فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک

بیش از نیم قرن، پیشرفت رایانش از قانون مور پیروی کرد: جا دادن دو برابر ترانزیستور روی سیلیکون در هر هجده تا بیست‌وچهار ماه. اما در حوزهٔ نوظهور هوش مصنوعی فیزیکی و رباتیک خودران، قانون مور با قوانین ترمودینامیک برخورد کرده است. پهپادهای خودران، ربات‌های چهارپا، بازوهای جراحی رباتیک و خودروهای خودران نمی‌توانند پردازنده‌های گرافیکی 700 واتی در کلاس سرور یا برج‌های خنک‌کننده را با خود حمل کنند. در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک در لندن در 13 اکتبر 2026، Taner Ozcelik، رئیس هیئت‌مدیره و مدیرعامل Mythic AI، در گفت‌وگویی صمیمانه با Kenneth Cukier انقلاب معماری لازم برای شکستن این بن‌بست را بررسی کرد: گذر از قانون مور از راه محاسبه آنالوگ درون حافظه (CIM) و چیپلت‌های ماژولار.

دیوار ترمودینامیکی: چرا هوش مصنوعی فیزیکی نمی‌تواند در ابر زندگی کند #

در جلسهٔ گفت‌وگوی صمیمانه با عنوان Moving past Moore’s law: the power behind high-performance robotics، Kenneth Cukier معضل اصلی مهندسی پیش روی خودمختاری در سازمان‌ها را چنین صورت‌بندی کرد: مدل‌های هوش مصنوعی از نظر شمار پارامترها و توان ادراکی بزرگ‌تر می‌شوند، اما ماشین‌های فیزیکی زیر قیدهای سخت‌گیرانهٔ SWaP-C (اندازه، وزن، توان و هزینه) کار می‌کنند.

مرز امروز هوش مصنوعی بر مراکز دادهٔ فوق‌مقیاسی استوار است که 150 مگاوات یا بیشتر را در خوشه‌های گستردهٔ سرور مصرف می‌کنند. به گفتهٔ Ozcelik، این معماری در مقیاس‌هایی از انرژی کار می‌کند که میلیون‌ها برابر از نقاط مرجع زیستی فاصله دارد. مغز انسان هماهنگی حسی‌حرکتی پیوسته در زمان واقعی، استدلال معنایی و جهت‌یابی دیداری‌فضایی را در پوشش توان متابولیکی نزدیک به 20 وات انجام می‌دهد.

در گذشته، مهندسان رباتیک کوشیدند محدودیت‌های محاسبات درون‌دستگاهی را با واگذاری استنتاج به ابر دور بزنند. با این حال، در محیط‌های صنعتی، هوافضا و دفاعی که مأموریت در آن‌ها حیاتی است، خودمختاری وابسته به ابر از نظر معماری ناممکن است:

1. نوسان تأخیر و لرزش: کنترل رباتیک پرسرعت در حلقهٔ بسته به به‌روزرسانی‌های قطعی موتور با بسامد 50 تا 1,000 هرتز نیاز دارد (رفت‌وبرگشت کمتر از 20 میلی‌ثانیه). شبکه‌های سلولی و Wi-Fi لرزش بسته، فریم‌های ازدست‌رفته و جهش‌های تأخیر پدید می‌آورند که باعث می‌شوند بازوهای رباتیک قطعهٔ کار را رها کنند یا خودروهای خودران به آستانهٔ ترمز نرسند.
2. اشباع پهنای باند: پخش چندین جریان ویدئوی 4K فشرده‌نشده و ابرهای نقطهٔ LiDAR از ده‌ها ربات متحرک در سراسر یک کارخانه به‌سرعت پهنای باند رادیویی محلی را تمام می‌کند و هزینه‌های گزاف خروج داده از ابر را به بار می‌آورد.
3. حاکمیت عملیاتی و اتصال مورد منازعه: در معدن‌کاری زیرزمینی، تونل‌های بدون GPS، کارگاه‌های ساختمانی دورافتاده یا محیط‌های نظامی تاکتیکی، پیوندهای شبکهٔ بیرونی یا وجود ندارند یا عمداً مختل می‌شوند. سامانه‌های خودران باید هوش عملیاتی کامل را مستقیماً روی بدنهٔ لبه حمل کنند.

تجهیز ربات‌ها به پردازنده‌های گرافیکی متعارف پرتوان هم جریمه‌های فیزیکی خودش را دارد: کاهش کارایی بر اثر گرما، هیت‌سینک‌های عظیمی که جرم انگلی به محموله می‌افزایند، و مصرف بالای توان که زمان پرواز باتری را از چند ساعت به چند دقیقه کاهش می‌دهد.

تز معماری: محاسبه درون حافظه (CIM) #

Mythic AI برای حل گلوگاه ترمودینامیکی یک فلسفهٔ معماری را پیش برده است: به‌جای رفت‌وآمد داده میان واحدهای پردازش و مخزن‌های حافظهٔ جداگانه، خود حافظه باید به رایانه تبدیل شود.

.class="img-fluid clearfix"

فیزیک ضرب ماتریسی با یک ترانزیستور #

در رایانش دیجیتال کلاسیک، محاسبهٔ ضرب داخلی ماتریس‌ها مستلزم واکشی هزاران مقدار وزن 8 یا 16 بیتی از DRAM بیرونی از طریق خطوط گذرگاه با ظرفیت خازنی بالا، بارگذاری آن‌ها در ثبات‌های حافظهٔ نهان، انجام ضرب درون ALUهای دیجیتال و نوشتن دوبارهٔ نتایج در حافظه است. بیش از 90% انرژی صرف شارژ و دشارژ خطوط اتصال مسی میان تراشه‌ها می‌شود.

معماری‌های محاسبه درون حافظه این انتقال دیجیتال داده را با فیزیک مدارهای آنالوگ جایگزین می‌کنند:

برنامه‌ریزی وزن‌ها. وزن‌های شبکهٔ عصبی مستقیماً به‌صورت رسانایی‌های آنالوگ ($G$) در سلول‌های حافظهٔ غیرفرّار (مانند flash اصلاح‌شده یا RAM مقاومتی) برنامه‌ریزی می‌شوند. وزن‌ها پس از برنامه‌ریزی درون آرایهٔ حافظه ثابت می‌مانند و هرگز در طول استنتاج واکشی یا جابه‌جا نمی‌شوند.

مدولاسیون ولتاژ ورودی. فعال‌سازی‌های ورودی (مانند توکن‌های دیداری دوربین‌ها) به سطوح ولتاژ آنالوگ ($V$) تبدیل می‌شوند و روی خطوط واژهٔ آرایه اعمال می‌شوند.

ضرب با قانون اهم. هنگامی که ولتاژ ورودی از هر سلول حافظه می‌گذرد، قانون اهم ($I = V \times G$) ضربی آنالوگ و آنی انجام می‌دهد و جریانی الکتریکی متناسب با حاصل‌ضرب ورودی در وزن ذخیره‌شده پدید می‌آورد.

انباشت با قانون جریان کیرشهف. در امتداد خطوط بیت عمودی، جریان‌های هزاران سلول حافظهٔ موازی به‌طور طبیعی طبق قانون جریان کیرشهف ($\sum I = 0$) با هم جمع می‌شوند.

به این ترتیب یک آرایهٔ حافظهٔ flash کل یک ضرب ماتریس در بردار را در یک چرخهٔ ساعت اجرا می‌کند و بی‌آنکه حتی یک بار از حافظه واکشی کند، در سطح فیزیک کار می‌کند. سپس جریان آنالوگ انباشته به‌کمک مبدل‌های آنالوگ به دیجیتال (ADC) پرسرعت در لبهٔ آرایه دوباره به مقادیر دیجیتال تبدیل می‌شود.

راهبرد ماژولار چیپلت #

اگرچه محاسبه آنالوگ درون حافظه معادله‌های انرژی و تأخیر را حل می‌کند، گسترش سیلیکون در حوزه‌های تجاری گوناگون به انعطاف در بسته‌بندی نیاز دارد. Ozcelik به‌جای ساخت سامانه‌های روی تراشهٔ (SoC) بزرگ و یکپارچه - که از نرخ عیب نمایی، بازدهی پایین ویفر و پیکربندی‌های انعطاف‌ناپذیر محصول رنج می‌برند - راهبردی ماژولار مبتنی بر چیپلت را تشریح کرد.

در این الگو، کاشی‌های کوچک و استاندارد محاسبه درون حافظه به‌طور مستقل ساخته و با بسته‌بندی پیشرفته روی واسط‌ها (interposers) پیوند داده می‌شوند:

1. اتصال‌های استاندارد و پرسرعت die-to-die: چیپلت‌ها با بهره‌گیری از استانداردهای نوظهوری مانند Universal Chiplet Interconnect Express (UCIe) از طریق ریزبرآمدگی‌ها با چگالی پهنای باند بالا و تأخیرهایی در حد پیکوثانیه با یکدیگر ارتباط برقرار می‌کنند.
2. ترکیب ناهمگن: طراح سامانه می‌تواند دو چیپلت درون‌حافظه‌ای را با یک پردازندهٔ کنترلی ارزان ARM برای محمولهٔ سبک پهپاد جفت کند، یا شانزده چیپلت را در کنار رابط‌های پرسرعت PCIe سرهم کند تا یک کارت شتاب‌دهندهٔ سرور برای مراکز دادهٔ لبه بسازد.
3. همگردانی جهانی و نگاشت بار کاری: یک لایهٔ همگردان یکپارچه گراف‌های استاندارد یادگیری عمیق (ONNX، PyTorch) را می‌گیرد و لایه‌های مدل را به‌طور خودکار روی توپولوژی چیپلت موجود تقسیم می‌کند و مسیریابی داده را برای کاهش ارتباط میان چیپلت‌ها بهینه می‌سازد.

مقایسهٔ معماری: الگوهای محاسباتی برای رباتیک لبه #

منبع: جمع‌بندی داده‌های گفت‌وگوی صمیمانه و مشخصات معماری نیمه‌رسانا که در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک ارائه شد (Convene 200 Aldersgate، لندن، 13 اکتبر 2026).

معنای این تحول برای هر بخش #

اعتبارسنجی تجاری محاسبه درون حافظه به نفوذ در صنایعی بستگی دارد که در آن‌ها قیدهای توان و هزینه در گذشته مانع به‌کارگیری مدل‌های پایهٔ پیشرفته شده‌اند.

دفاع تاکتیکی و سامانه‌های بدون سرنشین #

در کاربردهای دفاعی لبه، کارایی انرژی مستقیماً به بقای عملیاتی و مدت مأموریت تبدیل می‌شود. سامانه‌های هوایی کوچک بدون سرنشین (sUAS) و خودروهای زمینی تاکتیکی به‌شدت با وزن باتری محدود می‌شوند. نصب یک GPU متعارف روی پهپاد شناسایی تنها برای تأمین توان پشتهٔ ادراکی هوش مصنوعی، ماندگاری آن در هوا را 30% تا 50% کاهش می‌دهد.

همکاری راهبردی Mythic AI با Lockheed Martin بر جای دادن محاسبه درون حافظه در سامانه‌های لبهٔ تاکتیکی، دسته‌های پهپاد خودران و پاسگاه‌های دورافتادهٔ مراقبت تمرکز دارد. با کاهش مصرف محاسباتی از 50 وات به کمتر از 10 وات، پهپادهای تاکتیکی زمان پرواز طولانی‌تری به دست می‌آورند و در عین حال طبقه‌بندی چندوجهی اشیا، پردازش سیگنال جنگ الکترونیک و کیلومترشماری دیداری‌اینرسی را به‌صورت محلی در صحنه‌های عملیاتی مورد منازعه و بدون GPS اجرا می‌کنند.

آگاهی موقعیتی خودرو و هوش مصنوعی درون کابین #

در صنعت خودرو، سازندگان ردهٔ نخست با فشار شدیدی بر حاشیهٔ سود روبه‌رو هستند. خودروهای برقی پرچم‌دار می‌توانند هزینهٔ رایانه‌های رانندگی خودران با خنک‌کاری مایع به ارزش £2,000 را جذب کنند، اما خودروهای بازار انبوه نمی‌توانند.

همکاری Honda Motor با Mythic AI به همین اصطکاک تجاری می‌پردازد. خودروسازان به تراشه‌های هوش مصنوعی واجد شرایط خودرو با تولید انبوه نیاز دارند که به‌جای صدها دلار، چند ده دلار هزینه داشته باشند و بتوانند سامانه‌های پایش راننده، بخش‌بندی اشیا در نقطهٔ کور و ادراک پیرامونی 360 درجه را اجرا کنند، بی‌آنکه به حلقه‌های پیچیدهٔ خنک‌کاری مایع نیاز باشد که هزینهٔ ساخت و پیچیدگی مونتاژ را افزایش می‌دهند.

مراکز دادهٔ صنعتی لبه و مراکز توزیع متحرک #

اگرچه محاسبه درون حافظه از نظر معماری برای لبه بهینه شده است، Mythic با عرضهٔ کارت‌های شتاب‌دهندهٔ PCIe برای مراکز دادهٔ لبه و هاب‌های تکمیل سفارش انبارها، آگاهانه یک راهبرد پل را دنبال می‌کند. در تأسیساتی که میزبان صدها ربات متحرک خودران (AMR) هستند، رک‌های سرور لبه که مدل‌های هماهنگی ناوگان را اجرا می‌کنند با ظرفیت انشعاب برق و محدودیت‌های خنک‌کاری تأسیسات محدود می‌شوند. کارت‌های شتاب‌دهندهٔ درون‌حافظه‌ای به تأسیسات امکان می‌دهند بی‌آنکه زیرساخت برق را ارتقا دهند، توان عملیاتی استنتاج محلی را چند برابر کنند.

تاب‌آوری زنجیرهٔ تأمین و جغرافیای تولید #

بخشی کلیدی از توضیحات Ozcelik بر حاکمیت زنجیرهٔ تأمین متمرکز بود. نوآوری در سخت‌افزار اگر نتوان سیلیکون را به‌طور قابل اتکا و در مقیاس بزرگ ساخت، بسته‌بندی و ارسال کرد، بی‌معناست.

Mythic AI ردپای تولیدی بین‌المللی و توزیع‌شده‌ای ایجاد کرده است:

• ساخت سیلیکون: تولید اصلی ویفرهای درون‌حافظه‌ای در توکیو، ژاپن متمرکز است و از پیشتازی تثبیت‌شدهٔ ژاپن در ساخت دقیق نیمه‌رساناها و گره‌های فرایندی بالغ آنالوگ/flash بهره می‌برد.
• بسته‌بندی پیشرفته و مونتاژ: ویفرها برای برش پیشرفتهٔ چیپلت، اتصال زیرلایه‌های چندقالبی و بازرسی نوری خودکار به اروپا (به‌ویژه آلمان) فرستاده می‌شوند.
• اعتبارسنجی بازنگری: شرکت هم‌اکنون در حال تکمیل اعتبارسنجی تازه‌ترین بازنگری سیلیکون خود است و بر تبدیل شاخص‌های بازدهی آزمایشگاهی به شرح کارهای (SOW) تکرارپذیر در سطح تولید برای تولید انبوه خودرو و دفاع تمرکز دارد.

این رویکرد چندمنطقه‌ای از آسیب‌پذیری‌های ژئوپلیتیکی تک‌نقطه‌ای پرهیز می‌کند و در عین حال زنجیره‌های تأمین متنوع از نظر جغرافیایی را در اختیار شرکای سازمانی در اروپا و آسیا می‌گذارد.

نتیجه‌گیری #

گفت‌وگوی صمیمانهٔ Taner Ozcelik و Kenneth Cukier در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک، واقعیت فیزیکی‌ای را ترسیم کرد که دههٔ آیندهٔ سامانه‌های خودران را رقم خواهد زد. قانون مور، به‌عنوان سنجه‌ای ساده از کوچک‌سازی ترانزیستورها، دیگر برای پیش بردن انقلاب هوش مصنوعی فیزیکی کافی نیست.

تا زمانی که معماری‌های رایانشی به جدایی منطق و حافظه به سبک فون نویمان چسبیده‌اند، رباتیک همچنان با جرم باتری، دفع حرارت و هزینه‌های بازدارندهٔ فهرست قطعات محدود خواهد ماند. مهندسی نیمه‌رسانا با گذر از جابه‌جایی دیجیتال داده به آرایه‌های محاسبه آنالوگ درون حافظه و توپولوژی‌های ماژولار چیپلت، جهش پله‌ای در کارایی را فراهم می‌کند که سامانه‌های خودران به آن نیاز دارند.

گذار از خوشه‌های 700 واتی مراکز داده به سیلیکون 15 واتی لبه، دروازهٔ واقعی خودمختاری فیزیکی است. در تحلیل نهایی، ربات‌هایی که در جهان واقعی کار می‌کنند باید از قوانین انرژی جهان واقعی پیروی کنند؛ و محاسبه درون حافظه معماری‌ای است که شکاف میان سیلیکون و زیست‌شناسی را پر می‌کند.

پرسش‌های پرتکرار #

گلوگاه فون نویمان در سخت‌افزار هوش مصنوعی چیست؟ گلوگاه فون نویمان به محدودیت توان عملیاتی و انرژی اشاره دارد که از جدایی فیزیکی میان واحد پردازش مرکزی (ALU) و حافظهٔ سامانه (DRAM) ناشی می‌شود. در بارهای کاری هوش مصنوعی که میلیاردها ضرب ماتریسی را در بر می‌گیرند، پردازنده‌ها بیش از 85% کل انرژی و بخش چشمگیری از چرخه‌های ساعت خود را صرفاً به رفت‌وبرگشت داده روی گذرگاه‌های مسی صرف می‌کنند و گلوگاه‌های شدید حرارتی و تأخیری پدید می‌آورند.

محاسبه آنالوگ درون حافظه (CIM) چگونه کار می‌کند؟ محاسبه درون حافظه عملیات ریاضی را بدون جابه‌جایی داده مستقیماً درون سلول‌های حافظه انجام می‌دهد. وزن‌های شبکهٔ عصبی به‌صورت حالت‌های رسانایی آنالوگ در سلول‌های حافظهٔ غیرفرّار ذخیره می‌شوند. وقتی ولتاژهای ورودی روی آرایه اعمال می‌شوند، جریان طبق قانون اهم ($I = V \times G$) از سلول‌ها می‌گذرد و طبق قانون جریان کیرشهف در امتداد خطوط بیت جمع می‌شود. بدین‌سان یک ضرب کامل ماتریس در بردار در یک گام فیزیکی انجام می‌گیرد.

چرا محاسبه درون حافظه برای رباتیک و پهپادها اهمیتی ویژه دارد؟ ربات‌های متحرک و پهپادها زیر محدودیت‌های سخت اندازه، وزن، توان و هزینه (SWaP-C) کار می‌کنند. آن‌ها به باتری داخلی متکی‌اند و نمی‌توانند رادیاتورهای سنگین خنک‌کاری یا منابع تغذیهٔ پرتوان را تحمل کنند. محاسبه درون حافظه کارایی انرژی 10 تا 1,000 برابر بیشتری فراهم می‌کند و به ربات‌ها امکان می‌دهد مدل‌های پیچیدهٔ بینایی-زبان-کنش را به‌صورت محلی در پوشش توان 10 تا 20 وات اجرا کنند و در عین حال ماندگاری باتری را حفظ کنند.

مزیت رویکرد چیپلت نسبت به تراشهٔ یکپارچه چیست؟ تراشه‌های یکپارچه همهٔ واحدهای کارکردی را روی یک قالب سیلیکونی بزرگ جمع می‌کنند. با بزرگ‌تر شدن قالب، نرخ عیوب ساخت به‌صورت نمایی بالا می‌رود، بازدهی تولید کاهش می‌یابد و هزینهٔ هر واحد افزایش پیدا می‌کند. معماری چیپلت سامانه را به قالب‌های سیلیکونی کوچک‌تر و استانداردی تقسیم می‌کند که به‌طور مستقل و با بازدهی بالا ساخته و از طریق ریزبرآمدگی‌های پرسرعت به هم متصل می‌شوند. این کار پیکربندی‌های ماژولار و انعطاف‌پذیری را ممکن می‌کند که با نیازهای توان و ضریب شکل هر صنعت تطبیق داده می‌شوند.

شرکای تجاری اصلی این فناوری چه کسانی هستند؟ سکوی محاسبه درون حافظهٔ Mythic AI در حال حاضر بر دو همکاری بزرگ سازمانی تکیه دارد: Lockheed Martin که این معماری را برای افزایش ماندگاری باتری در پهپادهای دفاعی تاکتیکی، سکوهای رباتیک بدون سرنشین و پاسگاه‌های امنیت پیرامونی به کار می‌گیرد؛ و Honda Motor که تراشه‌های هوش مصنوعی ارزان و واجد شرایط خودرو را برای آگاهی موقعیتی خودرو و حسگری درون کابین هدف گرفته است.

منابع #

• Economist Enterprise, (2026). نشست هوش مصنوعی فیزیکی و رباتیک: برتری عملیاتی از راه سامانه‌های خودران ⧉. Economist Enterprise.
• Ozcelik, T., (2026). فراتر از قانون مور: توانی که پشت رباتیک پرکارایی است ⧉. Mythic AI.
• Cukier, K., (2026). سقف‌های ترمودینامیکی هوش خودمختار ⧉. The Economist.
• Marković, D., Mizrahi, A., Querlioz, D., & Grollier, J., (2020). فیزیک برای رایانش نورومورفیک ⧉. Nature Reviews Physics, 2, 499-510.
• Universal Chiplet Interconnect Express, (2025). مشخصات UCIe 2.0: استاندارد اتصال die-to-die ⧉. UCIe Consortium.
• IEEE, (2026). نقشهٔ راه بین‌المللی دستگاه‌ها و سامانه‌ها (IRDS): فراتر از CMOS و محاسبه درون حافظه ⧉. IEEE Standards Association.

آخرین بازبینی 2026-10-13.

آخرین بازبینی 2026-10-27.

# فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/](https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/)

در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک در لندن، Taner Ozcelik از Mythic AI توضیح داد که محاسبه درون حافظه چگونه دیوار حافظه را می‌شکند.

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/

فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau

در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک در لندن، Taner Ozcelik از Mythic AI توضیح داد که محاسبه درون حافظه چگونه دیوار حافظه را می‌شکند.

https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/

فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau

در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک در لندن، Taner Ozcelik از Mythic AI توضیح داد که محاسبه درون حافظه چگونه دیوار حافظه را می‌شکند.

مهم‌ترین نکات راهبردی به این شرح است:

- دیوار ترمودینامیکی: چرا هوش مصنوعی فیزیکی نمی‌تواند در ابر زندگی کند. در جلسهٔ گفت‌وگوی صمیمانه با عنوان Moving past Moore’s law: the power behind high-performance robotics، Kenneth Cukier معضل اصلی مهندسی پیش روی خودمختاری در سازمان‌ها را چنین صورت‌بندی کرد: مدل‌های هوش مصنوعی از نظر…
- تز معماری: محاسبه درون حافظه (CIM). Mythic AI برای حل گلوگاه ترمودینامیکی یک فلسفهٔ معماری را پیش برده است: به‌جای رفت‌وآمد داده میان واحدهای پردازش و مخزن‌های حافظهٔ جداگانه، خود حافظه باید به رایانه تبدیل شود.
- راهبرد ماژولار چیپلت. اگرچه محاسبه آنالوگ درون حافظه معادله‌های انرژی و تأخیر را حل می‌کند، گسترش سیلیکون در حوزه‌های تجاری گوناگون به انعطاف در بسته‌بندی نیاز دارد.
- مقایسهٔ معماری: الگوهای محاسباتی برای رباتیک لبه. منبع: جمع‌بندی داده‌های گفت‌وگوی صمیمانه و مشخصات معماری نیمه‌رسانا که در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک ارائه شد (Convene 200 Aldersgate، لندن، 13 اکتبر 2026).

رویکرد سازمان شما به چالش‌های مطرح‌شده در این نوشته چیست؟

→ https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/

#محاسبهدرونحافظه،MythicAi،TanerOzcelik،قانونمور،گلوگاهفوننویمان،چیپلت،رباتیکلبه،هوشمصنوعیفیزیکی،محاسباتآنالوگ،LockheedMartin،Honda،معمارینیمه‌رسانا

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026فراتر,
  author  = {Rousseau, Sebastien},
  title   = {{فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/
ER  -

Rousseau S. فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 13. Available from: https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/

Rousseau, Sebastien. "فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau." sebastienrousseau.com. October 13, 2026. https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/.

Rousseau, S. (2026, October 13). فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/

فراتر از قانون مور: محاسبه درون حافظه و چیپلت‌های ماژولار برای رباتیک — Sebastien Rousseau

در نشست Economist Enterprise دربارهٔ هوش مصنوعی فیزیکی و رباتیک در لندن، Taner Ozcelik از Mythic AI توضیح داد که محاسبه درون حافظه چگونه دیوار حافظه را می‌شکند.

Originally published at https://sebastienrousseau.com/fa/2026-10-13-fratr-az-qanwn-mwr-mhasbh-drwn/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER