Memóriában számítás és chipletek: peremrobotika a Moore-törvényen túl

TL;DR. A Mythic AI vezérigazgatója, Taner Ozcelik a londoni Economist-csúcson megmutatta, hogyan döntik le a memóriában végzett számítás és a chipletek a Neumann-memóriafalat.

Legfontosabb tanulságok

A termodinamikai fal: miért nem élhet a fizikai MI a felhőben. A Moving past Moore’s law: the power behind high-performance robotics (Túl a Moore-törvényen: a nagy teljesítményű robotika mögötti energia) című beszélgetésen Kenneth Cukier megfogalmazta a vállalati autonómia…
Az architekturális tézis: memóriában végzett számítás (CIM). A termodinamikai szűk keresztmetszet feloldására a Mythic AI egy architekturális filozófiát képvisel: ahelyett, hogy az adatokat külön feldolgozóegységek és memóriakészletek között ingáztatnánk, magának a memóriának…
A moduláris chipletstratégia. Az analóg, memóriában végzett számítás megoldja az energia és a késleltetés egyenleteit, de a szilícium skálázása különböző kereskedelmi területeken tokozási rugalmasságot igényel.
Architektúrák összehasonlítása: számítási paradigmák a peremrobotikához. Forrás: a beszélgetés adatainak és a félvezető-architektúra azon specifikációinak összegzése, amelyeket az Economist Enterprise Physical AI and Robotics Summiton mutattak be (Convene 200 Aldersgate, London, 2026.

Több mint fél évszázadon át a számítástechnika fejlődése a Moore-törvényt követte: tizennyolc-huszonnégy havonta kétszer annyi tranzisztor fért el a szilíciumon. A fizikai MI és az autonóm robotika feltörekvő területén azonban a Moore-törvény beleütközött a termodinamika törvényeibe. Az autonóm drónok, a négylábú robotok, a sebészeti manipulátorok és az önvezető járművek nem cipelhetnek 700 wattos szerverosztályú GPU-kat vagy hűtőtornyokat. Az Economist Enterprise Physical AI and Robotics Summiton, 2026. október 13-án Londonban Taner Ozcelik, a Mythic AI elnök-vezérigazgatója Kenneth Cukierrel beszélgetett arról az architekturális forradalomról, amely ennek a patthelyzetnek a feloldásához szükséges: a Moore-törvényen való túllépésről az analóg, memóriában végzett számítás (compute-in-memory, CIM) és a moduláris chipletek révén.

A termodinamikai fal: miért nem élhet a fizikai MI a felhőben #

A Moving past Moore’s law: the power behind high-performance robotics (Túl a Moore-törvényen: a nagy teljesítményű robotika mögötti energia) című beszélgetésen Kenneth Cukier megfogalmazta a vállalati autonómia központi mérnöki dilemmáját: a mesterségesintelligencia-modellek paraméterszámban és érzékelési képességben egyre nőnek, a fizikai gépek viszont kíméletlen SWaP-C-korlátok (méret, tömeg, teljesítmény és költség) között működnek.

A mai MI élvonala hiperskálázású adatközpontokra épül, amelyek hatalmas szerverfürtjeikben 150 megawattot vagy többet vesznek fel. Ahogy Ozcelik rámutatott, ez az architektúra olyan energiaskálán működik, amely milliószoros távolságra van a biológiai viszonyítási pontoktól. Az emberi agy a folyamatos, valós idejű szenzomotoros koordinációt, a szemantikai érvelést és a vizuális-térbeli navigációt nagyjából 20 wattos anyagcsere-teljesítménykeretben végzi.

A robotikai mérnökök korábban úgy próbálták megkerülni a fedélzeti számítási korlátokat, hogy a következtetést a felhőbe szervezték ki. A kritikus ipari, repülőipari és védelmi környezetekben azonban a felhőfüggő autonómia architekturális lehetetlenség:

Késleltetésingadozás és jitter: A nagy sebességű, zárt hurkú robotvezérlés 50–1000 Hz-es determinisztikus motorfrissítéseket igényel (20 milliszekundum alatti oda-vissza időt). A mobil- és Wi-Fi-hálózatok csomagjittert, elveszett képkockákat és késleltetési csúcsokat okoznak, amelyek miatt a robotkarok elejtik a munkadarabot, az autonóm járművek pedig nem tartják a fékezési küszöböket.
A sávszélesség telítődése: Több tömörítetlen 4K-s videofolyam és LiDAR-pontfelhő továbbítása egy ipari üzem tucatnyi mobil robotjától gyorsan kimeríti a helyi rádiós sávszélességet, és túlzott felhőből kimenő adatforgalmi díjakat okoz.
Működési szuverenitás és vitatott kapcsolat: Föld alatti bányákban, GPS nélküli alagutakban, távoli építkezéseken vagy taktikai katonai környezetekben a külső hálózati kapcsolatok vagy nem léteznek, vagy aktívan zavarják őket. Az autonóm rendszereknek a teljes működési intelligenciát közvetlenül a peremen lévő alvázukon kell hordozniuk.

A robotok szabványos, nagy teljesítményű GPU-kkal való felszerelése saját fizikai hátrányokkal jár: hőfojtással, a hasznos terhet parazita tömeggel növelő hatalmas hűtőbordákkal és nagy áramfelvétellel, amely az akkumulátoros repülési időt órákról percekre csökkenti.

Az architekturális tézis: memóriában végzett számítás (CIM) #

A termodinamikai szűk keresztmetszet feloldására a Mythic AI egy architekturális filozófiát képvisel: ahelyett, hogy az adatokat külön feldolgozóegységek és memóriakészletek között ingáztatnánk, magának a memóriának kell számítógéppé válnia.

Egy új generációs, memóriában végzett MI-számítási platform architektúrájának bemutatója cellánként egytranzisztoros számítási tömbökkel, moduláris chipletstratégiával, hatékonysági szorzókkal és kereskedelmi horgonyügyfelekkel .class="img-fluid clearfix"

Az egytranzisztoros mátrixszorzás fizikája #

A klasszikus digitális számításban egy mátrix skaláris szorzatának kiszámítása megköveteli, hogy több ezer 8 vagy 16 bites súlyértéket olvassanak be a külső DRAM-ból nagy kapacitású buszvezetékeken, betöltsék őket a gyorsítótár-regiszterekbe, elvégezzék a szorzást a digitális ALU-kban, majd az eredményeket visszaírják a memóriába. Az energia több mint 90%-a a chipek közötti rézvezetékek töltésére és kisütésére megy el.

A memóriában számoló architektúrák ezt a digitális adatátvitelt analóg áramköri fizikával váltják fel:

A súlyok programozása. A neurális hálózat súlyait közvetlenül nem felejtő memóriacellákba (például módosított flash- vagy rezisztív RAM-cellákba) programozzák analóg vezetőképességként ($G$). A beprogramozott súlyok helyben maradnak a memóriatömbben; következtetés közben soha nem olvassák ki és nem mozgatják őket.

A bemeneti feszültség modulálása. A bemeneti aktivációkat (például a kamerákból érkező vizuális tokeneket) analóg feszültségszintekké ($V$) alakítják, és a tömb szóvezetékein vezetik végig.

Szorzás Ohm törvényével. Ahogy a bemeneti feszültség áthalad minden memóriacellán, Ohm törvénye ($I = V \times G$) azonnali analóg szorzást végez, és a bemenet és a tárolt súly szorzatával arányos elektromos áramot hoz létre.

Összegzés Kirchhoff áramtörvényével. A függőleges bitvezetékek mentén több ezer párhuzamos memóriacella árama természetes módon összeadódik Kirchhoff áramtörvénye szerint ($\sum I = 0$).

Egyetlen flashmemória-tömb így egyetlen órajelciklus alatt végrehajt egy teljes mátrix-vektor szorzást, fizikai szinten, egyetlen memóriaolvasás nélkül. Az összegzett analóg áramot ezután a tömb szélén nagy sebességű analóg-digitális átalakítók (ADC) alakítják vissza digitális értékekké.

A moduláris chipletstratégia #

Az analóg, memóriában végzett számítás megoldja az energia és a késleltetés egyenleteit, de a szilícium skálázása különböző kereskedelmi területeken tokozási rugalmasságot igényel. Nagy, monolitikus egychipes rendszerek (SoC) gyártása helyett, amelyek exponenciálisan növekvő hibaaránytól, gyenge szeletkihozataltól és rugalmatlan termékkonfigurációktól szenvednek, Ozcelik egy moduláris chipletstratégiát vázolt fel.

Ebben a modellben kis, szabványosított, memóriában számoló csempéket gyártanak egymástól függetlenül, majd fejlett tokozással interposerekre kötik őket:

Szabványosított, nagy sebességű lapkák közötti összeköttetések: Az olyan feltörekvő szabványok révén, mint a Universal Chiplet Interconnect Express (UCIe), a chipletek mikrobumpokon keresztül kommunikálnak, nagy sávszélesség-sűrűséggel és pikoszekundumos nagyságrendű késleltetéssel.
Heterogén összetétel: A rendszertervező két memóriában számoló chipletet párosíthat egy olcsó ARM vezérlőprocesszorral egy könnyű drón hasznos terhéhez, vagy tizenhat chipletet szerelhet össze nagy sebességű PCIe-interfészekkel, hogy szervergyorsító kártyát hozzon létre a peremadatközpontok számára.
Univerzális fordítás és terheléskiosztás: Egy egységes fordítóréteg fogadja a szabványos mélytanulási gráfokat (ONNX, PyTorch), és automatikusan szétosztja a modell rétegeit a rendelkezésre álló chiplet-topológián, úgy optimalizálva az adatútvonalakat, hogy a chipletek közötti kommunikáció minimális legyen.

Architektúrák összehasonlítása: számítási paradigmák a peremrobotikához #

Architekturális szempont	Szabványos digitális GPU (NVIDIA Jetson / Orin)	Dedikált perem-NPU (Google Coral / Hailo)	Analóg, memóriában számoló chiplet (Mythic AI)
Alapmechanizmus	Digitális SIMD-/tenzormagok, amelyek LPDDR5/HBM-ből olvassák a súlyokat	Digitális szisztolikus tömbök chipen belüli SRAM-súlygyorsítótárral	Cellánként egytranzisztoros analóg tömbök, amelyek helyben végzik a mátrixszorzást
Adatmozgatási többletköltség	Magas (a DRAM/SRAM-busz folyamatos töltése; 85% feletti energiapazarlás)	Közepes (a belső SRAM-gyorsítótár kapacitása korlátozza)	Nincs belső adatmozgatás; a súlyok tartósan a memóriában maradnak
A következtetés teljesítménykerete	30–75 W+ (aktív ventilátoros hűtést és nehéz hűtőbordákat igényel)	5–15 W (passzív vagy minimális hűtés)	10–20 W (rendkívül kompakt passzív hőelvezetés)
Energiahatékonyság (TOPS/W)	2–5 TOPS/W (rendszerszinten)	10–25 TOPS/W	50–200+ TOPS/W (elméletileg 10-szeres–1000-szeres hatékonyság)
Az eszköz darabjegyzéke (BOM)	£500–£2500+ számítási modulonként	£100–£350 gyorsítókártyánként	Néhány tíz dollár chipletenként, nagy tételben
Memória-szűk keresztmetszet (Neumann)	Súlyos; a memória-sávszélesség korlátozza (GB/s-tól TB/s-ig)	Közepes; a chipen lévő SRAM kapacitása korlátozza (MB)	Nem létezik; a tömb sávszélessége megfelel a belső memóriamátrixnak
Célzott alkalmazási terület	Prémium autonóm járművek és ipari ellenőrző robotok	Okoskamerák és könnyű beágyazott IoT-eszközök	Nagy frekvenciájú tapintásos robotika, taktikai drónok és járműipari MI

Forrás: a beszélgetés adatainak és a félvezető-architektúra azon specifikációinak összegzése, amelyeket az Economist Enterprise Physical AI and Robotics Summiton mutattak be (Convene 200 Aldersgate, London, 2026. október 13.).

Mit jelent ez ágazatonként #

A memóriában végzett számítás kereskedelmi igazolása azon múlik, sikerül-e betörni azokba az iparágakba, ahol a teljesítmény- és költségkorlátok eddig gátolták a fejlett alapmodellek bevezetését.

Taktikai védelem és pilóta nélküli rendszerek #

A védelmi peremalkalmazásokban az energiahatékonyság közvetlenül a műveleti túlélőképességben és a küldetés időtartamában jelenik meg. A kis pilóta nélküli légi rendszereket (sUAS) és a taktikai földi járműveket súlyosan korlátozza az akkumulátorok tömege. Ha egy felderítő drónt hagyományos GPU-val szerelnek fel, a levegőben töltött ideje 30–50%-kal csökken, pusztán azért, hogy az MI-érzékelési réteget táplálja.

A Mythic AI stratégiai együttműködése a Lockheed Martinnal arra irányul, hogy a memóriában végzett számítást beépítsék a taktikai peremrendszerekbe, az autonóm drónrajokba és a távoli megfigyelőállásokba. A számítási áramfelvétel 50 wattról 10 watt alá csökkentésével a taktikai drónok hosszabb repülési időt érnek el, miközben helyben futtatják a multimodális objektumosztályozást, az elektronikai hadviselés jelfeldolgozását és a vizuális-inerciális odometriát a zavart, GPS nélküli hadszíntereken.

Járműves helyzetfelismerés és utastéri MI #

A járműiparban az első szintű beszállítók erős árrésnyomással néznek szembe. A zászlóshajó elektromos járművek elbírják a folyadékhűtésű, 2000 fontos önvezető számítógépek költségét, a tömegpiaci járművek azonban nem.

A Honda Motor és a Mythic AI partnersége éppen erre a kereskedelmi súrlódásra ad választ. Az autógyártóknak nagy volumenű, járműipari minősítésű MI-chipekre van szükségük, amelyek nem százakba, hanem néhány tíz dollárba kerülnek, és képesek vezetőfigyelő rendszereket, holttér-objektumszegmentálást és 360 fokos környezetérzékelést futtatni bonyolult folyadékhűtési körök nélkül, amelyek növelik a gyártási költséget és bonyolítják az összeszerelést.

Ipari peremadatközpontok és mobil rendelésteljesítés #

Bár a memóriában végzett számítás architekturálisan a peremre optimalizált, a Mythic tudatos áthidaló stratégiát követ: PCIe-gyorsítókártyákat kínál peremadatközpontoknak és raktári rendelésteljesítő központoknak. A több száz autonóm mobil robotot (AMR) kiszolgáló létesítményekben a flottakoordinációs modelleket futtató peremszerver-rackeket a létesítmény villamos csatlakozásai és hűtési korlátai szorítják. A memóriában számoló gyorsítókártyák lehetővé teszik, hogy a létesítmények megsokszorozzák a helyi következtetési átviteli teljesítményt a hálózati villamos csatlakozás bővítése nélkül.

Az ellátási lánc ellenálló képessége és a gyártás földrajza #

Ozcelik előadásának fontos része az ellátási lánc szuverenitásáról szólt. A hardverinnováció értelmetlen, ha a szilíciumot nem lehet megbízhatóan gyártani, tokozni és nagy léptékben szállítani.

A Mythic AI elosztott nemzetközi gyártási hálózatot épített ki:

Szilíciumgyártás: A memóriában számoló szeletek alapgyártása a japán Tokióban folyik, kihasználva Japán megalapozott vezető szerepét a precíziós félvezetőgyártásban, valamint az analóg és flash memóriák érett gyártási csomópontjait.
Fejlett tokozás és összeszerelés: A szeletek Európába (konkrétan Németországba) kerülnek a chipletek fejlett darabolására, a több lapkás hordozókötésre és az automatizált optikai ellenőrzésre.
A revíziók validálása: A vállalat jelenleg fejezi be legújabb szilíciumrevíziójának validálását, és arra összpontosít, hogy a laboratóriumi kihozatali mutatókat megismételhető, gyártási szintű munkaleírásokká (SOW) alakítsa a járműipari és védelmi sorozatgyártáshoz.

Ez a több régiós megközelítés elkerüli az egyedi geopolitikai sebezhetőségi pontokat, és földrajzilag diverzifikált ellátási láncot kínál az európai és ázsiai vállalati partnereknek.

Összegzés #

Taner Ozcelik és Kenneth Cukier beszélgetése az Economist Enterprise Physical AI and Robotics Summiton felvázolta azt a fizikai valóságot, amely az autonóm rendszerek következő évtizedét irányítja majd. A Moore-törvény, mint a tranzisztorskálázás egyszerű mércéje, már nem elegendő a fizikai MI forradalmának hajtásához.

Amíg a számítási architektúrák ragaszkodnak a logika és a memória Neumann-féle szétválasztásához, a robotikát továbbra is az akkumulátorok tömege, a hőelvezetés és a megfizethetetlen alkatrészköltségek korlátozzák. A digitális adatmozgatásról az analóg, memóriában számoló tömbökre és a moduláris chiplet-topológiákra való áttéréssel a félvezetőmérnökség meghozza azt a lépcsőzetes hatékonysági áttörést, amelyre az autonóm rendszereknek szükségük van.

A 700 wattos adatközponti fürtökről a 15 wattos peremszilíciumra való átállás a fizikai autonómia valódi kapuja. Végső soron a valós világban működő robotoknak a valós világ energiatörvényeinek kell engedelmeskedniük; a memóriában végzett számítás az az architektúra, amely áthidalja a szilícium és a biológia közötti szakadékot.

Gyakran ismételt kérdések #

Mi a Neumann-féle szűk keresztmetszet az MI-hardverben? A Neumann-féle szűk keresztmetszet az átviteli teljesítmény és az energia azon korlátja, amelyet a központi feldolgozóegység (ALU) és a rendszermemória (DRAM) fizikai szétválasztása okoz. A több milliárd mátrixszorzást igénylő mesterségesintelligencia-terhelésekben a processzorok teljes energiájuk több mint 85%-át és jelentős számú órajelciklust töltenek azzal, hogy az adatokat oda-vissza mozgatják a rézbuszokon, ami súlyos hő- és késleltetési szűk keresztmetszeteket okoz.

Hogyan működik az analóg, memóriában végzett számítás (CIM)? A memóriában végzett számítás a matematikai műveleteket közvetlenül a memóriacellákban végzi, adatmozgatás nélkül. A neurális hálózat súlyait analóg vezetőképességi állapotként tárolják nem felejtő memóriacellákban. Amikor bemeneti feszültséget kapcsolnak a tömbre, az áram Ohm törvénye ($I = V \times G$) szerint folyik át a cellákon, és Kirchhoff áramtörvénye szerint összegződik a bitvezetékek mentén. Így egy teljes mátrix-vektor szorzás egyetlen fizikai lépésben megy végbe.

Miért különösen fontos a memóriában végzett számítás a robotok és drónok számára? A mobil robotok és drónok szigorú SWaP-C-korlátok (méret, tömeg, teljesítmény és költség) között működnek. Fedélzeti akkumulátorokra támaszkodnak, és nem bírják el a nehéz hűtőradiátorokat vagy a nagy teljesítményű tápegységeket. A memóriában végzett számítás 10-szeres–1000-szeres energiahatékonyságot nyújt, így a robotok helyben futtathatnak összetett látás-nyelv-cselekvés modelleket 10–20 wattos teljesítménykereten belül, miközben megőrzik az akkumulátor üzemidejét.

Mi az előnye a chipletes megközelítésnek a monolitikus chippel szemben? A monolitikus chipek minden funkcionális egységet egyetlen nagy szilíciumlapkán integrálnak. A lapka méretének növekedésével a gyártási hibaarány exponenciálisan nő, ami csökkenti a kihozatalt és növeli az egységköltséget. A chiplet-architektúra kisebb, szabványosított szilíciumlapkákra bontja a rendszert, amelyeket egymástól függetlenül, nagy kihozatallal gyártanak, és nagy sebességű mikrobumpokkal kötnek össze. Ez moduláris, rugalmas konfigurációkat tesz lehetővé, amelyek konkrét ipari teljesítmény- és formatényező-követelményekhez igazodnak.

Kik a technológia fő kereskedelmi partnerei? A Mythic AI memóriában számoló platformját jelenleg két jelentős vállalati partnerség horgonyozza le: a Lockheed Martin, amely az akkumulátoros üzemidő meghosszabbítására taktikai védelmi drónokba, pilóta nélküli robotplatformokba és kerületvédelmi állásokba integrálja az architektúrát, valamint a Honda Motor, amely olcsó, járműipari minősítésű MI-chipeket céloz meg a járműves helyzetfelismeréshez és az utastéri érzékeléshez.

Hivatkozások #

Economist Enterprise, (2026). Physical AI & Robotics Summit: működési előny autonóm rendszerekkel ⧉. Economist Enterprise.
Ozcelik, T., (2026). Túl a Moore-törvényen: a nagy teljesítményű robotika mögötti energia ⧉. Mythic AI.
Cukier, K., (2026). Az autonóm intelligencia termodinamikai plafonjai ⧉. The Economist.
Marković, D., Mizrahi, A., Querlioz, D. és Grollier, J., (2020). Fizika a neuromorf számításhoz ⧉. Nature Reviews Physics, 2, 499-510.
Universal Chiplet Interconnect Express, (2025). UCIe 2.0 specifikáció: lapkák közötti összeköttetési szabvány ⧉. UCIe Consortium.
IEEE, (2026). International Roadmap for Devices and Systems (IRDS): a CMOS-on túl és a memóriában végzett számítás ⧉. IEEE Standards Association.

Utolsó felülvizsgálat 2026-10-13.

Utolsó felülvizsgálat 2026-10-27.

A cikk újraközlése

Memóriában számítás és chipletek: peremrobotika a Moore-törvényen túl — Sebastien Rousseau

A Mythic AI vezérigazgatója, Taner Ozcelik a londoni Economist-csúcson megmutatta, hogyan döntik le a memóriában végzett számítás és a chipletek a Neumann-memóriafalat.

Ez a cikk a következő licenc alatt áll: Creative Commons Attribution 4.0 International. Az újraközléshez a kanonikus URL forrásmegjelölése szükséges.

Memóriában számítás és chipletek: peremrobotika a Moore-törvényen túl — Sebastien Rousseau

A Mythic AI vezérigazgatója, Taner Ozcelik a londoni Economist-csúcson megmutatta, hogyan döntik le a memóriában végzett számítás és a chipletek a Neumann-memóriafalat.

Originally published at https://sebastienrousseau.com/hu/2026-10-13-memoriaban-szamitas-chipletek-peremrobotika-moore-torvenyen/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER