Calcul în memorie și chipleturi: robotica dincolo de legea lui Moore

TL;DR. Taner Ozcelik, CEO-ul Mythic AI, a arătat la summitul Economist de la Londra cum calculul în memorie și chipleturile modulare dărâmă zidul memoriei von Neumann.

Concluzii cheie

Zidul termodinamic: de ce AI-ul fizic nu poate trăi în cloud. În cadrul discuției intitulate Moving past Moore’s law: the power behind high-performance robotics (Dincolo de legea lui Moore: puterea din spatele roboticii de înaltă performanță), Kenneth Cukier a formulat dilema…
Teza arhitecturală: calculul în memorie (CIM). Pentru a rezolva blocajul termodinamic, Mythic AI promovează o filozofie arhitecturală: în loc să plimbi datele între unități de procesare și rezerve de memorie separate, memoria însăși trebuie să devină calculatorul.
Strategia modulară de chipleturi. Deși calculul analogic în memorie rezolvă ecuațiile energiei și latenței, extinderea siliciului în domenii comerciale diverse cere flexibilitate de încapsulare.
Comparație arhitecturală: paradigme de calcul pentru robotica de la margine. Sursa: sinteză a datelor din discuție și a specificațiilor de arhitectură a semiconductorilor prezentate la Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londra, 13 octombrie 2026).

Timp de peste jumătate de secol, progresul calculului a ascultat de legea lui Moore: de două ori mai mulți tranzistori înghesuiți pe siliciu la fiecare optsprezece până la douăzeci și patru de luni. Însă în domeniul emergent al AI-ului fizic și al roboticii autonome, legea lui Moore s-a ciocnit de legile termodinamicii. Dronele autonome, roboții patrupezi, manipulatoarele chirurgicale și vehiculele autonome nu pot căra GPU-uri de clasă server de 700 de wați sau turnuri de răcire. La Economist Enterprise Physical AI and Robotics Summit de la Londra, pe 13 octombrie 2026, Taner Ozcelik, președintele și CEO-ul Mythic AI, a stat de vorbă cu Kenneth Cukier despre revoluția arhitecturală necesară pentru a ieși din acest impas: depășirea legii lui Moore prin calcul analogic în memorie (compute-in-memory, CIM) și chipleturi modulare.

Zidul termodinamic: de ce AI-ul fizic nu poate trăi în cloud #

În cadrul discuției intitulate Moving past Moore’s law: the power behind high-performance robotics (Dincolo de legea lui Moore: puterea din spatele roboticii de înaltă performanță), Kenneth Cukier a formulat dilema inginerească centrală a autonomiei în întreprinderi: modelele de inteligență artificială cresc ca număr de parametri și capacitate de percepție, dar mașinile fizice funcționează sub constrângeri SWaP-C necruțătoare (dimensiune, greutate, putere și cost).

Frontiera actuală a AI-ului se sprijină pe centre de date hiperscalabile care consumă 150 de megawați sau mai mult în clustere uriașe de servere. Așa cum a subliniat Ozcelik, această arhitectură funcționează la scări energetice aflate la milioane de ori distanță de punctele de referință biologice. Creierul uman realizează în timp real coordonarea senzorimotorie continuă, raționamentul semantic și navigația vizual-spațială într-un buget metabolic de putere de aproximativ 20 de wați.

Istoric, inginerii din robotică au încercat să ocolească limitele de calcul de la bord mutând inferența în cloud. Însă în mediile industriale, aerospațiale și de apărare critice pentru misiune, autonomia dependentă de cloud este o imposibilitate arhitecturală:

Variația latenței și jitterul: Controlul robotic rapid în buclă închisă cere actualizări deterministe ale motoarelor la 50–1.000 Hz (dus-întors sub 20 de milisecunde). Rețelele celulare și Wi-Fi introduc jitter de pachete, cadre pierdute și vârfuri de latență din cauza cărora brațele robotice scapă piesele de lucru, iar vehiculele autonome ratează pragurile de frânare.
Saturarea lățimii de bandă: Transmiterea mai multor fluxuri video 4K necomprimate și a norilor de puncte LiDAR de la zeci de roboți mobili dintr-o fabrică epuizează rapid banda radio locală și atrage taxe exorbitante pentru ieșirea datelor din cloud.
Suveranitatea operațională și conectivitatea contestată: În minele subterane, tunelurile fără GPS, șantierele izolate sau mediile militare tactice, legăturile externe de rețea fie nu există, fie sunt bruiate activ. Sistemele autonome trebuie să poarte întreaga inteligență operațională direct pe șasiul de la margine.

Echiparea roboților cu GPU-uri standard de înaltă performanță vine cu propriile penalități fizice: limitarea termică, radiatoare masive care adaugă masă parazită la sarcina utilă și un consum ridicat care reduce timpul de zbor pe baterie de la ore la minute.

Teza arhitecturală: calculul în memorie (CIM) #

Pentru a rezolva blocajul termodinamic, Mythic AI promovează o filozofie arhitecturală: în loc să plimbi datele între unități de procesare și rezerve de memorie separate, memoria însăși trebuie să devină calculatorul.

Prezentarea arhitecturii unei platforme de calcul AI în memorie de nouă generație, cu matrice de calcul cu un singur tranzistor pe celulă, strategie modulară de chipleturi, multiplicatori de eficiență și implementări comerciale de referință .class="img-fluid clearfix"

Fizica înmulțirii de matrice cu un singur tranzistor #

În calculul digital clasic, calcularea unui produs scalar de matrice presupune aducerea a mii de valori de ponderi pe 8 sau 16 biți din memoria DRAM externă pe linii de magistrală cu capacitate mare, încărcarea lor în registrele cache, efectuarea înmulțirii în unități ALU digitale și scrierea rezultatelor înapoi în memorie. Peste 90% din energie se consumă pe încărcarea și descărcarea liniilor de interconectare din cupru dintre cipuri.

Arhitecturile de calcul în memorie înlocuiesc acest transfer digital de date cu fizica circuitelor analogice:

Programarea ponderilor. Ponderile rețelei neuronale sunt programate direct în celule de memorie nevolatilă (cum ar fi memoria flash modificată sau RAM-ul rezistiv) ca valori analogice de conductanță ($G$). Odată programate, ponderile rămân fixe în matricea de memorie; ele nu sunt niciodată aduse sau transferate în timpul inferenței.

Modularea tensiunii de intrare. Activările de intrare (cum ar fi tokenii vizuali de la camere) sunt convertite în niveluri analogice de tensiune ($V$) și aplicate de-a lungul liniilor de cuvânt ale matricei.

Înmulțirea prin legea lui Ohm. Pe măsură ce tensiunea de intrare trece prin fiecare celulă de memorie, legea lui Ohm ($I = V \times G$) efectuează o înmulțire analogică instantanee, generând un curent electric proporțional cu produsul dintre intrare și ponderea stocată.

Acumularea prin legea curenților a lui Kirchhoff. De-a lungul liniilor de bit verticale, curenții din mii de celule de memorie paralele se însumează în mod natural conform legii curenților a lui Kirchhoff ($\sum I = 0$).

O singură matrice de memorie flash execută astfel o înmulțire completă matrice-vector într-un singur ciclu de ceas, la nivel fizic și fără nicio citire din memorie. Curentul analogic acumulat este apoi convertit înapoi în valori digitale de convertoare analog-digitale (ADC) de mare viteză, la marginea matricei.

Strategia modulară de chipleturi #

Deși calculul analogic în memorie rezolvă ecuațiile energiei și latenței, extinderea siliciului în domenii comerciale diverse cere flexibilitate de încapsulare. În loc să fabrice sisteme-pe-cip (SoC) mari și monolitice, care suferă de rate de defecte în creștere exponențială, randamente slabe pe plachetă și configurații de produs rigide, Ozcelik a prezentat o strategie modulară de chipleturi.

În această paradigmă, plăcuțe mici și standardizate de calcul în memorie sunt fabricate independent și lipite pe interposere prin încapsulare avansată:

Interconectări standardizate de mare viteză între pastile: Folosind standarde emergente precum Universal Chiplet Interconnect Express (UCIe), chipleturile comunică prin micro-bumpuri cu densitate mare a lățimii de bandă și latențe de ordinul picosecundelor.
Compoziție eterogenă: Un proiectant de sistem poate asocia două chipleturi de calcul în memorie cu un procesor de control ARM ieftin pentru sarcina utilă a unei drone ușoare sau poate asambla șaisprezece chipleturi împreună cu interfețe PCIe de mare viteză pentru a crea o placă de accelerare de server pentru centrele de date de la margine.
Compilare universală și maparea sarcinilor: Un strat unificat de compilator preia grafuri standard de învățare profundă (ONNX, PyTorch) și împarte automat straturile modelului pe topologia de chipleturi disponibilă, optimizând rutarea datelor pentru a reduce la minimum comunicarea dintre chipleturi.

Comparație arhitecturală: paradigme de calcul pentru robotica de la margine #

Vector arhitectural	GPU digital standard (NVIDIA Jetson / Orin)	NPU dedicat pentru margine (Google Coral / Hailo)	Chiplet analogic de calcul în memorie (Mythic AI)
Mecanismul de bază	Nuclee digitale SIMD/tensoriale care aduc ponderile din LPDDR5/HBM	Matrice sistolice digitale cu cache de ponderi în SRAM pe cip	Matrice analogice cu un singur tranzistor pe celulă care înmulțesc matricele pe loc
Costul mutării datelor	Ridicat (încărcarea continuă a magistralei DRAM/SRAM; peste 85% energie risipită)	Moderat (limitat de capacitatea cache-ului SRAM intern)	Zero mutare internă a datelor; ponderile rămân permanent în memorie
Bugetul de putere pentru inferență	30–75 W+ (necesită răcire activă cu ventilator și radiatoare grele)	5–15 W (răcire pasivă sau minimă)	10–20 W (disipare termică pasivă ultracompactă)
Eficiență energetică (TOPS/W)	2–5 TOPS/W (la nivel de sistem)	10–25 TOPS/W	50–200+ TOPS/W (eficiență teoretică de 10x–1.000x)
Costul componentelor dispozitivului (BOM)	£500–£2.500+ per modul de calcul	£100–£350 per placă de accelerare	Zeci de dolari per chiplet, la volum
Gâtuirea memoriei (von Neumann)	Severă; limitată de lățimea de bandă a memoriei (GB/s până la TB/s)	Moderată; limitată de capacitatea SRAM de pe cip (MB)	Inexistentă; lățimea de bandă a matricei corespunde matricei de memorie interne
Domeniul-țintă de implementare	Vehicule autonome premium și roboți de inspecție industrială	Camere inteligente și dispozitive IoT încorporate ușoare	Robotică tactilă de mare frecvență, drone tactice și AI auto

Sursa: sinteză a datelor din discuție și a specificațiilor de arhitectură a semiconductorilor prezentate la Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Londra, 13 octombrie 2026).

Ce înseamnă acest lucru pe sectoare #

Validarea comercială a calculului în memorie depinde de pătrunderea în industriile în care constrângerile de putere și cost au blocat istoric implementarea modelelor fundamentale avansate.

Apărare tactică și sisteme fără pilot #

În aplicațiile de apărare de la margine, eficiența energetică se traduce direct în supraviețuire operațională și durată a misiunii. Sistemele aeriene mici fără pilot (sUAS) și vehiculele terestre tactice sunt sever limitate de greutatea bateriilor. Echiparea unei drone de recunoaștere cu un GPU convențional îi reduce autonomia în aer cu 30–50%, doar pentru a alimenta stratul de percepție AI.

Colaborarea strategică a Mythic AI cu Lockheed Martin urmărește integrarea calculului în memorie în sistemele tactice de la margine, în roiurile de drone autonome și în posturile de supraveghere izolate. Prin reducerea consumului de calcul de la 50 W la sub 10 W, dronele tactice obțin timpi de zbor mai lungi, rulând totodată local clasificarea multimodală a obiectelor, procesarea semnalelor de război electronic și odometria vizual-inerțială în teatre de operații contestate, fără GPS.

Conștientizarea situațională a vehiculelor și AI-ul din habitaclu #

În sectorul auto, furnizorii de rang întâi se confruntă cu o presiune puternică asupra marjelor. Vehiculele electrice de vârf pot absorbi costul calculatoarelor de conducere autonomă răcite cu lichid, de £2.000, dar vehiculele de masă nu pot.

Parteneriatul Honda Motor cu Mythic AI răspunde acestei fricțiuni comerciale. Producătorii auto au nevoie de cipuri AI calificate auto, în volume mari, care costă zeci de dolari, nu sute, capabile să ruleze sisteme de monitorizare a șoferului, segmentarea obiectelor din unghiul mort și percepția împrejurimilor la 360 de grade, fără circuite complexe de răcire cu lichid care cresc costul de fabricație și complică asamblarea.

Centre de date industriale la margine și onorarea mobilă a comenzilor #

Deși calculul în memorie este optimizat arhitectural pentru margine, Mythic urmează deliberat o strategie de tranziție, oferind plăci de accelerare PCIe pentru centrele de date de la margine și centrele logistice de onorare a comenzilor. În instalațiile care găzduiesc sute de roboți mobili autonomi (AMR), rack-urile de servere de la margine care rulează modele de coordonare a flotei sunt limitate de racordurile electrice ale clădirii și de limitele de răcire. Plăcile de accelerare cu calcul în memorie permit instalațiilor să multiplice debitul local de inferență fără a moderniza racordul la rețeaua electrică.

Reziliența lanțului de aprovizionare și geografia producției #

O parte esențială a prezentării lui Ozcelik s-a concentrat pe suveranitatea lanțului de aprovizionare. Inovația hardware nu are sens dacă siliciul nu poate fi fabricat, încapsulat și livrat în mod fiabil, la scară.

Mythic AI și-a construit o rețea internațională distribuită de producție:

Fabricarea siliciului: Producția de bază a plachetelor pentru calcul în memorie este ancorată la Tokyo, în Japonia, valorificând poziția de lider a Japoniei în fabricarea de precizie a semiconductorilor și nodurile de proces mature pentru memorii analogice și flash.
Încapsulare și asamblare avansate: Plachetele sunt trimise în Europa (mai precis în Germania) pentru tăierea avansată a chipleturilor, lipirea mai multor pastile pe substrat și inspecția optică automatizată.
Validarea reviziilor: Compania finalizează validarea celei mai noi revizii de siliciu, concentrându-se pe transformarea indicatorilor de randament din laborator în declarații de lucru (SOW) repetabile, de nivel de producție, pentru producția de serie din industria auto și de apărare.

Această abordare pe mai multe regiuni evită vulnerabilitățile geopolitice punctuale și oferă partenerilor corporativi europeni și asiatici lanțuri de aprovizionare diversificate geografic.

Concluzie #

Dialogul dintre Taner Ozcelik și Kenneth Cukier de la Economist Enterprise Physical AI and Robotics Summit a schițat realitatea fizică ce va guverna următorul deceniu al sistemelor autonome. Legea lui Moore, ca simplă măsură a scalării tranzistorilor, nu mai este suficientă pentru a alimenta revoluția AI-ului fizic.

Atâta timp cât arhitecturile de calcul se agață de separarea von Neumann dintre logică și memorie, robotica va rămâne limitată de masa bateriilor, de disiparea căldurii și de costuri prohibitive ale componentelor. Trecând de la mutarea digitală a datelor la matrice analogice de calcul în memorie și la topologii modulare de chipleturi, ingineria semiconductorilor aduce saltul de eficiență de care au nevoie sistemele autonome.

Trecerea de la clustere de centre de date de 700 W la siliciu de margine de 15 W reprezintă adevărata poartă către autonomia fizică. În ultimă instanță, roboții care acționează în lumea reală trebuie să se supună legilor energetice ale lumii reale; calculul în memorie este arhitectura care face puntea între siliciu și biologie.

Întrebări frecvente #

Ce este gâtuirea von Neumann în hardware-ul AI? Gâtuirea von Neumann desemnează limitarea de debit și de energie cauzată de separarea fizică dintre unitatea de procesare (ALU) și memoria sistemului (DRAM). În sarcinile de inteligență artificială, care implică miliarde de înmulțiri de matrice, procesoarele cheltuiesc peste 85% din energia totală și un număr considerabil de cicluri de ceas doar mutând date înainte și înapoi pe magistrale de cupru, ceea ce creează blocaje termice și de latență severe.

Cum funcționează calculul analogic în memorie (CIM)? Calculul în memorie efectuează operații matematice direct în celulele de memorie, fără a muta datele. Ponderile rețelei neuronale sunt stocate ca stări analogice de conductanță în celule de memorie nevolatilă. Când tensiunile de intrare sunt aplicate pe matrice, curentul trece prin celule conform legii lui Ohm ($I = V \times G$) și se însumează de-a lungul liniilor de bit conform legii curenților a lui Kirchhoff. Astfel, o înmulțire completă matrice-vector se realizează într-un singur pas fizic.

De ce este calculul în memorie deosebit de important pentru roboți și drone? Roboții mobili și dronele funcționează sub constrângeri stricte SWaP-C (dimensiune, greutate, putere și cost). Ei depind de bateriile de la bord și nu pot susține radiatoare grele sau surse de alimentare de putere mare. Calculul în memorie oferă o eficiență energetică de 10x până la 1.000x mai mare, permițând roboților să ruleze local modele complexe viziune-limbaj-acțiune într-un buget de putere de 10–20 W, păstrând autonomia bateriei.

Care este avantajul chipleturilor față de un cip monolitic? Cipurile monolitice integrează toate unitățile funcționale pe o singură pastilă mare de siliciu. Pe măsură ce pastila crește, rata defectelor de fabricație crește exponențial, ceea ce reduce randamentul producției și ridică costul unitar. O arhitectură de chipleturi împarte sistemul în pastile de siliciu mai mici și standardizate, fabricate independent cu randamente ridicate și conectate prin micro-bumpuri de mare viteză. Acest lucru permite configurații modulare și flexibile, adaptate cerințelor industriale specifice de putere și format.

Cine sunt principalii parteneri comerciali ai acestei tehnologii? Platforma de calcul în memorie a Mythic AI se sprijină în prezent pe două parteneriate corporative importante: Lockheed Martin, care integrează arhitectura în drone tactice de apărare, platforme robotice fără pilot și posturi de securitate a perimetrului pentru a prelungi autonomia bateriilor, și Honda Motor, care vizează cipuri AI ieftine, calificate auto, pentru conștientizarea situațională a vehiculelor și detecția din habitaclu.

Referințe #

Economist Enterprise, (2026). Physical AI & Robotics Summit: avantaj operațional prin sisteme autonome ⧉. Economist Enterprise.
Ozcelik, T., (2026). Dincolo de legea lui Moore: puterea din spatele roboticii de înaltă performanță ⧉. Mythic AI.
Cukier, K., (2026). Plafoanele termodinamice ale inteligenței autonome ⧉. The Economist.
Marković, D., Mizrahi, A., Querlioz, D. și Grollier, J., (2020). Fizica pentru calculul neuromorfic ⧉. Nature Reviews Physics, 2, 499-510.
Universal Chiplet Interconnect Express, (2025). Specificația UCIe 2.0: standard de interconectare între pastile ⧉. UCIe Consortium.
IEEE, (2026). International Roadmap for Devices and Systems (IRDS): dincolo de CMOS și calculul în memorie ⧉. IEEE Standards Association.

Ultima revizuire 2026-10-13.

Ultima revizuire 2026-10-27.

Republică acest articol

Calcul în memorie și chipleturi: robotica dincolo de legea lui Moore — Sebastien Rousseau

Taner Ozcelik, CEO-ul Mythic AI, a arătat la summitul Economist de la Londra cum calculul în memorie și chipleturile modulare dărâmă zidul memoriei von Neumann.

Acest articol este licențiat sub Creative Commons Attribution 4.0 International. Republicarea necesită atribuirea la URL-ul canonic.

Calcul în memorie și chipleturi: robotica dincolo de legea lui Moore — Sebastien Rousseau

Taner Ozcelik, CEO-ul Mythic AI, a arătat la summitul Economist de la Londra cum calculul în memorie și chipleturile modulare dărâmă zidul memoriei von Neumann.

Originally published at https://sebastienrousseau.com/ro/2026-10-13-calcul-in-memorie-chipleturi-robotica-dincolo/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER