Výpočty v paměti a chiplety: edge robotika za hranicí Moorova zákona

TL;DR. Taner Ozcelik, šéf Mythic AI, ukázal na summitu Economist v Londýně, jak výpočty v paměti a modulární chiplety bourají von Neumannovu paměťovou zeď v robotice.

Klíčové body

Termodynamická zeď: proč fyzická AI nemůže žít v cloudu. Během rozhovoru s názvem Moving past Moore’s law: the power behind high-performance robotics (Za hranicí Moorova zákona: síla za vysoce výkonnou robotikou) vymezil Kenneth Cukier základní inženýrské dilema autonomie…
Architektonická teze: výpočty v paměti (CIM). Aby vyřešila termodynamické úzké hrdlo, prosazuje Mythic AI architektonickou filozofii: místo přesouvání dat mezi oddělenými výpočetními jednotkami a fondy paměti se musí počítačem stát paměť sama.
Modulární strategie chipletů. Analogové výpočty v paměti sice řeší rovnice energie a latence, ale škálování křemíku napříč různými komerčními oblastmi vyžaduje pružnost pouzdření.
Srovnání architektur: výpočetní paradigmata pro edge robotiku. Zdroj: syntéza údajů z rozhovoru a specifikací polovodičové architektury představených na Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londýn, 13.

Více než půl století se pokrok výpočetní techniky řídil Moorovým zákonem: každých osmnáct až dvacet čtyři měsíců se na křemík vešlo dvakrát více tranzistorů. V nastupující oblasti fyzické AI a autonomní robotiky se však Moorův zákon srazil se zákony termodynamiky. Autonomní drony, čtyřnozí roboti, chirurgické manipulátory a samořídicí vozidla nemohou vozit serverové GPU s příkonem 700 wattů ani chladicí věže. Na Economist Enterprise Physical AI and Robotics Summit v Londýně 13. října 2026 se Taner Ozcelik, předseda a generální ředitel Mythic AI, sešel s Kennethem Cukierem k rozhovoru o architektonické revoluci, kterou prolomení této patové situace vyžaduje: o cestě za hranici Moorova zákona prostřednictvím analogových výpočtů v paměti (compute-in-memory, CIM) a modulárních chipletů.

Termodynamická zeď: proč fyzická AI nemůže žít v cloudu #

Během rozhovoru s názvem Moving past Moore’s law: the power behind high-performance robotics (Za hranicí Moorova zákona: síla za vysoce výkonnou robotikou) vymezil Kenneth Cukier základní inženýrské dilema autonomie v podnicích: modely umělé inteligence rostou počtem parametrů i schopností vnímání, ale fyzické stroje fungují pod nemilosrdnými omezeními SWaP-C (velikost, hmotnost, příkon a cena).

Dnešní špička AI stojí na hyperškálových datových centrech, která v obrovských serverových clusterech odebírají 150 megawattů a více. Jak Ozcelik upozornil, tato architektura pracuje v energetických měřítkách, která jsou od biologických referenčních bodů vzdálena milionkrát. Lidský mozek zvládá nepřetržitou senzomotorickou koordinaci v reálném čase, sémantické uvažování a vizuálně-prostorovou navigaci v metabolickém příkonovém rozpočtu přibližně 20 wattů.

Inženýři robotiky se v minulosti pokoušeli obejít omezený palubní výpočetní výkon tím, že inferenci přesouvali do cloudu. V kritických průmyslových, leteckých a obranných prostředích je však autonomie závislá na cloudu architektonicky nemožná:

Kolísání latence a jitter: Rychlé řízení robotů v uzavřené smyčce vyžaduje deterministické aktualizace motorů s frekvencí 50 až 1000 Hz (obrat pod 20 milisekund). Mobilní sítě a Wi-Fi přinášejí jitter paketů, ztracené snímky a špičky latence, kvůli nimž robotická ramena upouštějí obrobky a autonomní vozidla nedodrží brzdné limity.
Nasycení šířky pásma: Streamování několika nekomprimovaných 4K videí a mračen bodů z LiDARu z desítek mobilních robotů v průmyslovém závodě rychle vyčerpá místní rádiové pásmo a přináší přemrštěné poplatky za odchozí přenos dat z cloudu.
Provozní suverenita a narušené spojení: V podzemních dolech, tunelech bez GPS, odlehlých staveništích nebo taktických vojenských prostředích externí síťová spojení buď vůbec neexistují, nebo jsou aktivně rušena. Autonomní systémy musí nést veškerou provozní inteligenci přímo na svém šasi na okraji sítě.

Vybavení robotů běžnými výkonnými GPU s sebou nese vlastní fyzické postihy: tepelné škrcení, mohutné chladiče, které přidávají parazitní hmotnost nákladu, a vysoký odběr energie, který zkracuje dobu letu na baterii z hodin na minuty.

Architektonická teze: výpočty v paměti (CIM) #

Aby vyřešila termodynamické úzké hrdlo, prosazuje Mythic AI architektonickou filozofii: místo přesouvání dat mezi oddělenými výpočetními jednotkami a fondy paměti se musí počítačem stát paměť sama.

Prezentace architektury platformy pro výpočty AI v paměti nové generace s výpočetními poli s jedním tranzistorem na buňku, modulární strategií chipletů, násobiteli účinnosti a klíčovými komerčními nasazeními .class="img-fluid clearfix"

Fyzika násobení matic na jediném tranzistoru #

V klasických digitálních výpočtech vyžaduje výpočet skalárního součinu matic načtení tisíců 8bitových nebo 16bitových hodnot vah z externí paměti DRAM po sběrnicových vodičích s vysokou kapacitou, jejich nahrání do registrů mezipaměti, provedení násobení v digitálních ALU a zápis výsledků zpět do paměti. Více než 90 % energie se spotřebuje na nabíjení a vybíjení měděných propojů mezi čipy.

Architektury s výpočty v paměti nahrazují tento digitální přenos dat fyzikou analogových obvodů:

Programování vah. Váhy neuronové sítě se programují přímo do nevolatilních paměťových buněk (například upravené paměti flash nebo rezistivní RAM) jako analogové vodivosti ($G$). Po naprogramování zůstávají váhy nehybně v paměťovém poli; během inference se nikdy nenačítají ani nepřenášejí.

Modulace vstupního napětí. Vstupní aktivace (například vizuální tokeny z kamer) se převádějí na analogové úrovně napětí ($V$) a vedou se po slovních vodičích pole.

Násobení podle Ohmova zákona. Když vstupní napětí prochází každou paměťovou buňkou, provede Ohmův zákon ($I = V \times G$) okamžité analogové násobení a vytvoří elektrický proud úměrný součinu vstupu a uložené váhy.

Akumulace podle Kirchhoffova proudového zákona. Podél svislých bitových vodičů se proudy z tisíců paralelních paměťových buněk přirozeně sčítají podle Kirchhoffova proudového zákona ($\sum I = 0$).

Jediné pole paměti flash tak provede celé násobení matice vektorem v jediném hodinovém cyklu, na úrovni fyziky a bez jediného načtení z paměti. Akumulovaný analogový proud se pak na okraji pole převádí zpět na digitální hodnoty rychlými analogově-digitálními převodníky (ADC).

Modulární strategie chipletů #

Analogové výpočty v paměti sice řeší rovnice energie a latence, ale škálování křemíku napříč různými komerčními oblastmi vyžaduje pružnost pouzdření. Místo výroby velkých monolitických systémů na čipu (SoC), které trpí exponenciálně rostoucí chybovostí, slabou výtěžností z waferů a nepružnými konfiguracemi produktů, představil Ozcelik modulární strategii chipletů.

V tomto modelu se malé standardizované výpočetní dlaždice s výpočty v paměti vyrábějí samostatně a pomocí pokročilého pouzdření se spojují na interposerech:

Standardizované vysokorychlostní propoje mezi čipy: Díky nastupujícím standardům, jako je Universal Chiplet Interconnect Express (UCIe), komunikují chiplety přes mikrokontakty s vysokou hustotou propustnosti a latencemi v řádu pikosekund.
Heterogenní skladba: Návrhář systému může spojit dva chiplety s výpočty v paměti s levným řídicím procesorem ARM pro lehký náklad dronu, nebo sestavit šestnáct chipletů spolu s rychlými rozhraními PCIe a vytvořit serverovou akcelerační kartu pro datová centra na okraji sítě.
Univerzální kompilace a mapování úloh: Jednotná vrstva kompilátoru přijímá standardní grafy hlubokého učení (ONNX, PyTorch) a automaticky rozděluje vrstvy modelu na dostupnou topologii chipletů, přičemž optimalizuje směrování dat tak, aby komunikace mezi chiplety byla co nejmenší.

Srovnání architektur: výpočetní paradigmata pro edge robotiku #

Architektonický rozměr	Standardní digitální GPU (NVIDIA Jetson / Orin)	Specializovaná edge NPU (Google Coral / Hailo)	Analogový chiplet s výpočty v paměti (Mythic AI)
Základní mechanismus	Digitální jádra SIMD/tenzorová jádra načítající váhy z LPDDR5/HBM	Digitální systolická pole s mezipamětí vah v SRAM na čipu	Analogová pole s jedním tranzistorem na buňku, která násobí matice přímo na místě
Režie přesunu dat	Vysoká (neustálé nabíjení sběrnice DRAM/SRAM; přes 85 % promarněné energie)	Střední (omezená kapacitou interní mezipaměti SRAM)	Žádný interní přesun dat; váhy trvale zůstávají v paměti
Příkonový rozpočet inference	30 až 75 W+ (vyžaduje aktivní chlazení ventilátorem a těžké chladiče)	5 až 15 W (pasivní nebo minimální chlazení)	10 až 20 W (velmi kompaktní pasivní odvod tepla)
Energetická účinnost (TOPS/W)	2 až 5 TOPS/W (na úrovni systému)	10 až 25 TOPS/W	50 až 200+ TOPS/W (teoreticky 10x–1000x účinnost)
Náklady na komponenty zařízení (BOM)	£500 až £2 500+ za výpočetní modul	£100 až £350 za akcelerační desku	Desítky dolarů za chiplet při sériové výrobě
Paměťové úzké hrdlo (von Neumann)	Závažné; omezené propustností paměti (GB/s až TB/s)	Střední; omezené kapacitou SRAM na čipu (MB)	Neexistuje; propustnost pole odpovídá interní paměťové matici
Cílová oblast nasazení	Prémiová autonomní vozidla a roboti pro průmyslovou inspekci	Chytré kamery a lehká vestavěná zařízení IoT	Hmatová robotika s vysokou frekvencí, taktické drony a AI v automobilech

Zdroj: syntéza údajů z rozhovoru a specifikací polovodičové architektury představených na Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londýn, 13. října 2026).

Co to znamená pro jednotlivá odvětví #

Komerční potvrzení výpočtů v paměti závisí na proniknutí do odvětví, v nichž omezení příkonu a nákladů historicky bránila nasazení pokročilých základních modelů.

Taktická obrana a bezposádkové systémy #

V obranných aplikacích na okraji sítě se energetická účinnost přímo promítá do schopnosti přežít v provozu a délky mise. Malé bezpilotní letecké systémy (sUAS) a taktická pozemní vozidla jsou silně omezeny hmotností baterií. Vybavení průzkumného dronu konvenčním GPU zkrátí jeho výdrž ve vzduchu o 30 až 50 %, jen aby se napájela vrstva vnímání AI.

Strategická spolupráce Mythic AI s Lockheed Martin se zaměřuje na zabudování výpočtů v paměti do taktických systémů na okraji sítě, autonomních rojů dronů a odlehlých pozorovacích stanovišť. Díky snížení výpočetního odběru z 50 W pod 10 W dosahují taktické drony delší doby letu a zároveň lokálně provádějí multimodální klasifikaci objektů, zpracování signálů elektronického boje a vizuálně-inerciální odometrii v narušených operačních prostorech bez GPS.

Situační povědomí vozidel a AI v kabině #

V automobilovém průmyslu čelí dodavatelé první úrovně silnému tlaku na marže. Vlajkové elektromobily sice unesou náklady na kapalinou chlazené počítače pro autonomní řízení za £2 000, vozy pro masový trh však ne.

Partnerství Honda Motor s Mythic AI řeší právě toto obchodní tření. Automobilky potřebují velkosériové čipy AI kvalifikované pro automobily, které stojí desítky, nikoli stovky dolarů a dokážou provozovat systémy sledování řidiče, segmentaci objektů v mrtvém úhlu a vnímání okolí v rozsahu 360 stupňů bez složitých okruhů kapalinového chlazení, které zvyšují výrobní náklady a komplikují montáž.

Průmyslová datová centra na okraji sítě a mobilní vyřizování objednávek #

Výpočty v paměti jsou sice architektonicky optimalizovány pro okraj sítě, Mythic ale záměrně uplatňuje přemosťovací strategii a nabízí akcelerační karty PCIe pro datová centra na okraji sítě a skladová centra pro vyřizování objednávek. V zařízeních se stovkami autonomních mobilních robotů (AMR) jsou serverové racky na okraji sítě, na nichž běží modely koordinace flotily, omezeny elektrickými přípojkami a limity chlazení. Akcelerační karty s výpočty v paměti umožňují zařízením znásobit místní propustnost inference bez posilování přípojky k energetické síti.

Odolnost dodavatelského řetězce a geografie výroby #

Důležitá část Ozcelikova vystoupení se týkala suverenity dodavatelského řetězce. Hardwarová inovace nemá smysl, pokud křemík nelze spolehlivě vyrábět, pouzdřit a dodávat ve velkém měřítku.

Mythic AI vybudoval distribuovanou mezinárodní výrobní síť:

Výroba křemíku: Hlavní výroba waferů pro výpočty v paměti je ukotvena v Tokiu v Japonsku, které těží ze zavedeného vedoucího postavení Japonska v přesné výrobě polovodičů a ze zralých výrobních uzlů pro analogové a flash paměti.
Pokročilé pouzdření a montáž: Wafery putují do Evropy (konkrétně do Německa) k pokročilému dělení chipletů, spojování více čipů na substrátu a automatizované optické kontrole.
Validace revizí: Společnost dokončuje validaci své nejnovější revize křemíku a soustředí se na převedení laboratorních ukazatelů výtěžnosti do opakovatelných výrobních zadání prací (SOW) pro sériovou výrobu v automobilovém a obranném průmyslu.

Tento vícerégionální přístup se vyhýbá jednotlivým geopolitickým zranitelnostem a evropským i asijským firemním partnerům poskytuje geograficky diverzifikované dodavatelské řetězce.

Závěr #

Rozhovor Tanera Ozcelika a Kennetha Cukiera na Economist Enterprise Physical AI and Robotics Summit nastínil fyzickou realitu, která bude v příštím desetiletí řídit autonomní systémy. Moorův zákon jako prosté měřítko škálování tranzistorů už k pohonu revoluce fyzické AI nestačí.

Dokud se výpočetní architektury drží von Neumannova oddělení logiky a paměti, zůstane robotika omezena hmotností baterií, odvodem tepla a neúnosnými náklady na komponenty. Přechodem od digitálního přesouvání dat k analogovým polím výpočtů v paměti a modulárním topologiím chipletů přináší polovodičové inženýrství skokové zvýšení účinnosti, které autonomní systémy potřebují.

Přechod od clusterů datových center s příkonem 700 W ke křemíku na okraji sítě s příkonem 15 W představuje skutečnou bránu k fyzické autonomii. Nakonec platí, že roboti působící v reálném světě se musí řídit energetickými zákony reálného světa; výpočty v paměti jsou architekturou, která překlenuje propast mezi křemíkem a biologií.

Často kladené otázky #

Co je von Neumannovo úzké hrdlo v hardwaru pro AI? Von Neumannovo úzké hrdlo označuje omezení propustnosti a energie, které vzniká fyzickým oddělením výpočetní jednotky (ALU) a systémové paměti (DRAM). V úlohách umělé inteligence, které zahrnují miliardy násobení matic, spotřebují procesory přes 85 % celkové energie a značný počet hodinových cyklů jen na přesouvání dat tam a zpět po měděných sběrnicích, což vytváří závažná tepelná a latenční úzká hrdla.

Jak fungují analogové výpočty v paměti (CIM)? Výpočty v paměti provádějí matematické operace přímo v paměťových buňkách, aniž by se data přesouvala. Váhy neuronové sítě jsou uloženy jako analogové stavy vodivosti v nevolatilních paměťových buňkách. Když se na pole přiloží vstupní napětí, teče buňkami proud podle Ohmova zákona ($I = V \times G$) a sčítá se podél bitových vodičů podle Kirchhoffova proudového zákona. Tím se celé násobení matice vektorem provede v jediném fyzickém kroku.

Proč jsou výpočty v paměti obzvlášť důležité pro roboty a drony? Mobilní roboti a drony fungují pod přísnými omezeními SWaP-C (velikost, hmotnost, příkon a cena). Spoléhají na palubní baterie a neunesou těžké chladiče ani napájecí zdroje s vysokým výkonem. Výpočty v paměti přinášejí 10x až 1000x vyšší energetickou účinnost, takže roboti mohou lokálně provozovat složité modely vidění, jazyka a akce v příkonovém rozpočtu 10 až 20 W a zároveň šetřit výdrž baterie.

Jaká je výhoda chipletů oproti monolitickému čipu? Monolitické čipy integrují všechny funkční jednotky na jediném velkém křemíkovém čipu. S rostoucí velikostí čipu exponenciálně roste výrobní chybovost, což snižuje výtěžnost a zvyšuje jednotkové náklady. Architektura chipletů rozděluje systém na menší standardizované křemíkové čipy, které se vyrábějí samostatně s vysokou výtěžností a propojují se rychlými mikrokontakty. To umožňuje modulární, pružné konfigurace přizpůsobené konkrétním průmyslovým požadavkům na příkon a tvarový faktor.

Kdo jsou hlavní komerční partneři této technologie? Platforma výpočtů v paměti Mythic AI dnes stojí na dvou velkých firemních partnerstvích: se společností Lockheed Martin, která architekturu začleňuje do taktických obranných dronů, bezposádkových robotických platforem a stanovišť ochrany perimetru, aby prodloužila výdrž baterií, a se společností Honda Motor, která cílí na levné čipy AI kvalifikované pro automobily pro situační povědomí vozidel a snímání v kabině.

Literatura #

Economist Enterprise, (2026). Physical AI & Robotics Summit: provozní výhoda díky autonomním systémům ⧉. Economist Enterprise.
Ozcelik, T., (2026). Za hranicí Moorova zákona: síla za vysoce výkonnou robotikou ⧉. Mythic AI.
Cukier, K., (2026). Termodynamické stropy autonomní inteligence ⧉. The Economist.
Marković, D., Mizrahi, A., Querlioz, D. a Grollier, J., (2020). Fyzika pro neuromorfní výpočty ⧉. Nature Reviews Physics, 2, 499-510.
Universal Chiplet Interconnect Express, (2025). Specifikace UCIe 2.0: standard propojení mezi čipy ⧉. UCIe Consortium.
IEEE, (2026). International Roadmap for Devices and Systems (IRDS): za hranicí CMOS a výpočty v paměti ⧉. IEEE Standards Association.

Naposledy revidováno 2026-10-13.

Naposledy revidováno 2026-10-27.

Znovu publikovat tento článek

Výpočty v paměti a chiplety: edge robotika za hranicí Moorova zákona — Sebastien Rousseau

Taner Ozcelik, šéf Mythic AI, ukázal na summitu Economist v Londýně, jak výpočty v paměti a modulární chiplety bourají von Neumannovu paměťovou zeď v robotice.

Tento článek je licencován pod Creative Commons Attribution 4.0 International. Při opětovné publikaci uveďte odkaz na kanonickou URL.

Výpočty v paměti a chiplety: edge robotika za hranicí Moorova zákona — Sebastien Rousseau

Taner Ozcelik, šéf Mythic AI, ukázal na summitu Economist v Londýně, jak výpočty v paměti a modulární chiplety bourají von Neumannovu paměťovou zeď v robotice.

Originally published at https://sebastienrousseau.com/cs/2026-10-13-vypocty-pameti-chiplety-edge-robotika-hranici/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER