Melampaui Hukum Moore: komputasi dalam memori dan chiplet untuk robot

TL;DR. Di KTT Economist Enterprise di London, Taner Ozcelik dari Mythic AI menjelaskan cara komputasi dalam memori dan chiplet menaikkan efisiensi robot 10 hingga 1.000 kali.

Kesimpulan utama

Dinding termodinamika: mengapa AI fisik tidak bisa hidup di cloud. Dalam sesi perbincangan berjudul Moving past Moore’s law: the power behind high-performance robotics (“Melampaui Hukum Moore: daya di balik robotika berkinerja tinggi”), Kenneth Cukier merumuskan dilema rekayasa…
Tesis arsitektur: komputasi dalam memori (CIM). Untuk mengatasi hambatan termodinamika, Mythic AI mengusung filosofi arsitektur: alih-alih mengangkut data bolak-balik antara unit pemrosesan dan kolam memori yang terpisah, memori itu sendiri harus menjadi komputernya.
Strategi chiplet modular. Meskipun komputasi analog dalam memori menyelesaikan persamaan energi dan latensi, penskalaan silikon ke berbagai ranah komersial memerlukan fleksibilitas pengemasan.
Perbandingan arsitektur: paradigma komputasi untuk robotika edge. Sumber: Sintesis data perbincangan dan spesifikasi arsitektur semikonduktor yang dipaparkan di Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, London, 13 Oktober 2026).

Selama lebih dari setengah abad, kemajuan komputasi mengikuti Hukum Moore: menjejalkan dua kali lebih banyak transistor ke dalam silikon setiap delapan belas hingga dua puluh empat bulan. Namun di ranah baru AI fisik dan robotika otonom, Hukum Moore bertabrakan dengan hukum termodinamika. Drone otonom, robot berkaki empat, manipulator bedah, dan kendaraan swakemudi tidak mampu mengangkut GPU kelas server 700 watt atau menara pendingin. Di Economist Enterprise Physical AI and Robotics Summit di London pada 13 Oktober 2026, Taner Ozcelik, Ketua dan CEO Mythic AI, berbincang santai dengan Kenneth Cukier untuk mengupas revolusi arsitektur yang dibutuhkan untuk memecah kebuntuan ini: melampaui Hukum Moore melalui komputasi analog dalam memori (CIM) dan chiplet modular.

Dinding termodinamika: mengapa AI fisik tidak bisa hidup di cloud #

Dalam sesi perbincangan berjudul Moving past Moore’s law: the power behind high-performance robotics (“Melampaui Hukum Moore: daya di balik robotika berkinerja tinggi”), Kenneth Cukier merumuskan dilema rekayasa utama yang dihadapi otonomi perusahaan: model kecerdasan buatan terus membesar dalam jumlah parameter dan kemampuan persepsi, tetapi mesin fisik beroperasi di bawah batasan SWaP-C (ukuran, berat, daya, dan biaya) yang tanpa ampun.

Garis depan AI saat ini bertumpu pada pusat data hiperskala yang menarik daya 150 megawatt atau lebih di klaster server yang sangat besar. Seperti dikatakan Ozcelik, arsitektur ini beroperasi pada skala energi yang jutaan kali jauhnya dari titik acuan biologis. Otak manusia menjalankan koordinasi sensorimotor yang berkelanjutan secara waktu nyata, penalaran semantik, dan navigasi visual-spasial dalam selubung daya metabolik sekitar 20 watt.

Secara historis, insinyur robotika mencoba mengatasi batas komputasi di dalam robot dengan memindahkan inferensi ke cloud. Namun di lingkungan industri, kedirgantaraan, dan pertahanan yang kritis bagi misi, otonomi yang bergantung pada cloud adalah kemustahilan arsitektur:

Variasi latensi dan jitter: Kontrol robot loop tertutup berkecepatan tinggi memerlukan pembaruan motor deterministik pada 50 Hz hingga 1.000 Hz (perjalanan pulang-pergi di bawah 20 milidetik). Jaringan seluler dan Wi-Fi menimbulkan jitter paket, bingkai yang hilang, dan lonjakan latensi yang membuat lengan robot menjatuhkan benda kerja atau kendaraan otonom gagal memenuhi ambang pengereman.
Kejenuhan bandwidth: Mengalirkan beberapa umpan video 4K tak terkompresi dan awan titik LiDAR dari puluhan robot bergerak di seluruh pabrik dengan cepat menghabiskan bandwidth RF lokal dan menimbulkan biaya egress cloud yang sangat mahal.
Kedaulatan operasional dan konektivitas yang diperebutkan: Di tambang bawah tanah, terowongan tanpa GPS, lokasi konstruksi terpencil, atau lingkungan militer taktis, tautan jaringan eksternal entah tidak ada atau sengaja diacak. Sistem otonom harus membawa seluruh kecerdasan operasional langsung di sasis edge.

Membekali robot dengan GPU berkinerja tinggi standar membawa penalti fisiknya sendiri: pembatasan kinerja akibat panas (thermal throttling), heat sink besar yang menambah massa muatan parasit, dan konsumsi daya tinggi yang memangkas waktu terbang baterai dari hitungan jam menjadi menit.

Tesis arsitektur: komputasi dalam memori (CIM) #

Untuk mengatasi hambatan termodinamika, Mythic AI mengusung filosofi arsitektur: alih-alih mengangkut data bolak-balik antara unit pemrosesan dan kolam memori yang terpisah, memori itu sendiri harus menjadi komputernya.

Pemaparan arsitektur platform komputasi AI dalam memori generasi berikutnya yang menunjukkan larik komputasi satu transistor, strategi chiplet modular, pengali efisiensi, dan jangkar penerapan komersial .class="img-fluid clearfix"

Fisika perkalian matriks satu transistor #

Dalam komputasi digital klasik, menghitung perkalian titik matriks memerlukan pengambilan ribuan nilai bobot 8-bit atau 16-bit dari DRAM eksternal melalui jalur bus berkapasitansi tinggi, memuatnya ke register cache, melakukan perkalian di dalam ALU digital, lalu menulis hasilnya kembali ke memori. Lebih dari 90% energi habis untuk mengisi dan mengosongkan jalur interkoneksi tembaga antarchip.

Arsitektur komputasi dalam memori mengganti transfer data digital ini dengan fisika rangkaian analog:

Pemrograman bobot. Bobot jaringan saraf diprogram langsung ke sel memori nonvolatil (seperti flash yang dimodifikasi atau RAM resistif) sebagai konduktansi analog ($G$). Setelah diprogram, bobot tetap diam di dalam larik memori; bobot tidak pernah diambil atau dipindahkan selama inferensi.

Modulasi tegangan masukan. Aktivasi masukan (seperti token visual dari kamera) diubah menjadi tingkat tegangan analog ($V$) dan dialirkan sepanjang jalur kata (word line) larik.

Perkalian dengan Hukum Ohm. Saat tegangan masukan melewati setiap sel memori, Hukum Ohm ($I = V \times G$) melakukan perkalian analog seketika dan menghasilkan arus listrik yang sebanding dengan hasil kali masukan dan bobot yang tersimpan.

Akumulasi dengan Hukum Arus Kirchhoff. Di sepanjang jalur bit vertikal, arus dari ribuan sel memori paralel secara alami menjumlah sesuai Hukum Arus Kirchhoff ($\sum I = 0$).

Dengan demikian, satu larik memori flash menjalankan seluruh perkalian matriks-vektor dalam satu siklus jam, bekerja di tingkat fisika tanpa satu pun pengambilan memori. Arus analog yang terakumulasi kemudian diubah kembali menjadi nilai digital oleh konverter analog-ke-digital (ADC) berkecepatan tinggi di tepi larik.

Strategi chiplet modular #

Meskipun komputasi analog dalam memori menyelesaikan persamaan energi dan latensi, penskalaan silikon ke berbagai ranah komersial memerlukan fleksibilitas pengemasan. Alih-alih memproduksi sistem-dalam-chip (SoC) monolitik besar, yang menderita tingkat cacat eksponensial, hasil wafer yang buruk, dan konfigurasi produk yang kaku, Ozcelik memaparkan strategi chiplet modular.

Dalam paradigma ini, ubin komputasi dalam memori yang kecil dan terstandardisasi difabrikasi secara terpisah lalu direkatkan ke interposer menggunakan pengemasan canggih:

Interkoneksi die-ke-die berkecepatan tinggi yang terstandardisasi: Dengan memanfaatkan standar baru seperti Universal Chiplet Interconnect Express (UCIe), chiplet berkomunikasi melalui mikro-bump dengan kepadatan bandwidth tinggi dan latensi setingkat pikodetik.
Komposisi heterogen: Perancang sistem dapat memasangkan dua chiplet dalam memori dengan prosesor kontrol ARM berbiaya rendah untuk muatan drone yang ringan, atau merangkai enam belas chiplet bersama antarmuka PCIe berkecepatan tinggi untuk membuat kartu akselerator server bagi pusat data edge.
Kompilasi universal dan pemetaan beban kerja: Satu lapisan kompiler terpadu menerima graf pembelajaran mendalam standar (ONNX, PyTorch) dan secara otomatis membagi lapisan model ke topologi chiplet yang tersedia, mengoptimalkan perutean data untuk meminimalkan komunikasi antarchiplet.

Perbandingan arsitektur: paradigma komputasi untuk robotika edge #

Vektor arsitektur	GPU digital standar (NVIDIA Jetson / Orin)	NPU edge khusus (Google Coral / Hailo)	Chiplet komputasi analog dalam memori (Mythic AI)
Mekanisme dasar	Inti SIMD/tensor digital yang mengambil bobot dari LPDDR5/HBM	Larik sistolik digital dengan cache bobot SRAM di dalam chip	Larik analog satu transistor yang melakukan perkalian matriks di tempat
Beban perpindahan data	Tinggi (pengisian bus DRAM/SRAM terus-menerus; 85%+ energi terbuang)	Sedang (dibatasi kapasitas cache SRAM internal)	Nol perpindahan data internal; bobot tetap berada di memori secara permanen
Selubung daya inferensi	30 W hingga 75 W+ (memerlukan pendingin kipas aktif dan heat sink berat)	5 W hingga 15 W (pendinginan pasif atau minimal)	10 W hingga 20 W (pembuangan panas pasif ultra-ringkas)
Efisiensi energi (TOPS/W)	2 hingga 5 TOPS/Watt (tingkat sistem)	10 hingga 25 TOPS/Watt	50 hingga 200+ TOPS/Watt (efisiensi teoretis 10 hingga 1.000 kali)
Biaya komponen perangkat (BOM)	£500 hingga £2.500+ per modul komputasi	£100 hingga £350 per papan akselerator	Puluhan dolar per unit chiplet pada volume produksi
Hambatan memori (Von Neumann)	Parah; dibatasi bandwidth memori (GB/s hingga TB/s)	Sedang; dibatasi kapasitas SRAM di dalam chip (MB)	Tidak ada; bandwidth larik sama dengan matriks memori internal
Ranah penerapan sasaran	Kendaraan otonom premium dan robot inspeksi industri	Kamera pintar dan perangkat IoT tertanam yang ringan	Robotika taktil berkecepatan tinggi, drone taktis, dan AI otomotif

Sumber: Sintesis data perbincangan dan spesifikasi arsitektur semikonduktor yang dipaparkan di Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, London, 13 Oktober 2026).

Artinya bagi tiap sektor #

Validasi komersial komputasi dalam memori bergantung pada keberhasilannya menembus industri yang selama ini terhambat oleh batasan daya dan biaya dalam menerapkan model fondasi yang canggih.

Pertahanan taktis dan sistem tanpa awak #

Dalam aplikasi edge pertahanan, efisiensi energi langsung berarti daya tahan operasional dan durasi misi. Sistem udara tanpa awak kecil (sUAS) dan kendaraan darat taktis sangat dibatasi oleh berat baterai. Membekali drone pengintai dengan GPU konvensional memangkas daya tahan terbangnya 30% hingga 50% hanya untuk menyuplai daya ke tumpukan persepsi AI.

Kerja sama strategis Mythic AI dengan Lockheed Martin berfokus pada penanaman komputasi dalam memori ke dalam sistem edge taktis, kawanan drone otonom, dan pos pengintaian terpencil. Dengan menurunkan daya komputasi dari 50 W menjadi di bawah 10 W, drone taktis dapat terbang lebih lama sambil menjalankan klasifikasi objek multimodal, pemrosesan sinyal peperangan elektronik, dan odometri visual-inersial secara lokal di medan operasi yang diperebutkan dan tanpa GPS.

Kesadaran situasional otomotif dan AI di dalam kabin #

Di sektor otomotif, pabrikan tingkat satu menghadapi tekanan margin yang berat. Kendaraan listrik unggulan mampu menanggung biaya komputer kemudi otonom berpendingin cairan senilai £2.000, tetapi kendaraan pasar massal tidak.

Kemitraan Honda Motor dengan Mythic AI menjawab gesekan komersial ini. Produsen mobil memerlukan chip AI berkualifikasi otomotif bervolume tinggi seharga puluhan dolar, bukan ratusan, yang mampu menjalankan sistem pemantauan pengemudi, segmentasi objek titik buta, dan persepsi sekeliling 360 derajat tanpa memerlukan loop pendinginan cairan yang rumit yang menambah biaya produksi dan kerumitan perakitan.

Pusat data edge industri dan pemenuhan pesanan bergerak #

Meski komputasi dalam memori secara arsitektur dioptimalkan untuk edge, Mythic menjalankan strategi jembatan yang disengaja dengan menawarkan kartu akselerator PCIe untuk pusat data edge dan hub pemenuhan pesanan gudang. Di fasilitas yang menampung ratusan robot bergerak otonom (AMR), rak server edge yang menjalankan model koordinasi armada dibatasi oleh pasokan listrik fasilitas dan batas pendinginan. Kartu akselerator dalam memori memungkinkan fasilitas melipatgandakan throughput inferensi lokal tanpa meningkatkan infrastruktur daya utilitas.

Ketahanan rantai pasok dan geografi manufaktur #

Bagian penting pemaparan Ozcelik berpusat pada kedaulatan rantai pasok. Inovasi perangkat keras tidak berarti jika silikon tidak dapat difabrikasi, dikemas, dan dikirim secara andal dalam skala besar.

Mythic AI telah membangun jejak manufaktur internasional yang tersebar:

Fabrikasi silikon: Produksi wafer inti dalam memori berpusat di Tokyo, Jepang, dengan memanfaatkan kepemimpinan Jepang yang mapan dalam fabrikasi semikonduktor presisi dan simpul proses analog/flash yang matang.
Pengemasan dan perakitan canggih: Wafer dikirim ke Eropa (khususnya Jerman) untuk pemotongan chiplet tingkat lanjut, perekatan substrat multi-die, dan inspeksi optik otomatis.
Validasi revisi: Perusahaan saat ini sedang menyelesaikan validasi revisi silikon terbarunya, dengan fokus menerjemahkan metrik hasil laboratorium menjadi Pernyataan Kerja (SOW) kelas produksi yang dapat diulang untuk produksi volume otomotif dan pertahanan.

Pendekatan multiwilayah ini menghindari kerentanan geopolitik satu titik sekaligus memberi mitra korporat Eropa dan Asia rantai pasok yang terdiversifikasi secara geografis.

Kesimpulan #

Perbincangan antara Taner Ozcelik dan Kenneth Cukier di Economist Enterprise Physical AI and Robotics Summit menguraikan realitas fisik yang akan mengatur dekade berikutnya sistem otonom. Hukum Moore, sebagai metrik sederhana penskalaan transistor, tidak lagi cukup untuk menggerakkan revolusi AI fisik.

Selama arsitektur komputasi berpegang pada pemisahan logika dan memori ala Von Neumann, robotika akan tetap terkekang oleh massa baterai, pembuangan panas, dan biaya komponen yang sangat tinggi. Dengan beralih dari perpindahan data digital ke larik komputasi analog dalam memori dan topologi chiplet modular, rekayasa semikonduktor menghadirkan lompatan efisiensi yang dibutuhkan sistem otonom.

Peralihan dari klaster pusat data 700 W ke silikon edge 15 W merupakan gerbang sejati menuju otonomi fisik. Pada akhirnya, robot yang bekerja di dunia nyata harus mematuhi hukum energi dunia nyata; komputasi dalam memori adalah arsitektur yang menjembatani silikon dan biologi.

Pertanyaan yang Sering Diajukan #

Apa itu hambatan Von Neumann dalam perangkat keras AI? Hambatan Von Neumann adalah keterbatasan throughput dan energi yang timbul karena pemisahan fisik antara unit pemrosesan pusat (ALU) dan memori sistem (DRAM). Dalam beban kerja kecerdasan buatan, yang melibatkan miliaran perkalian matriks, prosesor menghabiskan lebih dari 85% total energinya dan banyak siklus jam hanya untuk mengangkut data bolak-balik melalui bus tembaga, sehingga menimbulkan hambatan termal dan latensi yang parah.

Bagaimana cara kerja komputasi analog dalam memori (CIM)? Komputasi dalam memori melakukan operasi matematika langsung di dalam sel memori tanpa memindahkan data. Bobot jaringan saraf disimpan sebagai keadaan konduktansi analog di dalam sel memori nonvolatil. Saat tegangan masukan diterapkan ke larik, arus mengalir melalui sel sesuai Hukum Ohm ($I = V \times G$) dan menjumlah di sepanjang jalur bit sesuai Hukum Arus Kirchhoff. Dengan begitu, perkalian matriks-vektor lengkap selesai dalam satu langkah fisik.

Mengapa komputasi dalam memori sangat penting bagi robotika dan drone? Robot bergerak dan drone beroperasi di bawah batasan SWaP-C (ukuran, berat, daya, dan biaya) yang ketat. Keduanya bergantung pada baterai bawaan dan tidak dapat menopang radiator pendingin yang berat atau catu daya berdaya tinggi. Komputasi dalam memori memberikan efisiensi energi 10 hingga 1.000 kali lebih tinggi, sehingga robot dapat menjalankan model penglihatan-bahasa-tindakan yang kompleks secara lokal dalam selubung daya 10 W hingga 20 W sambil menjaga daya tahan baterai.

Apa keunggulan pendekatan chiplet dibandingkan chip monolitik? Chip monolitik mengintegrasikan semua unit fungsional pada satu die silikon besar. Seiring membesarnya ukuran die, tingkat cacat manufaktur meningkat secara eksponensial, menurunkan hasil produksi dan menaikkan biaya per unit. Arsitektur chiplet memecah sistem menjadi die silikon yang lebih kecil dan terstandardisasi, yang diproduksi secara terpisah dengan hasil tinggi dan dihubungkan melalui mikro-bump berkecepatan tinggi. Hal ini memungkinkan konfigurasi modular dan fleksibel yang disesuaikan dengan kebutuhan daya dan faktor bentuk industri tertentu.

Siapa mitra komersial utama teknologi ini? Platform komputasi dalam memori Mythic AI saat ini ditopang oleh dua kemitraan korporat besar: Lockheed Martin, yang mengintegrasikan arsitektur ini ke dalam drone pertahanan taktis, platform robot tanpa awak, dan pos keamanan perimeter untuk memperpanjang daya tahan baterai; serta Honda Motor, yang menyasar chip AI berbiaya rendah dan berkualifikasi otomotif untuk kesadaran situasional kendaraan dan penginderaan di dalam kabin.

Referensi #

Economist Enterprise, (2026). Physical AI & Robotics Summit: Keunggulan operasional melalui sistem otonom ⧉. Economist Enterprise.
Ozcelik, T., (2026). Melampaui Hukum Moore: daya di balik robotika berkinerja tinggi ⧉. Mythic AI.
Cukier, K., (2026). Batas termodinamika kecerdasan otonom ⧉. The Economist.
Marković, D., Mizrahi, A., Querlioz, D., & Grollier, J., (2020). Fisika untuk komputasi neuromorfik ⧉. Nature Reviews Physics, 2, 499-510.
Universal Chiplet Interconnect Express, (2025). Spesifikasi UCIe 2.0: Standar interkoneksi die-ke-die ⧉. UCIe Consortium.
IEEE, (2026). Peta Jalan Internasional untuk Perangkat dan Sistem (IRDS): Melampaui CMOS dan komputasi dalam memori ⧉. IEEE Standards Association.

Terakhir ditinjau 2026-10-13.

Terakhir ditinjau 2026-10-27.

Terbitkan ulang artikel ini

Melampaui Hukum Moore: komputasi dalam memori dan chiplet untuk robot — Sebastien Rousseau

Di KTT Economist Enterprise di London, Taner Ozcelik dari Mythic AI menjelaskan cara komputasi dalam memori dan chiplet menaikkan efisiensi robot 10 hingga 1.000 kali.

Artikel ini berlisensi Creative Commons Attribution 4.0 International. Penerbitan ulang memerlukan atribusi ke URL kanonis.

Melampaui Hukum Moore: komputasi dalam memori dan chiplet untuk robot — Sebastien Rousseau

Di KTT Economist Enterprise di London, Taner Ozcelik dari Mythic AI menjelaskan cara komputasi dalam memori dan chiplet menaikkan efisiensi robot 10 hingga 1.000 kali.

Originally published at https://sebastienrousseau.com/id/2026-10-13-melampaui-hukum-moore-komputasi-dalam-memori/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER