Ruim een halve eeuw lang volgde de vooruitgang in de informatica de wet van Moore: elke achttien tot vierentwintig maanden twee keer zoveel transistors op het silicium. Maar in het opkomende domein van fysieke AI en autonome robotica is de wet van Moore op de wetten van de thermodynamica gestuit. Autonome drones, viervoetige robots, chirurgische manipulatoren en zelfrijdende voertuigen kunnen geen servergrade-GPU's van 700 watt of koeltorens meesjouwen. Op de Physical AI and Robotics Summit van Economist Enterprise in Londen, op 13 oktober 2026, ging Taner Ozcelik, voorzitter en CEO van Mythic AI, met Kenneth Cukier in gesprek over de architectuurrevolutie die nodig is om deze impasse te doorbreken: voorbij de wet van Moore, met analoog rekenen in het geheugen (CIM) en modulaire chiplets.
De thermodynamische muur: waarom fysieke AI niet in de cloud kan leven #
In de sessie met de titel Moving past Moore’s law: the power behind high-performance robotics schetste Kenneth Cukier het centrale technische dilemma van autonomie in het bedrijfsleven: AI-modellen groeien in aantal parameters en in waarnemingsvermogen, maar fysieke machines werken onder genadeloze SWaP-C-beperkingen (omvang, gewicht, vermogen en kosten).
De huidige AI-voorhoede draait op hyperscale datacenters die over enorme serverclusters 150 megawatt of meer verbruiken. Zoals Ozcelik opmerkte, werkt die architectuur op energieschalen die miljoenen keren verwijderd zijn van biologische referentiepunten. Het menselijk brein verzorgt in realtime voortdurende sensomotorische coördinatie, semantisch redeneren en visueel-ruimtelijke navigatie met een stofwisselingsbudget van ongeveer 20 watt.
Vroeger probeerden robotica-ingenieurs de grenzen van de boordcomputer te omzeilen door inferentie naar de cloud te verplaatsen. Maar in bedrijfskritische industriële, lucht- en ruimtevaart- en defensieomgevingen is een autonomie die van de cloud afhangt architectonisch onmogelijk:
- Wisselende latentie en jitter: snelle robotbesturing in een gesloten lus vereist deterministische motorupdates van 50 Hz tot 1.000 Hz (rondetijden onder 20 milliseconden). Mobiele netwerken en wifi brengen jitter, verloren frames en latentiepieken met zich mee, waardoor robotarmen werkstukken laten vallen of autonome voertuigen hun remdrempels missen.
- Verzadigde bandbreedte: meerdere ongecomprimeerde 4K-videostromen en LiDAR-puntenwolken van tientallen mobiele robots in een fabriek streamen, put de lokale radiobandbreedte snel uit en leidt tot buitensporige egresskosten in de cloud.
- Operationele soevereiniteit en betwiste connectiviteit: in ondergrondse mijnen, tunnels zonder GPS, afgelegen bouwplaatsen of tactische militaire omgevingen zijn externe netwerkverbindingen er niet of worden ze actief gestoord. Autonome systemen moeten al hun operationele intelligentie direct op het edgechassis meenemen.
Robots uitrusten met standaard high-performance-GPU's heeft eigen fysieke nadelen: thermische throttling, massieve koellichamen die als dood gewicht op de nuttige lading drukken, en een hoog stroomverbruik dat de vliegtijd van uren tot minuten terugbrengt.
De architectuurthese: rekenen in het geheugen (CIM) #
Om de thermodynamische flessenhals op te lossen, verdedigt Mythic AI een architectuurfilosofie: in plaats van gegevens heen en weer te sturen tussen gescheiden verwerkingseenheden en geheugenpools, moet het geheugen zelf de computer worden.
.class="img-fluid clearfix"
De fysica van matrixvermenigvuldiging met één transistor #
In de klassieke digitale informatica vraagt een matrixinproduct om duizenden gewichten van 8 of 16 bits uit extern DRAM op te halen via buslijnen met een hoge capaciteit, ze in cacheregisters te laden, de vermenigvuldiging in digitale ALU's uit te voeren en de resultaten terug te schrijven naar het geheugen. Meer dan 90 procent van de energie gaat op aan het laden en ontladen van de koperen verbindingen tussen de chips.
In-memoryarchitecturen vervangen deze digitale gegevensoverdracht door de fysica van analoge schakelingen:
Programmeren van de gewichten. De gewichten van het neurale netwerk worden rechtstreeks als analoge geleidingswaarden ($G$) in niet-vluchtige geheugencellen geprogrammeerd (zoals aangepaste flash of resistief RAM). Eenmaal geprogrammeerd blijven de gewichten vast in de geheugenmatrix; ze worden tijdens de inferentie nooit opgehaald of verplaatst.
Modulatie van de ingangsspanning. Ingangsactivaties (zoals visuele tokens van camera's) worden omgezet in analoge spanningsniveaus ($V$) en over de woordlijnen van de matrix gestuurd.
Vermenigvuldiging met de wet van Ohm. Wanneer de ingangsspanning door elke geheugencel gaat, voert de wet van Ohm ($I = V \times G$) een onmiddellijke analoge vermenigvuldiging uit en ontstaat een stroom die evenredig is met het product van ingang en opgeslagen gewicht.
Optelling met de stroomwet van Kirchhoff. Langs de verticale bitlijnen tellen de stromen van duizenden parallelle geheugencellen vanzelf op volgens de stroomwet van Kirchhoff ($\sum I = 0$).
Eén enkele flashgeheugenmatrix voert zo een volledige matrix-vectorvermenigvuldiging uit in één klokcyclus, op natuurkundig niveau en zonder één geheugentoegang. De opgetelde analoge stroom wordt daarna door snelle analoog-digitaalomzetters (ADC's) aan de rand van de matrix weer omgezet in digitale waarden.
De modulaire chipletstrategie #
Analoog rekenen in het geheugen lost de vergelijkingen van energie en latentie op, maar wie silicium in heel verschillende sectoren wil inzetten, heeft flexibiliteit in de packaging nodig. In plaats van grote monolithische systems-on-chip (SoC's), die kampen met exponentiële defectpercentages, een lage waferopbrengst en starre productconfiguraties, schetste Ozcelik een modulaire chipletstrategie.
In dit paradigma worden kleine, gestandaardiseerde in-memoryrekentegels los van elkaar gemaakt en met geavanceerde packaging op interposers gebonden:
- Gestandaardiseerde snelle die-to-dieverbindingen: met opkomende standaarden zoals Universal Chiplet Interconnect Express (UCIe) communiceren chiplets via microbumps met een hoge bandbreedtedichtheid en latenties in de orde van picoseconden.
- Heterogene samenstelling: een systeemontwerper kan twee in-memorychiplets combineren met een goedkope ARM-besturingsprocessor voor de nuttige lading van een lichte drone, of zestien chiplets met snelle PCIe-interfaces samenvoegen tot een serverversnellerkaart voor edgedatacenters.
- Universele compilatie en werklastverdeling: een uniforme compilerlaag leest standaard deep-learninggrafen in (ONNX, PyTorch) en verdeelt de modellagen automatisch over de beschikbare chiplettopologie, met een gegevensroutering die de communicatie tussen chiplets zo klein mogelijk houdt.
Architectuurvergelijking: rekenparadigma's voor edgerobotica #
| Architectuurkenmerk | Standaard digitale GPU (NVIDIA Jetson / Orin) | Speciale edge-NPU (Google Coral / Hailo) | Analoge in-memory-rekenchiplet (Mythic AI) |
|---|---|---|---|
| Onderliggend mechanisme | Digitale SIMD-/tensorkernen die gewichten uit LPDDR5/HBM halen | Digitale systolische matrices met gewichtscache in on-chip SRAM | Analoge matrices van één transistor die matrices in situ vermenigvuldigen |
| Overhead door gegevensverplaatsing | Hoog (voortdurend laden van DRAM-/SRAM-bussen; meer dan 85 procent energieverspilling) | Gemiddeld (beperkt door de capaciteit van de interne SRAM-cache) | Geen interne gegevensverplaatsing; de gewichten blijven permanent in het geheugen |
| Vermogensbudget voor inferentie | 30 W tot meer dan 75 W (actieve ventilatoren en zware koellichamen nodig) | 5 W tot 15 W (passieve of minimale koeling) | 10 W tot 20 W (ultracompacte passieve warmteafvoer) |
| Energie-efficiëntie (TOPS/W) | 2 tot 5 TOPS/watt (op systeemniveau) | 10 tot 25 TOPS/watt | 50 tot meer dan 200 TOPS/watt (theoretisch 10x tot 1.000x efficiënter) |
| Materiaalkosten van het onderdeel (BOM) | £ 500 tot meer dan £ 2.500 per rekenmodule | £ 100 tot £ 350 per versnellerkaart | Enkele tientallen dollars per chiplet bij volume |
| Geheugenknelpunt (Von Neumann) | Ernstig; beperkt door geheugenbandbreedte (GB/s tot TB/s) | Gemiddeld; beperkt door on-chip SRAM-capaciteit (MB) | Afwezig; de bandbreedte van de matrix valt samen met de interne geheugenmatrix |
| Beoogd toepassingsgebied | Premium autonome voertuigen en industriële inspectierobots | Slimme camera's en lichte embedded IoT-apparaten | Tactiele robotica met hoge frequentie, tactische drones en auto-AI |
Bron: synthese van gegevens uit het gesprek en van specificaties van halfgeleiderarchitectuur die zijn gepresenteerd op de Physical AI and Robotics Summit van Economist Enterprise (Convene 200 Aldersgate, Londen, 13 oktober 2026).
Wat dit per sector betekent #
Of rekenen in het geheugen commercieel slaagt, hangt af van de vraag of het doordringt in sectoren waar vermogens- en kostenbeperkingen de inzet van geavanceerde foundationmodellen tot nu toe tegenhielden.
Tactische defensie en onbemande systemen #
In defensietoepassingen aan de edge vertaalt energie-efficiëntie zich direct in operationele overlevingskansen en missieduur. Kleine onbemande luchtvaartuigen (sUAS) en tactische grondvoertuigen worden sterk beperkt door het gewicht van hun accu. Een verkenningsdrone met een gewone GPU uitrusten, verkort de vliegduur met 30 tot 50 procent, alleen al om de AI-waarnemingsstack van stroom te voorzien.
De strategische samenwerking van Mythic AI met Lockheed Martin richt zich op het inbouwen van rekenen in het geheugen in tactische edgesystemen, zwermen autonome drones en afgelegen bewakingsposten. Door het rekenverbruik terug te brengen van 50 W tot minder dan 10 W vliegen tactische drones langer en voeren ze multimodale objectclassificatie, signaalverwerking voor elektronische oorlogvoering en visueel-inertiële odometrie lokaal uit, in betwiste operatiegebieden zonder GPS.
Omgevingswaarneming en interieur-AI in de auto-industrie #
In de auto-industrie staan de grote toeleveranciers onder flinke margedruk. Waar elektrische topmodellen de kosten van vloeistofgekoelde computers voor autonoom rijden van £ 2.000 kunnen dragen, lukt dat bij auto's voor de massamarkt niet.
Het partnerschap van Honda Motor met Mythic AI pakt deze commerciële wrijving aan. Autofabrikanten hebben automotive-gekwalificeerde AI-chips in grote volumes nodig die tientallen in plaats van honderden dollars kosten en bestuurdersbewaking, objectsegmentatie in de dode hoek en 360-gradenwaarneming aankunnen, zonder ingewikkelde vloeistofkoelcircuits die de productiekosten en de complexiteit van de assemblage opdrijven.
Industriële edgedatacenters en mobiele orderverwerking #
Hoewel rekenen in het geheugen architectonisch voor de edge is geoptimaliseerd, volgt Mythic bewust een brugstrategie met PCIe-versnellerkaarten voor edgedatacenters en distributiecentra. In vestigingen met honderden autonome mobiele robots (AMR's) worden de serverracks die de modellen voor vlootcoördinatie draaien beperkt door de elektrische aansluitingen en de koelcapaciteit van het gebouw. In-memoryversnellerkaarten maken het mogelijk de lokale inferentiedoorvoer te vermenigvuldigen zonder de stroomvoorziening uit te breiden.
Weerbare toeleveringsketens en productiegeografie #
Een cruciaal deel van Ozceliks verhaal ging over de soevereiniteit van de toeleveringsketen. Hardware-innovatie betekent niets als het silicium niet betrouwbaar en op schaal kan worden gemaakt, verpakt en verzonden.
Mythic AI heeft een gespreide internationale productievoetafdruk opgebouwd:
- Siliciumproductie: de productie van de in-memorywafers is verankerd in Tokio, Japan, en profiteert van Japans gevestigde leidende rol in precisiefabricage van halfgeleiders en volwassen analoge en flashprocesnodes.
- Geavanceerde packaging en assemblage: de wafers gaan naar Europa (meer bepaald Duitsland) voor het geavanceerd opdelen in chiplets, het binden op substraten met meerdere dies en geautomatiseerde optische inspectie.
- Validatie van de revisie: het bedrijf rondt momenteel de validatie van zijn nieuwste siliciumrevisie af en wil de opbrengstcijfers uit het lab omzetten in herhaalbare, productieklare werkomschrijvingen (SOW's) voor volumes in de auto-industrie en defensie.
Deze aanpak over meerdere regio's vermijdt geopolitieke kwetsbaarheden op één punt en geeft Europese en Aziatische partners geografisch gespreide toeleveringsketens.
Conclusie #
Het gesprek tussen Taner Ozcelik en Kenneth Cukier op de Physical AI and Robotics Summit van Economist Enterprise schetste de fysieke realiteit die het komende decennium van autonome systemen zal bepalen. De wet van Moore, als eenvoudige maatstaf voor het schalen van transistors, volstaat niet meer om de revolutie van fysieke AI aan te drijven.
Zolang rekenarchitecturen vasthouden aan de Von Neumann-scheiding tussen logica en geheugen, blijft robotica beperkt door accumassa, warmteafvoer en onbetaalbare materiaalkosten. Door de stap van digitale gegevensverplaatsing naar analoge in-memoryrekenmatrices en modulaire chiplettopologieën levert de halfgeleidertechniek de sprong in efficiëntie die autonome systemen nodig hebben.
De overstap van datacenterclusters van 700 W naar edgesilicium van 15 W is de echte toegangspoort tot fysieke autonomie. Uiteindelijk moeten robots die in de echte wereld werken de energiewetten van de echte wereld gehoorzamen; rekenen in het geheugen is de architectuur die de kloof tussen silicium en biologie overbrugt.
Veelgestelde vragen #
Wat is de Von Neumann-flessenhals in AI-hardware? De Von Neumann-flessenhals is de grens aan doorvoer en energie die ontstaat door de fysieke scheiding tussen de verwerkingseenheid (ALU) en het systeemgeheugen (DRAM). Bij AI-werklasten, die miljarden matrixvermenigvuldigingen omvatten, besteden processors meer dan 85 procent van hun totale energie en veel klokcycli alleen aan het heen en weer sturen van gegevens over koperen bussen, wat ernstige thermische en latentieknelpunten oplevert.
Hoe werkt analoog rekenen in het geheugen (CIM)? Rekenen in het geheugen voert wiskundige bewerkingen rechtstreeks in de geheugencellen uit, zonder gegevens te verplaatsen. De gewichten van het neurale netwerk worden als analoge geleidingstoestanden in niet-vluchtige geheugencellen opgeslagen. Wanneer er ingangsspanningen op de matrix staan, loopt er stroom door de cellen volgens de wet van Ohm ($I = V \times G$), die langs de bitlijnen optelt volgens de stroomwet van Kirchhoff. Zo ontstaat een volledige matrix-vectorvermenigvuldiging in één fysieke stap.
Waarom is rekenen in het geheugen zo belangrijk voor robots en drones? Mobiele robots en drones werken onder strikte grenzen aan omvang, gewicht, vermogen en kosten (SWaP-C). Ze zijn afhankelijk van accu's aan boord en kunnen geen zware radiatoren of krachtige voedingen dragen. Rekenen in het geheugen is 10 tot 1.000 keer zo energie-efficiënt, zodat robots complexe vision-language-actionmodellen lokaal kunnen draaien binnen een vermogensbudget van 10 W tot 20 W zonder accuduur in te leveren.
Wat is het voordeel van chiplets ten opzichte van een monolithische chip? Monolithische chips brengen alle functionele eenheden onder op één grote siliciumchip. Naarmate die groter wordt, stijgt het aantal productiefouten exponentieel, wat de opbrengst verlaagt en de kosten per stuk verhoogt. Een chipletarchitectuur verdeelt het systeem in kleinere, gestandaardiseerde siliciumchips die los van elkaar met een hoge opbrengst worden gemaakt en via snelle microbumps worden verbonden. Dat maakt modulaire, flexibele configuraties mogelijk die passen bij specifieke industriële eisen aan vermogen en vormfactor.
Wie zijn de belangrijkste commerciële partners van deze technologie? Het in-memoryplatform van Mythic AI steunt op dit moment op twee grote bedrijfspartnerschappen: Lockheed Martin, dat de architectuur inbouwt in tactische defensiedrones, onbemande robotplatforms en posten voor perimeterbeveiliging om de accuduur te verlengen; en Honda Motor, dat mikt op goedkope, automotive-gekwalificeerde AI-chips voor omgevingswaarneming van voertuigen en sensoren in het interieur.
Bronnen #
- Economist Enterprise, (2026). Physical AI & Robotics Summit: operationeel voordeel met autonome systemen ⧉. Economist Enterprise.
- Ozcelik, T., (2026). Voorbij de wet van Moore: de kracht achter high-performance robotica ⧉. Mythic AI.
- Cukier, K., (2026). De thermodynamische plafonds van autonome intelligentie ⧉. The Economist.
- Marković, D., Mizrahi, A., Querlioz, D., en Grollier, J., (2020). Natuurkunde voor neuromorf rekenen ⧉. Nature Reviews Physics, 2, 499-510.
- Universal Chiplet Interconnect Express, (2025). UCIe-specificatie 2.0: standaard voor die-to-dieverbindingen ⧉. UCIe Consortium.
- IEEE, (2026). International Roadmap for Devices and Systems (IRDS): voorbij CMOS en rekenen in het geheugen ⧉. IEEE Standards Association.
Laatst herzien .
Laatst herzien .
Dit artikel herpubliceren
Kopieer opmaak voor Medium
# Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/](https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/) Op de Physical AI and Robotics Summit van Economist Enterprise liet Taner Ozcelik (Mythic AI) zien hoe rekenen in het geheugen en chiplets de geheugenmuur doorbreken. Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/
Kopieer opmaak voor Mastodon
Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau Op de Physical AI and Robotics Summit van Economist Enterprise liet Taner Ozcelik (Mythic AI) zien hoe rekenen in het geheugen en chiplets de geheugenmuur doorbreken. https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/
Kopieer geformatteerd voor LinkedIn
Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau Op de Physical AI and Robotics Summit van Economist Enterprise liet Taner Ozcelik (Mythic AI) zien hoe rekenen in het geheugen en chiplets de geheugenmuur doorbreken. Dit zijn de belangrijkste strategische inzichten: - De thermodynamische muur: waarom fysieke AI niet in de cloud kan leven. In de sessie met de titel Moving past Moore’s law: the power behind high-performance robotics schetste Kenneth Cukier het centrale technische dilemma van autonomie in het bedrijfsleven: AI-modellen groeien in aantal… - De architectuurthese: rekenen in het geheugen (CIM). Om de thermodynamische flessenhals op te lossen, verdedigt Mythic AI een architectuurfilosofie: in plaats van gegevens heen en weer te sturen tussen gescheiden verwerkingseenheden en geheugenpools, moet het geheugen… - De modulaire chipletstrategie. Analoog rekenen in het geheugen lost de vergelijkingen van energie en latentie op, maar wie silicium in heel verschillende sectoren wil inzetten, heeft flexibiliteit in de packaging nodig. - Architectuurvergelijking: rekenparadigma's voor edgerobotica. Bron: synthese van gegevens uit het gesprek en van specificaties van halfgeleiderarchitectuur die zijn gepresenteerd op de Physical AI and Robotics Summit van Economist Enterprise (Convene 200 Aldersgate, Londen, 13… Hoe gaat uw organisatie om met de uitdagingen die in dit artikel worden beschreven? → https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/ #RekenenInHetGeheugen #InMemoryComputing #MythicAi #TanerOzcelik #WetVanMoore Sebastien Rousseau | CC-BY-4.0
Dit artikel citeren
Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau
Op de Physical AI and Robotics Summit van Economist Enterprise liet Taner Ozcelik (Mythic AI) zien hoe rekenen in het geheugen en chiplets de geheugenmuur doorbreken.
BibTeX
@online{rousseau2026rekenen,
author = {Rousseau, Sebastien},
title = {{Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/ ER -
Vancouver
Rousseau S. Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 13. Available from: https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/
Chicago
Rousseau, Sebastien. "Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau." sebastienrousseau.com. October 13, 2026. https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/.
APA
Rousseau, S. (2026, October 13). Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/
Dit artikel herpubliceren
Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau
Op de Physical AI and Robotics Summit van Economist Enterprise liet Taner Ozcelik (Mythic AI) zien hoe rekenen in het geheugen en chiplets de geheugenmuur doorbreken.
Dit artikel valt onder de licentie Creative Commons Attribution 4.0 International. Herpublicatie vereist attributie aan de canonieke URL.
Rekenen in het geheugen en chiplets: robotica voorbij de wet van Moore — Sebastien Rousseau Op de Physical AI and Robotics Summit van Economist Enterprise liet Taner Ozcelik (Mythic AI) zien hoe rekenen in het geheugen en chiplets de geheugenmuur doorbreken. Originally published at https://sebastienrousseau.com/nl/2026-10-13-rekenen-in-geheugen-chiplets-robotica-voorbij/ by Sebastien Rousseau. Licensed under CC-BY-4.0.