential_euler')

Сто нейронов в группе нужны не для точности — для надёжности оценки. Один нейрон даёт бинарный ответ: выстрелил или нет. Сто нейронов дают плотность спайков — аналоговую величину которую можно нормализовать и сравнивать между группами. Именно эту плотность я читаю как интенсивность эмоции и передаю в LLM.

Природа решила проблему полвека назад

В 60-70-х Гриллнер, Шик и Северин[3] брали кошку с перерезанным спинным мозгом — без связи с мозгом — клали на беговую дорожку и включали её. Кошка шла. Координированно, ритмично, адаптировалась к скорости.

Вывод: ходьба — функция позвоночника, не мозга. В спинном мозге есть нейронные осцилляторы — Central Pattern Generators — которые генерируют ритм движения полностью автономно. Мозг только модулирует готовый паттерн. «Мозг не приказывает ходить — он говорит ходьбе что делать».

Мозжечок работает аналогично, но для предсказания[4]: «если я в такой позе и двигаюсь с такой скоростью, через 200 мс я окажусь вот там». Рассинхрон с сенсорикой запускает корректирующий рефлекс. Это биологический active inference на моторном уровне — именно то о чём пишет Фристон[4].

У осьминога две трети нейронов в щупальцах. Pfeifer и Bongard в «How the Body Shapes the Way We Think»[8] называют это morphological computation: вычисление выполняемое самой формой тела. Тело думает, не только мозг.

Двухслойная архитектура — что я строю

Это subsumption architecture Родни Брукса, MIT, 1986[2]. Идея проста: мозг и тело живут на разных временных масштабах и не должны мешать друг другу.

CL1 и предел «мозга в банке»

CL1 от Cortical Labs[5] — 200-800K живых нейронов из iPSC, 59-электродная решётка, $35K, потребляет ~1000W. Нейроны живут до 6 месяцев. В 2026 продемонстрирован играющим в Doom через active inference[4].

Технически — прорыв. Архитектурно — тупик. Причина одна: disembodiment. Нейроны без тела, без физической петли с миром, без ставок. Cortical Labs решают это через симулированную среду — но симуляция не создаёт настоящего embodiment.

Xenobots Майкла Левина[7] — другое дело. Самоорганизующиеся «живые роботы» из клеток лягушки, которые движутся, взаимодействуют с окружением и воспроизводятся. Там есть настоящее тело и что-то похожее на ставки. Но пока это скорее доказательство принципа.

Для функционального сознания — не феноменального, это hard problem Чалмерса[4] — нужны три вещи: embodiment (постоянная петля с физическим миром), stakes (что-то можно потерять, гомеостаз), continuity (история которая накапливается). Современные LLM не имеют ни одного. CL1 — первое в обеднённой форме.

Строить надо с тела, не с крыши

Atlas жжёт киловатты потому что его архитектура — это Франкенштейн из правильных деталей в неправильном порядке. Отдельные модули зрения, планирования, контроля, собранные в централизованную систему которая пытается управлять всем сразу.

Биология поступает наоборот. Высшие функции — LLM-уровень — крошечная надстройка над массивным рефлекторным слоем который работает на миллисекундах без участия сознания. Природа поняла что сознание не успевает управлять телом и вынесла моторику в периферию.

Переизобретать робототехнику нужно не с того как сделать машину умнее. А с того что мы вообще считаем интеллектом.

---

// Источники

1. Zheng C.Y., Meister M. The unbearable slowness of being: Why do we live at 10 bits/s? Neuron, 2024. doi:10.1016/j.neuron.2024.11.008 ↑
2. Brooks R.A. A Robust Layered Control System for a Mobile Robot. IEEE Journal of Robotics and Automation, 1986, 2(1), 14–23. doi:10.1109/JRA.1986.1087032 ↑
3. Grillner S. Locomotion in vertebrates: central mechanisms and reflex interaction. Physiological Reviews, 1975, 55(2), 247–304. doi:10.1152/physrev.1975.55.2.247 ↑
4. Friston K. The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 2010, 11, 127–138. doi:10.1038/nrn2787 ↑
5. Kagan B.J. et al. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron, 2022, 110(23), 3952–3969. doi:10.1016/j.neuron.2022.09.001 — Cortical Labs, CL1 ↑
6. Khodagholy D. et al. NeuroGrid: recording action potentials from the surface of the brain. Nature Neuroscience, 2015, 18, 310–315. + работы по vIGT и OECT/PEDOT:PSS, 2020–2024. khodagholylab.com ↑
7. Kriegman S. et al. A scalable pipeline for designing reconfigurable organisms. PNAS, 2020, 117(4), 1853–1859. — Xenobots, Levin Lab. doi:10.1073/pnas.1910837117 ↑
8. Pfeifer R., Bongard J. How the Body Shapes the Way We Think: A New View of Intelligence. MIT Press, 2006. ISBN 978-0-262-16239-5. ↑
9. Stimberg M., Brette R., Goodman D.F.M. Brian 2, an intuitive and efficient neural simulator. eLife, 2019, 8:e47314. doi:10.7554/eLife.47314 ↑
10. Turing A.M. The Chemical Basis of Morphogenesis. Philosophical Transactions of the Royal Society B, 1952, 237(641), 37–72. doi:10.1098/rstb.1952.0012
11. Лебедев В. Brian2-Emotional-Model — эмоциональная модель для предварительной настройки параметров генерации больших языковых моделей, основанная на теориях Пола Экмана. github.com/gotogrub/Brian2-Emotional-Model

Boston Dynamics' Atlas can do backflips. Seriously, look it up — it looks like magic. And yet it has no idea it's falling until it's already on the ground. That's not a firmware bug. That's an architectural problem. And the longer I dig into my own robot, the more obvious it becomes where the problem actually grows from.

Let me start with an uncomfortable number.

10 bits per second. That's all you are.

In 2024 researchers Zheng and Meister from Caltech published a paper with a self-explanatory title — "The unbearable slowness of being"[1]. They calculated the throughput of human consciousness. About 10 bits per second.

For comparison: your sensory systems push roughly a billion bits per second. The gap is a hundred million times. It's like trying to drain an ocean through a straw.

The authors' key point: even a brain-machine interface doesn't bypass this limit. The bottleneck is in consciousness itself, not in signal transmission. You can plant a thousand electrodes — you'll still get 10 bits out. The "implant a chip and become smarter" fantasy isn't backed by science.

Meanwhile, the subconscious, motor systems and sensory systems run at gigabit speeds. That's where the huge unused resource sits — the one we completely ignore in robotics.

Living neurons in digital systems — why this is fundamentally broken

OK, maybe the answer is just to use real neurons? In 2022 Cortical Labs published a paper in Neuron[5]: they grew a culture of living neurons on an electrode array and taught them to play Pong. By 2026 the same setup was playing Doom. Their commercial product CL1 — 200–800K living iPSC-derived neurons on a 59-electrode array, $35K, runs on Friston's active inference.

Sounds like a breakthrough. But there's a problem that doesn't go away no matter how much you optimise the interface. It's physical and computational at the same time.

Impedance mismatch — numbers that kill the idea

Stick a rigid silicon electrode into soft tissue — a glial scar starts forming around it. The immune system reacts to a mechanically alien object. After 3–6 months the implant is isolated from the tissue. This is the standard story with classic neural interfaces[6].

That's why the most interesting work right now is on organic electrochemical transistors (OECTs) on polymers like PEDOT:PSS. They run on ions, not electrons — they literally speak the language of cells. Khodagholy's group built vIGTs at megahertz speeds — that's no longer an implant the tissue tolerates, it's something it can actually coexist with[6].

Two different computational worlds

This isn't an interface problem you can solve with a better connector. It's a fundamental incompatibility of computational paradigms. Digital engineers spend their careers fighting noise. Biology uses noise as fuel for exploring the solution space. Synchronous clock vs full asynchrony. Centralised memory vs memory distributed across the weights of billions of synapses.

When you try to "connect neurons to a computer", you're not building a bridge between two systems. You're trying to run TCP/IP on top of a Morse-code telegraph.

The LIF neuron and Brian2 — what I'm modelling and why

For my project I use Brian2 — a Python library for neural network simulation[9]. The basic element is a LIF neuron, leaky integrate-and-fire. Think of it as a leaky capacitor: incoming current charges the membrane potential, passive leakage discharges it back to rest. When the potential reaches a threshold — spike, reset, repeat.

# Brian2: full LIF neuron model in three lines
eqs = '''
    dv/dt = ((v_rest - v) + I_ext*R) / tau : volt
    I_ext : amp  (shared)  # external current
'''

# Parameters
tau    = 20*ms      # membrane time constant
v_rest = -70*mV     # resting potential
v_thresh = -50*mV  # spike threshold
v_reset  = -65*mV  # post-reset potential
R      = 10*Mohm    # input resistance

# Group of 100 neurons per emotional category
G = NeuronGroup(100, eqs,
    threshold='v > v_thresh',
    reset='v = v_reset',
    method='exponential_euler')

A hundred neurons per group aren't there for precision — they're there for reliable estimation. One neuron gives a binary answer: fired or not. A hundred neurons give spike density — an analog value you can normalise and compare across groups. That's the density I read as emotion intensity and feed into the LLM.

Nature solved this problem half a century ago

In the 60s and 70s, Grillner, Shik and Severin[3] took a cat with a severed spinal cord — no connection to the brain — placed it on a treadmill and turned it on. The cat walked. Coordinated, rhythmic, adapted to the speed.

Conclusion: walking is a function of the spine, not the brain. The spinal cord contains neural oscillators — Central Pattern Generators — that generate the rhythm of movement entirely autonomously. The brain only modulates a ready-made pattern. "The brain doesn't command walking — it tells walking what to do".

The cerebellum works the same way, but for prediction[4]: "if I'm in this posture and moving at this speed, in 200 ms I'll be there." A mismatch with sensory input triggers a corrective reflex. This is biological active inference at the motor level — exactly what Friston is writing about[4].

An octopus has two-thirds of its neurons in its tentacles. Pfeifer and Bongard in "How the Body Shapes the Way We Think"[8] call this morphological computation: computation performed by the form of the body itself. The body thinks, not just the brain.

The two-layer architecture — what I'm building

This is Rodney Brooks' subsumption architecture, MIT, 1986[2]. The idea is simple: brain and body live on different time scales and shouldn't get in each other's way.

CL1 and the limit of "brain in a jar"

Cortical Labs' CL1[5] — 200–800K living iPSC-derived neurons, a 59-electrode array, $35K, ~1,000W. Neurons live for up to 6 months. In 2026 they showed it playing Doom via active inference[4].

Technically — a breakthrough. Architecturally — a dead end. There's one reason: disembodiment. Neurons without a body, without a physical loop with the world, without stakes. Cortical Labs solves this with a simulated environment — but simulation doesn't create real embodiment.

Michael Levin's Xenobots[7] are a different story. Self-organising "living robots" made from frog cells that move, interact with their environment and reproduce. There's a real body and something resembling stakes. But for now this is more proof of concept.

For functional consciousness — not phenomenal, that's Chalmers' hard problem[4] — three things are needed: embodiment (a constant loop with the physical world), stakes (something to lose, homeostasis), continuity (history that accumulates). Modern LLMs have none of these. CL1 has the first one in an impoverished form.

Build from the body up, not from the roof down

Atlas burns kilowatts because its architecture is a Frankenstein of right parts in the wrong order. Separate modules for vision, planning, control, assembled into a centralised system that tries to manage everything at once.

Biology does the opposite. Higher functions — the LLM-level — are a tiny add-on over a massive reflex layer that runs on milliseconds without consciousness. Nature realised that consciousness can't keep up with the body and pushed motor control out to the periphery.

Reinventing robotics shouldn't start from how to make the machine smarter. It should start from what we even consider intelligence.

---

// References

1. Zheng C.Y., Meister M. The unbearable slowness of being: Why do we live at 10 bits/s? Neuron, 2024. doi:10.1016/j.neuron.2024.11.008 ↑
2. Brooks R.A. A Robust Layered Control System for a Mobile Robot. IEEE Journal of Robotics and Automation, 1986, 2(1), 14–23. doi:10.1109/JRA.1986.1087032 ↑
3. Grillner S. Locomotion in vertebrates: central mechanisms and reflex interaction. Physiological Reviews, 1975, 55(2), 247–304. doi:10.1152/physrev.1975.55.2.247 ↑
4. Friston K. The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 2010, 11, 127–138. doi:10.1038/nrn2787 ↑
5. Kagan B.J. et al. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron, 2022, 110(23), 3952–3969. doi:10.1016/j.neuron.2022.09.001 — Cortical Labs, CL1 ↑
6. Khodagholy D. et al. NeuroGrid: recording action potentials from the surface of the brain. Nature Neuroscience, 2015, 18, 310–315. + work on vIGT and OECT/PEDOT:PSS, 2020–2024. khodagholylab.com ↑
7. Kriegman S. et al. A scalable pipeline for designing reconfigurable organisms. PNAS, 2020, 117(4), 1853–1859. — Xenobots, Levin Lab. doi:10.1073/pnas.1910837117 ↑
8. Pfeifer R., Bongard J. How the Body Shapes the Way We Think: A New View of Intelligence. MIT Press, 2006. ISBN 978-0-262-16239-5. ↑
9. Stimberg M., Brette R., Goodman D.F.M. Brian 2, an intuitive and efficient neural simulator. eLife, 2019, 8:e47314. doi:10.7554/eLife.47314 ↑
10. Turing A.M. The Chemical Basis of Morphogenesis. Philosophical Transactions of the Royal Society B, 1952, 237(641), 37–72. doi:10.1098/rstb.1952.0012
11. Lebedev V. Brian2-Emotional-Model — emotional model for pretraining LLM generation parameters, based on Paul Ekman's theories. github.com/gotogrub/Brian2-Emotional-Model