Революционный ИИ-чип преодолевает транзисторные лимиты: массивная вычислительная мощность при минимальном энергопотреблении

Новая физика вычислений для ИИ

Исследователи Принстона под руководством проф. Навина Верма полностью переосмыслили физику вычислений, создав чип для современных ИИ-нагрузок. DARPA поддержала проект грантом $18,6 млн в рамках программы OPTIMA ($78 млн суммарно). Цель: исследовать, насколько быстрым, компактным и энергоэффективным может стать чип.

Проблема текущих чипов

• GPU для ИИ — громоздки, неэффективны, привязаны к дата-центрам
• С 2012 по 2022 г. потребность ИИ в вычислениях выросла на ~1 000 000%
• Современные модели — >1 трлн параметров; чипы с десятками млрд транзисторов (размер с вирус) все равно недостаточно плотны
• Nvidia ($2 трлн капритализации) зарабатывает на инференсе (развертывании), а не обучении

Верма: «Децентрализация ИИ — вывод его из дата-центров в телефоны, ноутбуки, заводы — взрывает способы извлечения ценности».

Трехкомпонентный подход

1. In-memory computing (вычисления в памяти)

Традиционная архитектура (данные в памяти, вычисления в процессоре) требует шаттлинга данных. In-memory computing делает вычисления прямо в ячейках памяти — экономия времени и энергии на перемещении данных.

2. Аналоговые вычисления

Цифровые in-memory подходы ограничены. Аналоговые используют более богатую физику устройств (кривизна шестеренки, заряд провода) вместо 0/1. Высокая плотность — вычисления внутри крошечных ячеек памяти. Компромисс — точность, но правильная физика дает контроль.

3. Конденсаторы с точной геометрией

Команда нашла способ высокоточных аналоговых вычислений на специально спроектированных конденсаторах, переключающихся с экстремальной точностью. В отличие от транзисторов, их поведение зависит только от геометрии (расстояния между металлическими проводами), которую современное полупроводниковое производство контролирует идеально. Независимость от температуры и подвижности электронов.

Коммерциализация через EnCharge AI

Верма соосновал EnCharge AI (Санта-Клара, CA) в 2022 г. с бывшим IBM Fellow Кайлашом Гопалакришнаном и Эчери Ироагой. Стартап коммерциализирует технологии из лаборатории Верма (ключевые статьи с 2016 г.). Гопалакришнан: «Инновации в существующих архитектурах замедлились именно когда ИИ создал массивный спрос. Даже лучшие GPU не решают узкие места памяти и энергии. Нужен новый тип чипа».

Фокус на инференсе

Ближайшее влияние — на этапе инференса (развертывания обученных моделей). Чипы для инференса на периферии (edge) должны быть сверхэффективны по математике и движению данных.