Bortom Moores lag: minnesintern beräkning och chiplets för robotik

I mer än ett halvt sekel följde datorutvecklingen Moores lag: dubbelt så många transistorer på kislet var artonde till tjugofjärde månad. Men inom det framväxande området fysisk AI och autonom robotik har Moores lag krockat med termodynamikens lagar. Autonoma drönare, fyrbenta robotar, kirurgiska manipulatorer och självkörande fordon kan inte bära GPU:er i serverklass på 700 watt eller kyltorn. På Economist Enterprise Physical AI and Robotics Summit i London den 13 oktober 2026 samtalade Taner Ozcelik, ordförande och vd för Mythic AI, med Kenneth Cukier om den arkitektoniska omvälvning som krävs för att bryta dödläget: att gå bortom Moores lag med analog minnesintern beräkning (compute-in-memory, CIM) och modulära chiplets.

Den termodynamiska väggen: varför fysisk AI inte kan bo i molnet #

Under samtalet med titeln Moving past Moore’s law: the power behind high-performance robotics (Bortom Moores lag: kraften bakom högpresterande robotik) ringade Kenneth Cukier in det centrala tekniska dilemmat för autonomi i företag: AI-modeller växer i antal parametrar och perceptuell förmåga, men fysiska maskiner arbetar under obevekliga SWaP-C-begränsningar (storlek, vikt, effekt och kostnad).

Dagens AI-front är förankrad i hyperskaliga datacenter som drar 150 megawatt eller mer över väldiga serverkluster. Som Ozcelik påpekade arbetar denna arkitektur på energinivåer som ligger miljontals gånger över biologiska referenspunkter. Den mänskliga hjärnan sköter kontinuerlig sensomotorisk koordination i realtid, semantiskt resonemang och visuell-rumslig navigering inom en metabolisk effektbudget på ungefär 20 watt.

Historiskt har robotikingenjörer försökt komma runt begränsad beräkningskraft ombord genom att lägga ut inferensen i molnet. Men i verksamhetskritiska miljöer inom industri, flyg och försvar är molnberoende autonomi en arkitektonisk omöjlighet:

1. Varierande latens och jitter: Snabb sluten styrning av robotar kräver deterministiska motoruppdateringar på 50 till 1 000 Hz (rundresor under 20 millisekunder). Mobil- och wifi-nät ger paketjitter, tappade bildrutor och latenstoppar som får robotarmar att tappa arbetsstycken och autonoma fordon att missa sina bromsgränser.
2. Mättad bandbredd: Att strömma flera okomprimerade 4K-videoflöden och LiDAR-punktmoln från dussintals mobila robotar i en industrianläggning tömmer snabbt den lokala radiobandbredden och drar på sig orimliga avgifter för datautflöde från molnet.
3. Operativ suveränitet och störd uppkoppling: I underjordiska gruvor, tunnlar utan GPS, avlägsna byggplatser eller taktiska militära miljöer finns externa nätlänkar antingen inte alls eller störs aktivt. Autonoma system måste bära hela sin operativa intelligens direkt på chassit vid kanten.

Att utrusta robotar med vanliga högpresterande GPU:er har egna fysiska kostnader: termisk strypning, stora kylflänsar som lägger till parasitisk last och hög strömförbrukning som krymper flygtiden på batteri från timmar till minuter.

Den arkitektoniska tesen: minnesintern beräkning (CIM) #

För att lösa den termodynamiska flaskhalsen har Mythic AI drivit en arkitektonisk filosofi: i stället för att skyffla data mellan separata beräkningsenheter och minnespooler måste minnet självt bli datorn.

.class="img-fluid clearfix"

Fysiken bakom matrismultiplikation med en transistor #

I klassisk digital databehandling kräver en matrisskalärprodukt att tusentals viktvärden på 8 eller 16 bitar hämtas från externt DRAM över bussledningar med hög kapacitans, läses in i cacheregister, multipliceras i digitala ALU:er och skrivs tillbaka till minnet. Mer än 90 % av energin går åt till att ladda och ladda ur kopparledningarna mellan kretsarna.

Minnesinterna beräkningsarkitekturer ersätter denna digitala dataöverföring med analog kretsfysik:

Programmering av vikter. Vikterna i det neurala nätet programmeras direkt in i icke-flyktiga minnesceller (till exempel modifierat flashminne eller resistivt RAM) som analoga konduktanser ($G$). När vikterna väl är programmerade ligger de stilla i minnesmatrisen; de hämtas eller flyttas aldrig under inferens.

Modulering av inspänning. Indata-aktiveringar (till exempel visuella tokens från kameror) omvandlas till analoga spänningsnivåer ($V$) och drivs längs matrisens ordledningar.

Multiplikation med Ohms lag. När inspänningen passerar varje minnescell utför Ohms lag ($I = V \times G$) en omedelbar analog multiplikation och ger en elektrisk ström som är proportionell mot produkten av indata och den lagrade vikten.

Ackumulering med Kirchhoffs strömlag. Längs de vertikala bitledningarna summeras strömmarna från tusentals parallella minnesceller naturligt enligt Kirchhoffs strömlag ($\sum I = 0$).

En enda flashminnesmatris utför alltså en hel matris-vektor-multiplikation på en enda klockcykel, på fysiknivå och utan en enda minneshämtning. Den ackumulerade analoga strömmen omvandlas sedan tillbaka till digitala värden av snabba analog-till-digital-omvandlare (ADC) vid matrisens kant.

Den modulära chiplet-strategin #

Analog minnesintern beräkning löser ekvationerna för energi och latens, men att skala kisel över skilda kommersiella områden kräver flexibilitet i kapslingen. I stället för att tillverka stora, monolitiska system-på-chip (SoC), som lider av exponentiellt stigande defektfrekvens, dålig avkastning per wafer och oflexibla produktkonfigurationer, beskrev Ozcelik en modulär chiplet-strategi.

Enligt denna modell tillverkas små, standardiserade minnesinterna beräkningsplattor var för sig och fogas samman på interposers med avancerad kapsling:

1. Standardiserade höghastighetsförbindelser mellan plattor: Med framväxande standarder som Universal Chiplet Interconnect Express (UCIe) kommunicerar chiplets via mikrobumpar med hög bandbreddstäthet och latenser i pikosekundsklassen.
2. Heterogen sammansättning: En systemkonstruktör kan para ihop två minnesinterna chiplets med en billig ARM-styrprocessor för en lätt drönarlast, eller montera sexton chiplets tillsammans med snabba PCIe-gränssnitt för att bygga ett acceleratorkort för servrar i edge-datacenter.
3. Universell kompilering och fördelning av arbetslaster: Ett gemensamt kompilatorlager tar emot vanliga djupinlärningsgrafer (ONNX, PyTorch) och delar automatiskt upp modellens lager över den tillgängliga chiplet-topologin, med dataflöden optimerade för minsta möjliga kommunikation mellan chiplets.

Arkitekturjämförelse: beräkningsparadigm för edge-robotik #

Källa: sammanställning av uppgifter från samtalet och av specifikationer för halvledararkitektur som presenterades på Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, London, 13 oktober 2026).

Vad det betyder per sektor #

Den kommersiella bekräftelsen av minnesintern beräkning hänger på att nå branscher där effekt- och kostnadsgränser historiskt har stoppat användningen av avancerade grundmodeller.

Taktiskt försvar och obemannade system #

I försvarstillämpningar vid kanten översätts energieffektivitet direkt till operativ överlevnadsförmåga och uppdragslängd. Små obemannade flygsystem (sUAS) och taktiska markfordon begränsas hårt av batterivikten. Att utrusta en spaningsdrönare med en konventionell GPU minskar dess uthållighet i luften med 30 till 50 %, enbart för att driva AI-perceptionen.

Mythic AI:s strategiska samarbete med Lockheed Martin är inriktat på att bygga in minnesintern beräkning i taktiska system vid kanten, autonoma drönarsvärmar och avlägsna övervakningsposter. Genom att sänka beräkningens effektuttag från 50 W till under 10 W får taktiska drönare längre flygtid och kan samtidigt köra multimodal objektklassificering, signalbehandling för elektronisk krigföring och visuell-inertial odometri lokalt i störda operationsområden utan GPS.

Situationsmedvetenhet i fordon och AI i kupén #

I fordonsindustrin pressas leverantörer i första ledet hårt på marginalerna. Elbilar i toppsegmentet kan bära kostnaden för vätskekylda datorer för autonom körning för £2 000, men massmarknadens bilar kan det inte.

Honda Motors partnerskap med Mythic AI tar sikte på just denna kommersiella friktion. Biltillverkare behöver fordonskvalificerade AI-kretsar i stora volymer som kostar tiotals dollar snarare än hundratals, och som kan köra system för förarövervakning, objektsegmentering i döda vinkeln och 360-graders omgivningsperception utan komplexa vätskekylslingor som höjer tillverkningskostnaden och försvårar monteringen.

Industriella edge-datacenter och mobil orderhantering #

Minnesintern beräkning är arkitektoniskt optimerad för kanten, men Mythic driver medvetet en brostrategi genom att erbjuda PCIe-acceleratorkort för edge-datacenter och lagernav för orderplock. I anläggningar med hundratals autonoma mobila robotar (AMR) begränsas serverrack vid kanten, som kör modeller för flottkoordinering, av anläggningens elanslutningar och kylgränser. Minnesinterna acceleratorkort låter anläggningar mångdubbla den lokala inferenskapaciteten utan att uppgradera elnätsanslutningen.

Motståndskraftig leveranskedja och tillverkningens geografi #

En central del av Ozceliks genomgång handlade om suveränitet i leveranskedjan. Hårdvaruinnovation är meningslös om kislet inte kan tillverkas, kapslas och skeppas tillförlitligt i stor skala.

Mythic AI har byggt upp ett distribuerat internationellt tillverkningsnätverk:

• Kiseltillverkning: Kärnproduktionen av minnesinterna wafers är förankrad i Tokyo i Japan, som drar nytta av Japans etablerade ledarskap inom precisionstillverkning av halvledare och mogna processnoder för analogt minne och flashminne.
• Avancerad kapsling och montering: Wafers skickas till Europa (närmare bestämt Tyskland) för avancerad sågning av chiplets, bondning av flera plattor på substrat och automatiserad optisk inspektion.
• Validering av revisioner: Företaget håller på att slutföra valideringen av sin senaste kiselrevision, med fokus på att omsätta avkastningsmått från labbet i upprepbara arbetsbeskrivningar (SOW) för volymproduktion inom fordon och försvar.

Den här flerregionala modellen undviker enskilda geopolitiska sårbarheter och ger europeiska och asiatiska partnerföretag geografiskt diversifierade leveranskedjor.

Slutsats #

Samtalet mellan Taner Ozcelik och Kenneth Cukier på Economist Enterprise Physical AI and Robotics Summit tecknade den fysiska verklighet som kommer att styra autonoma system under det kommande decenniet. Moores lag, som ett enkelt mått på transistorskalning, räcker inte längre för att driva revolutionen inom fysisk AI.

Så länge datorarkitekturer håller fast vid von Neumanns uppdelning mellan logik och minne kommer robotiken att begränsas av batterimassa, värmeavledning och oöverkomliga materialkostnader. Genom att gå från digital dataförflyttning till analoga minnesinterna beräkningsmatriser och modulära chiplet-topologier levererar halvledartekniken det språng i effektivitet som autonoma system behöver.

Övergången från datacenterkluster på 700 W till edge-kisel på 15 W är den verkliga porten till fysisk autonomi. I sista hand måste robotar som verkar i den verkliga världen lyda den verkliga världens energilagar; minnesintern beräkning är den arkitektur som överbryggar klyftan mellan kisel och biologi.

Vanliga frågor #

Vad är von Neumann-flaskhalsen i AI-hårdvara? Von Neumann-flaskhalsen är den begränsning i genomströmning och energi som uppstår av den fysiska åtskillnaden mellan beräkningsenheten (ALU) och systemminnet (DRAM). I AI-arbetslaster, som omfattar miljarder matrismultiplikationer, lägger processorerna mer än 85 % av sin totala energi och ett stort antal klockcykler på att bara skyffla data fram och tillbaka över kopparbussar, vilket ger allvarliga flaskhalsar för värme och latens.

Hur fungerar analog minnesintern beräkning (CIM)? Minnesintern beräkning utför matematiska operationer direkt i minnescellerna utan att flytta data. Vikterna i det neurala nätet lagras som analoga konduktanstillstånd i icke-flyktiga minnesceller. När inspänningar läggs över matrisen flyter ström genom cellerna enligt Ohms lag ($I = V \times G$) och summeras längs bitledningarna enligt Kirchhoffs strömlag. På så sätt utförs en komplett matris-vektor-multiplikation i ett enda fysiskt steg.

Varför är minnesintern beräkning särskilt viktig för robotar och drönare? Mobila robotar och drönare arbetar under strikta SWaP-C-begränsningar (storlek, vikt, effekt och kostnad). De är beroende av batterier ombord och kan inte bära tunga kylare eller kraftaggregat med hög effekt. Minnesintern beräkning ger 10x till 1 000x högre energieffektivitet, så att robotar kan köra komplexa vision-språk-handlingsmodeller lokalt inom en effektbudget på 10 till 20 W och samtidigt bevara batteritiden.

Vad är fördelen med chiplets jämfört med en monolitisk krets? Monolitiska kretsar samlar alla funktionsenheter på en enda stor kiselplatta. När plattan växer ökar defektfrekvensen i tillverkningen exponentiellt, vilket sänker avkastningen och höjer styckkostnaden. En chiplet-arkitektur delar upp systemet i mindre, standardiserade kiselplattor som tillverkas separat med hög avkastning och kopplas ihop via snabba mikrobumpar. Det ger modulära, flexibla konfigurationer anpassade efter specifika industriella krav på effekt och formfaktor.

Vilka är de viktigaste kommersiella partnerna för tekniken? Mythic AI:s plattform för minnesintern beräkning vilar i dag på två stora företagspartnerskap: Lockheed Martin, som integrerar arkitekturen i taktiska försvarsdrönare, obemannade robotplattformar och perimeterbevakning för att förlänga batteritiden, och Honda Motor, som siktar på billiga, fordonskvalificerade AI-kretsar för situationsmedvetenhet i fordon och avkänning i kupén.

Källor #

• Economist Enterprise, (2026). Physical AI & Robotics Summit: operativ fördel genom autonoma system ⧉. Economist Enterprise.
• Ozcelik, T., (2026). Bortom Moores lag: kraften bakom högpresterande robotik ⧉. Mythic AI.
• Cukier, K., (2026). De termodynamiska taken för autonom intelligens ⧉. The Economist.
• Marković, D., Mizrahi, A., Querlioz, D. och Grollier, J., (2020). Fysik för neuromorfisk beräkning ⧉. Nature Reviews Physics, 2, 499-510.
• Universal Chiplet Interconnect Express, (2025). UCIe-specifikation 2.0: standard för förbindelser mellan plattor ⧉. UCIe Consortium.
• IEEE, (2026). International Roadmap for Devices and Systems (IRDS): bortom CMOS och minnesintern beräkning ⧉. IEEE Standards Association.

Senast granskad 2026-10-13.

Senast granskad 2026-10-27.

# Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/](https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/)

Mythic AI:s vd Taner Ozcelik visade på Economists toppmöte om fysisk AI i London hur minnesintern beräkning och chiplets river von Neumann-minnesväggen för robotik.

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/

Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau

Mythic AI:s vd Taner Ozcelik visade på Economists toppmöte om fysisk AI i London hur minnesintern beräkning och chiplets river von Neumann-minnesväggen för robotik.

https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/

Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau

Mythic AI:s vd Taner Ozcelik visade på Economists toppmöte om fysisk AI i London hur minnesintern beräkning och chiplets river von Neumann-minnesväggen för robotik.

Här är de viktigaste strategiska lärdomarna:

- Den termodynamiska väggen: varför fysisk AI inte kan bo i molnet. Under samtalet med titeln Moving past Moore’s law: the power behind high-performance robotics (Bortom Moores lag: kraften bakom högpresterande robotik) ringade Kenneth Cukier in det centrala tekniska dilemmat för…
- Den arkitektoniska tesen: minnesintern beräkning (CIM). För att lösa den termodynamiska flaskhalsen har Mythic AI drivit en arkitektonisk filosofi: i stället för att skyffla data mellan separata beräkningsenheter och minnespooler måste minnet självt bli datorn.
- Den modulära chiplet-strategin. Analog minnesintern beräkning löser ekvationerna för energi och latens, men att skala kisel över skilda kommersiella områden kräver flexibilitet i kapslingen.
- Arkitekturjämförelse: beräkningsparadigm för edge-robotik. Källa: sammanställning av uppgifter från samtalet och av specifikationer för halvledararkitektur som presenterades på Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, London, 13 oktober…

Hur hanterar din organisation de utmaningar som beskrivs i denna artikel?

→ https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/

#MinnesinternBeräkning #MythicAi #TanerOzcelik #MooresLag #VonNeumannFlaskhalsen

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026bortom,
  author  = {Rousseau, Sebastien},
  title   = {{Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/
ER  -

Rousseau S. Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 13. Available from: https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/

Rousseau, Sebastien. "Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau." sebastienrousseau.com. October 13, 2026. https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/.

Rousseau, S. (2026, October 13). Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/

Bortom Moores lag: minnesintern beräkning och chiplets för robotik — Sebastien Rousseau

Mythic AI:s vd Taner Ozcelik visade på Economists toppmöte om fysisk AI i London hur minnesintern beräkning och chiplets river von Neumann-minnesväggen för robotik.

Originally published at https://sebastienrousseau.com/sv/2026-10-13-bortom-moores-lag-minnesintern-berakning-chiplets/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER