Вычисления в памяти и чиплеты: робототехника за пределами закона Мура

TL;DR. Taner Ozcelik из Mythic AI на саммите Economist Enterprise в Лондоне: как вычисления в памяти и модульные чиплеты дают роботам в 10–1000 раз больше энергоэффективности.

Ключевые выводы

Термодинамическая стена: почему физический ИИ не может жить в облаке. На беседе у камина под названием Moving past Moore’s law: the power behind high-performance robotics («За пределами закона Мура: энергия высокопроизводительной робототехники») Kenneth Cukier сформулировал главную…
Архитектурный тезис: вычисления в памяти (CIM). Чтобы снять термодинамическое узкое место, Mythic AI развивает архитектурную философию: вместо того чтобы гонять данные между отдельными процессорами и пулами памяти, сама память должна стать компьютером.
Стратегия модульных чиплетов. Аналоговые вычисления в памяти решают уравнения энергии и задержки, но масштабирование кремния на разные коммерческие области требует гибкости корпусирования.
Сравнение архитектур: вычислительные парадигмы для периферийной робототехники. Источник: обобщение данных беседы у камина и спецификаций полупроводниковых архитектур, представленных на саммите Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Лондон, 13 октября 2026…

Больше полувека прогресс вычислительной техники подчинялся закону Мура: каждые восемнадцать–двадцать четыре месяца на кремний удавалось уместить вдвое больше транзисторов. Но в новой области физического ИИ и автономной робототехники закон Мура столкнулся с законами термодинамики. Автономные дроны, четвероногие роботы, хирургические манипуляторы и беспилотные автомобили не могут возить на себе серверные графические процессоры мощностью 700 Вт или градирни. На саммите Economist Enterprise Physical AI and Robotics Summit в Лондоне 13 октября 2026 года Taner Ozcelik, председатель и генеральный директор Mythic AI, в беседе у камина с Kenneth Cukier разобрал архитектурную революцию, без которой этот тупик не преодолеть: выход за пределы закона Мура с помощью аналоговых вычислений в памяти (CIM) и модульных чиплетов.

Термодинамическая стена: почему физический ИИ не может жить в облаке #

На беседе у камина под названием Moving past Moore’s law: the power behind high-performance robotics («За пределами закона Мура: энергия высокопроизводительной робототехники») Kenneth Cukier сформулировал главную инженерную дилемму корпоративной автономии: модели искусственного интеллекта растут по числу параметров и по возможностям восприятия, но физические машины работают в жёстких рамках SWaP-C (размер, масса, мощность и стоимость).

Сегодняшний передний край ИИ опирается на гипермасштабные центры обработки данных, которые потребляют 150 мегаватт и больше в огромных серверных кластерах. Как отметил Ozcelik, такая архитектура работает на масштабах энергии, в миллионы раз далёких от биологических ориентиров. Человеческий мозг непрерывно и в реальном времени координирует сенсорику и моторику, ведёт смысловые рассуждения и ориентируется в пространстве, укладываясь в метаболический бюджет мощности примерно 20 Вт.

Исторически инженеры-робототехники пытались обойти ограничения бортовых вычислений, перенося инференс в облако. Однако в критически важных промышленных, аэрокосмических и оборонных средах автономия, зависящая от облака, архитектурно невозможна:

Разброс задержек и джиттер: высокоскоростное управление роботом по замкнутому контуру требует детерминированного обновления двигателей с частотой от 50 Гц до 1000 Гц (круговые задержки меньше 20 миллисекунд). Сотовые сети и Wi-Fi вносят джиттер пакетов, потерю кадров и всплески задержки, из-за которых манипуляторы роняют заготовки, а автономные машины не укладываются в пороги торможения.
Насыщение полосы пропускания: потоковая передача нескольких несжатых видеопотоков 4K и облаков точек LiDAR от десятков мобильных роботов по всему заводу быстро исчерпывает местную радиополосу и влечёт непомерную плату за исходящий трафик из облака.
Операционный суверенитет и связь в условиях противодействия: в подземных шахтах, тоннелях без GPS, на удалённых стройках или в тактической военной обстановке внешней сети либо нет, либо её активно подавляют. Автономные системы должны нести весь операционный интеллект прямо на периферийном шасси.

Оснащение роботов стандартными высокопроизводительными GPU приносит свои физические издержки: тепловой троттлинг, массивные радиаторы, которые добавляют паразитную массу полезной нагрузки, и высокое энергопотребление, сокращающее время полёта от часов до минут.

Архитектурный тезис: вычисления в памяти (CIM) #

Чтобы снять термодинамическое узкое место, Mythic AI развивает архитектурную философию: вместо того чтобы гонять данные между отдельными процессорами и пулами памяти, сама память должна стать компьютером.

Брифинг по архитектуре платформы ИИ-вычислений в памяти нового поколения: вычислительные массивы на одиночных транзисторах, стратегия модульных чиплетов, множители эффективности и опорные коммерческие внедрения .class="img-fluid clearfix"

Физика матричного умножения на одиночном транзисторе #

В классических цифровых вычислениях для скалярного произведения матриц нужно извлечь тысячи 8-битных или 16-битных весов из внешней DRAM по шинам с высокой ёмкостью, загрузить их в регистры кэша, выполнить умножение в цифровых АЛУ и записать результаты обратно в память. Более 90% энергии тратится на заряд и разряд медных межсоединений между микросхемами.

Архитектуры вычислений в памяти заменяют эту цифровую передачу данных физикой аналоговых цепей:

Программирование весов. Веса нейросети записываются прямо в ячейки энергонезависимой памяти (например, модифицированной флеш-памяти или резистивной RAM) в виде аналоговых проводимостей ($G$). После записи веса остаются неподвижными внутри массива памяти; во время инференса их никогда не извлекают и не передают.

Модуляция входного напряжения. Входные активации (например, визуальные токены с камер) преобразуются в аналоговые уровни напряжения ($V$) и подаются вдоль словарных линий массива.

Умножение по закону Ома. Когда входное напряжение проходит через каждую ячейку памяти, закон Ома ($I = V \times G$) мгновенно выполняет аналоговое умножение и создаёт электрический ток, пропорциональный произведению входа на хранимый вес.

Накопление по закону Кирхгофа для токов. Вдоль вертикальных битовых линий токи тысяч параллельных ячеек памяти естественным образом суммируются согласно закону Кирхгофа для токов ($\sum I = 0$).

Таким образом, один массив флеш-памяти выполняет целое умножение матрицы на вектор за один такт, на уровне физики и без единого обращения к памяти. Накопленный аналоговый ток затем преобразуется обратно в цифровые значения высокоскоростными аналого-цифровыми преобразователями (АЦП) на краю массива.

Стратегия модульных чиплетов #

Аналоговые вычисления в памяти решают уравнения энергии и задержки, но масштабирование кремния на разные коммерческие области требует гибкости корпусирования. Вместо производства крупных монолитных систем на кристалле (SoC), которые страдают от экспоненциально растущей доли дефектов, низкого выхода годных пластин и негибких конфигураций продукта, Ozcelik описал стратегию модульных чиплетов.

В этой парадигме небольшие стандартизованные вычислительные плитки с памятью изготавливаются независимо и соединяются на интерпозерах с помощью передового корпусирования:

Стандартизованные высокоскоростные межкристальные соединения: опираясь на новые стандарты, такие как Universal Chiplet Interconnect Express (UCIe), чиплеты обмениваются данными через микровыступы с высокой плотностью пропускной способности и задержками пикосекундного уровня.
Гетерогенная компоновка: разработчик системы может объединить два чиплета вычислений в памяти с недорогим управляющим процессором ARM для лёгкой полезной нагрузки дрона или собрать шестнадцать чиплетов вместе с высокоскоростными интерфейсами PCIe, чтобы получить серверную ускорительную карту для периферийных центров обработки данных.
Универсальная компиляция и распределение нагрузки: единый уровень компилятора принимает стандартные графы глубокого обучения (ONNX, PyTorch) и автоматически распределяет слои модели по доступной топологии чиплетов, оптимизируя маршрутизацию данных так, чтобы свести к минимуму обмен между чиплетами.

Сравнение архитектур: вычислительные парадигмы для периферийной робототехники #

Архитектурный параметр	Стандартный цифровой GPU (NVIDIA Jetson / Orin)	Специализированный периферийный NPU (Google Coral / Hailo)	Аналоговый чиплет вычислений в памяти (Mythic AI)
Базовый механизм	Цифровые ядра SIMD/тензорные ядра, извлекающие веса из LPDDR5/HBM	Цифровые систолические массивы с кэшированием весов в SRAM на кристалле	Аналоговые массивы одиночных транзисторов, выполняющие матричное умножение на месте
Издержки перемещения данных	Высокие (непрерывный заряд шин DRAM/SRAM; 85%+ энергии теряется)	Умеренные (ограничены ёмкостью внутреннего кэша SRAM)	Внутреннего перемещения данных нет; веса постоянно остаются в памяти
Бюджет мощности инференса	От 30 Вт до 75+ Вт (нужны активное охлаждение вентилятором и тяжёлые радиаторы)	От 5 Вт до 15 Вт (пассивное или минимальное охлаждение)	От 10 Вт до 20 Вт (сверхкомпактный пассивный отвод тепла)
Энергоэффективность (TOPS/Вт)	От 2 до 5 TOPS/Вт (на уровне системы)	От 10 до 25 TOPS/Вт	От 50 до 200+ TOPS/Вт (теоретическая эффективность выше в 10–1000 раз)
Стоимость компонентов устройства (BOM)	От £500 до £2500+ за вычислительный модуль	От £100 до £350 за ускорительную плату	Десятки долларов за чиплет при массовом выпуске
Узкое место памяти (фон Нейман)	Острое; ограничено пропускной способностью памяти (от ГБ/с до ТБ/с)	Умеренное; ограничено ёмкостью SRAM на кристалле (МБ)	Отсутствует; пропускная способность массива совпадает с внутренней матрицей памяти
Целевая область внедрения	Премиальные автономные автомобили и промышленные инспекционные роботы	Умные камеры и лёгкие встраиваемые устройства IoT	Тактильная робототехника с высокой частотой, тактические дроны и автомобильный ИИ

Источник: обобщение данных беседы у камина и спецификаций полупроводниковых архитектур, представленных на саммите Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Лондон, 13 октября 2026 года).

Что это значит для отраслей #

Коммерческое подтверждение вычислений в памяти зависит от проникновения в отрасли, где ограничения по мощности и стоимости исторически мешали внедрению передовых базовых моделей.

Тактическая оборона и беспилотные системы #

В оборонных периферийных приложениях энергоэффективность напрямую превращается в живучесть и продолжительность миссии. Малые беспилотные авиационные системы (sUAS) и тактические наземные роверы жёстко ограничены массой батарей. Оснащение разведывательного дрона обычным GPU сокращает время его полёта на 30–50% только ради питания стека ИИ-восприятия.

Стратегическое сотрудничество Mythic AI с Lockheed Martin нацелено на встраивание вычислений в памяти в тактические периферийные системы, рои автономных дронов и удалённые посты наблюдения. Снижая потребление вычислителя с 50 Вт до менее чем 10 Вт, тактические дроны летают дольше и при этом локально выполняют мультимодальную классификацию объектов, обработку сигналов радиоэлектронной борьбы и визуально-инерциальную одометрию на оспариваемых театрах действий без GPS.

Ситуационное восприятие в автомобилях и ИИ в салоне #

В автомобильной отрасли производители первого уровня испытывают сильное давление на маржу. Флагманские электромобили могут позволить себе компьютеры автономного вождения с жидкостным охлаждением за £2000, а машины массового рынка не могут.

Партнёрство Honda Motor с Mythic AI устраняет это коммерческое трение. Автопроизводителям нужны массовые ИИ-микросхемы автомобильного класса стоимостью в десятки, а не сотни долларов, способные запускать системы контроля водителя, сегментацию объектов в слепых зонах и круговое восприятие на 360 градусов без сложных контуров жидкостного охлаждения, которые увеличивают себестоимость и сложность сборки.

Промышленные периферийные центры обработки данных и мобильная комплектация заказов #

Хотя вычисления в памяти архитектурно оптимизированы для периферии, Mythic сознательно выстраивает переходную стратегию и предлагает ускорительные карты PCIe для периферийных центров обработки данных и складских хабов комплектации. На объектах с сотнями автономных мобильных роботов (AMR) периферийные серверные стойки с моделями координации парка ограничены электрическими вводами и пределами охлаждения. Ускорительные карты с вычислениями в памяти позволяют многократно поднять локальную пропускную способность инференса без модернизации энергоснабжения.

Устойчивость цепочки поставок и география производства #

Важная часть брифинга Ozcelik касалась суверенитета цепочки поставок. Аппаратные инновации бессмысленны, если кремний нельзя надёжно изготавливать, корпусировать и поставлять в масштабе.

Mythic AI выстроила распределённую международную производственную базу:

Изготовление кремния: основное производство пластин для вычислений в памяти сосредоточено в Токио (Япония), где компания пользуется признанным лидерством Японии в прецизионном производстве полупроводников и зрелыми аналоговыми и флеш-техпроцессами.
Передовое корпусирование и сборка: пластины отправляются в Европу (а именно в Германию) для резки на чиплеты, многокристального соединения на подложках и автоматизированного оптического контроля.
Валидация ревизии: сейчас компания завершает валидацию последней ревизии кремния и сосредоточена на том, чтобы перевести лабораторные показатели выхода годных в воспроизводимые производственные технические задания (SOW) для серийного выпуска в автомобильной и оборонной отраслях.

Такой многорегиональный подход исключает единые точки геополитической уязвимости и даёт европейским и азиатским корпоративным партнёрам географически диверсифицированные цепочки поставок.

Заключение #

Беседа у камина между Taner Ozcelik и Kenneth Cukier на саммите Economist Enterprise Physical AI and Robotics Summit очертила физическую реальность, которая будет определять следующее десятилетие автономных систем. Закона Мура как простой метрики масштабирования транзисторов больше недостаточно, чтобы обеспечить энергией революцию физического ИИ.

Пока вычислительные архитектуры держатся за фоннеймановское разделение логики и памяти, робототехника будет упираться в массу батарей, отвод тепла и непомерную стоимость компонентов. Переходя от цифрового перемещения данных к аналоговым массивам вычислений в памяти и модульным топологиям чиплетов, полупроводниковая инженерия даёт тот скачок эффективности, который нужен автономным системам.

Переход от кластеров центров обработки данных мощностью 700 Вт к периферийному кремнию мощностью 15 Вт открывает настоящий путь к физической автономии. В конечном счёте роботы, работающие в реальном мире, должны подчиняться энергетическим законам реального мира; вычисления в памяти и есть архитектура, которая соединяет кремний и биологию.

Часто задаваемые вопросы #

Что такое узкое место фон Неймана в аппаратуре для ИИ? Узким местом фон Неймана называют ограничение пропускной способности и энергии, вызванное физическим разделением центрального процессора (АЛУ) и системной памяти (DRAM). В задачах искусственного интеллекта, где выполняются миллиарды матричных умножений, процессоры тратят более 85% всей энергии и значительную часть тактов просто на пересылку данных туда и обратно по медным шинам, что создаёт острые тепловые узкие места и узкие места по задержке.

Как работают аналоговые вычисления в памяти (CIM)? Вычисления в памяти выполняют математические операции прямо внутри ячеек памяти, не перемещая данные. Веса нейросети хранятся как аналоговые состояния проводимости в ячейках энергонезависимой памяти. Когда на массив подаются входные напряжения, ток течёт через ячейки по закону Ома ($I = V \times G$) и суммируется вдоль битовых линий по закону Кирхгофа для токов. Так полное умножение матрицы на вектор выполняется за один физический шаг.

Почему вычисления в памяти особенно важны для роботов и дронов? Мобильные роботы и дроны работают в жёстких рамках SWaP-C (размер, масса, мощность и стоимость). Они питаются от бортовых батарей и не могут нести тяжёлые радиаторы охлаждения или мощные источники питания. Вычисления в памяти дают энергоэффективность в 10–1000 раз выше, что позволяет роботам локально запускать сложные модели «зрение–язык–действие» в бюджете мощности от 10 до 20 Вт и сохранять запас батареи.

В чём преимущество чиплетного подхода перед монолитной микросхемой? Монолитные микросхемы объединяют все функциональные блоки на одном большом кристалле кремния. С ростом размера кристалла доля производственных дефектов растёт экспоненциально, выход годных падает, а себестоимость единицы растёт. Чиплетная архитектура разбивает систему на меньшие стандартизованные кристаллы, которые производятся независимо с высоким выходом годных и соединяются высокоскоростными микровыступами. Это даёт модульные гибкие конфигурации под конкретные промышленные требования к мощности и форм-фактору.

Кто основные коммерческие партнёры этой технологии? Платформа вычислений в памяти Mythic AI сейчас опирается на два крупных корпоративных партнёрства: с Lockheed Martin, которая встраивает архитектуру в тактические оборонные дроны, беспилотные роботизированные платформы и посты охраны периметра, чтобы продлить работу от батарей, и с Honda Motor, которая нацелена на недорогие ИИ-микросхемы автомобильного класса для ситуационного восприятия автомобиля и сенсорики в салоне.

Источники #

Economist Enterprise, (2026). Саммит Physical AI & Robotics Summit: операционное преимущество благодаря автономным системам ⧉. Economist Enterprise.
Ozcelik, T., (2026). За пределами закона Мура: энергия высокопроизводительной робототехники ⧉. Mythic AI.
Cukier, K., (2026). Термодинамические потолки автономного интеллекта ⧉. The Economist.
Marković, D., Mizrahi, A., Querlioz, D., & Grollier, J., (2020). Физика для нейроморфных вычислений ⧉. Nature Reviews Physics, 2, 499-510.
Universal Chiplet Interconnect Express, (2025). Спецификация UCIe 2.0: стандарт межкристальных соединений ⧉. UCIe Consortium.
IEEE, (2026). Международная дорожная карта устройств и систем (IRDS): за пределами КМОП и вычисления в памяти ⧉. IEEE Standards Association.

Последняя проверка 2026-10-13.

Последняя проверка 2026-10-27.

Опубликовать заново

Вычисления в памяти и чиплеты: робототехника за пределами закона Мура — Sebastien Rousseau

Taner Ozcelik из Mythic AI на саммите Economist Enterprise в Лондоне: как вычисления в памяти и модульные чиплеты дают роботам в 10–1000 раз больше энергоэффективности.

Эта статья распространяется по лицензии Creative Commons Attribution 4.0 International. При повторной публикации требуется указание канонической ссылки.

Вычисления в памяти и чиплеты: робототехника за пределами закона Мура — Sebastien Rousseau

Taner Ozcelik из Mythic AI на саммите Economist Enterprise в Лондоне: как вычисления в памяти и модульные чиплеты дают роботам в 10–1000 раз больше энергоэффективности.

Originally published at https://sebastienrousseau.com/ru/2026-10-13-vychisleniya-pamyati-chiplety-robototekhnika-predelami-zakona/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER