ÌÇÐÄÊÓƵ

Heute nimmt die physische KI bereits in der realen Welt Gestalt an ¨C von selbstfahrenden Fahrzeugen, die sich in St?dten von San Francisco bis Shenzhen fortbewegen, ¨¹ber autonome Roboter in Industriehallen bis hin zu Drohnen, die Pakete ausliefern. Doch die Zukunft der physischen KI wird noch weiter reichen und alles umfassen, von humanoiden Robotern ¨¹ber autonome Bildgebungssysteme im Gesundheitswesen bis hin zu einer Vielzahl anderer Anwendungen in der realen Welt. Diese n?chste Phase der KI f¨¹hrt die KI ¨¹ber Rechenzentren hinaus direkt in die physische Welt ¨C in Form von Maschinen, die in Echtzeit mit ihrer Umgebung interagieren.

Die Bereitstellung dieser Funktionen in gro?em Ma?stab bringt jedoch neue Herausforderungen und Chancen f¨¹r die Halbleitertechnologie mit sich. Multimodale Sensorik, verteilte Intelligenz, Aktorik und power werden ebenso entscheidend wie die Leistung selbst. Speziell entwickelte Halbleiterplattformen bilden die Grundlage, die es der ?Physical AI¡° erm?glicht, den Sprung von der fr¨¹hen Einf¨¹hrungsphase zum fl?chendeckenden Einsatz zu schaffen.

Speziell entwickelte Halbleiterplattformen f¨¹r physikalische KI

Physikalische KI f¨¹hrt immer umfangreichere Arbeitslasten ein, die die Anforderungen an Halbleiter grundlegend ver?ndern. Die Anforderungen der physikalischen KI bieten ÌÇÐÄÊÓƵ eine enorme Chance, zuverl?ssige, energieeffiziente und hochintegrierte Plattformen bereitzustellen, die sich im Laufe der Zeit anpassen lassen.

So erm?glichen unsere Plattformen diese n?chste Welle der physischen KI:

• Die ²ú°ù²¹²Ô³¦³ó±ð²Ô´Ú¨¹³ó°ù±ð²Ô»å±ð FDX-Plattform von ÌÇÐÄÊÓƵ eignet sich dank ihres extrem geringen power ihrer geringen Leckstromwerte, ihrer ¨¹berragenden HF-Leistung, power integrierten power und ihres ?u?erst zuverl?ssigen Betriebs bei Temperaturen von bis zu 150 Grad Celsius ideal f¨¹r Anwendungen im Bereich der physikalischen KI, die auf eine lange Batterielebensdauer bei kompakten Bauformen ausgelegt sind.

• Die differenzierte FinFET-Plattform von ÌÇÐÄÊÓƵ bietet eine h?here Leistung bei optimalem power und ist vollst?ndig auf integrierte L?sungen optimiert. Damit erm?glicht sie eine effiziente Sensorik, Echtzeitverarbeitung und nahtlose Kommunikation in realen Umgebungen.

• Speicherl?sungen wie MRAM und RRAM bieten Optionen f¨¹r eingebettete nichtfl¨¹chtige Speicher mit geringem power und den schnellsten Zugriffszeiten auf dem Markt. Damit k?nnen Kunden mit vorab validiertem Speicher-IP von Grund auf differenzierte Systeme entwickeln. Dies ist entscheidend f¨¹r zukunftssichere Physical-AI-Designs, da die Skalierung herk?mmlicher Speicher sowohl an physikalische als auch an wirtschaftliche Grenzen st??t.

• Innovationen in den Bereichen Siliziumphotonik und Hochfrequenztechnik treiben die Hochgeschwindigkeitsvernetzung voran, indem sie die Geschwindigkeit und Bandbreite der Verbindungen innerhalb und au?erhalb der Anwendung erh?hen, um eine zuverl?ssige Kommunikation zwischen Milliarden von Ger?ten bei m?glichst geringem power zu erm?glichen.

• Fortschrittliche Verpackungstechnologien und heterogene Integration f?rdern die physikalische KI zus?tzlich, indem sie verschiedene Technologien ¨C Rechenleistung, Speicher, HF und power¨C in kompakten, effizienten Systemen vereinen, die f¨¹r den verteilten Einsatz optimiert sind.

Das Echtzeit-Betriebsmodell hinter Physical AI

Da die KI derzeit einen grundlegenden Wandel durchl?uft, um in der realen Welt pr?sent zu sein, m¨¹ssen Anwendungen im Bereich der physischen KI in Echtzeit auf ihre Umgebung reagieren. In unserem letzten Blogbeitrag stellte unser Chief Business Officer, Mike Hogan, ein einfaches, aber leistungsstarkes Rahmenkonzept vor, das die Funktionsweise der physischen KI definiert: Wahrnehmen ¨C Denken ¨C Handeln ¨C Kommunizieren.

• Erfassen: Erfassen Sie Daten aus der physischen Umgebung mithilfe multimodaler Sensoren wie Audio-, Haptik-, optischen, Radar- und Umgebungssensoren.

• Stellen Sie sich vor: Diese Daten lokal zu verarbeiten und auszuwerten, um Entscheidungen in Echtzeit auf deterministische, sichere und gesch¨¹tzte Weise zu treffen.

• ´¡³Ü²õ´Ú¨¹³ó°ù±ð²Ô: Pr?zise und zeitgenaue Aktionen mittels Motoren oder Stellantrieben mit pr?zisen Regelkreisen ausf¨¹hren.

• Kommunikation: Zuverl?ssiger und sicherer Datenaustausch ¨¹ber verteilte Systeme hinweg, vom Edge bis zur Cloud und ger?te¨¹bergreifend.

Jede Schwachstelle ¨C sei es bei der Latenz, power , der Sicherheit oder der Zuverl?ssigkeit ¨C kann jedoch die Gesamtleistung des Systems beeintr?chtigen. Aus diesem Grund werden physische KI-Systeme in Zukunft st?rker ma?geschneidert und anpassungsf?hig sein, um nicht nur die Rechenleistung, sondern auch den realen Betrieb ¨¹ber lange Lebenszyklen hinweg zu optimieren.

?berwindung der power Latenzbeschr?nkungen der physikalischen KI

Power Latenz sind grundlegende Einschr?nkungen auf Systemebene, die die M?glichkeiten der physikalischen KI bestimmen. Diese Anwendungen laufen kontinuierlich unter begrenzten thermischen Bedingungen, oft ohne direkten Zugang zu reichlich vorhandener Energie, und erfordern gleichzeitig Reaktionsf?higkeit in Echtzeit. Mit zunehmendem Halbleiteranteil k?nnen ineffiziente power und ¨¹berm??ige Latenz die Leistung einschr?nken, die Zuverl?ssigkeit beeintr?chtigen und die Lebensdauer verk¨¹rzen.

Durch die Optimierung auf power und extrem niedrige Latenz k?nnen physikalische KI-Systeme unter power, W?rme- und Rechenleistungsbeschr?nkungen mit weniger Ressourcen mehr leisten. Daher ist die Entwicklung innovativer Halbleiterplattformen unerl?sslich, um physikalische KI ¨¹ber Pilotprojekte hinaus und schlie?lich in gesch?ftskritische Umgebungen zu skalieren.

Erm?glichung softwaredefinierter, verteilter Intelligenz

Mit der Weiterentwicklung physischer KI-Systeme verlagert sich der Schwerpunkt der Architekturen weg von zentraler Datenverarbeitung hin zu verteilter Intelligenz. Anstatt alle Daten in die Cloud oder an einen einzelnen Prozessor zu senden, wird die Intelligenz an der Schnittstelle zur realen Welt angesiedelt, sodass sie n?her an dem Ort ist, an dem Daten generiert und Ma?nahmen ergriffen werden.

Software-definierte Architekturen spielen bei diesem Wandel eine entscheidende Rolle. Durch die Entkopplung von Hardware und Software k?nnen Entwickler Funktionen kontinuierlich aktualisieren und verf¨¹gen ¨¹ber die Flexibilit?t, sich weiterentwickelnde KI-Modelle zu unterst¨¹tzen, ohne die eigentliche Hardware neu konzipieren zu m¨¹ssen. Dies ist besonders wichtig bei langlebigen Systemen wie Fahrzeugen, Industrieanlagen und Roboterplattformen.

Physikalische KI heute: Softwaredefinierte Fahrzeuge

Eines der derzeit auff?lligsten Beispiele f¨¹r ?Physical AI¡° ist das softwaredefinierte Fahrzeug (SDV). Moderne Fahrzeuge verf¨¹gen heute ¨¹ber Hunderte von Chips, die fortschrittliche Fahrerassistenzsysteme (ADAS), Infotainment, Konnektivit?t und das Batteriemanagement unterst¨¹tzen. Mit dem zunehmenden Vormarsch von Autonomie, Elektrifizierung und Konnektivit?t steigt jedoch der Halbleiteranteil pro Fahrzeug weiter an. Allein in den letzten f¨¹nf Jahren ist der durchschnittliche Halbleiteranteil pro Fahrzeug von 700 auf 1.000 US-Dollar gestiegen, und sch?tzt, dass diese Zahl bis zum Ende des Jahrzehnts weiter auf etwa 1.400 US-Dollar ansteigen wird.

Diese Systeme st¨¹tzen sich auf leistungsstarke Sensoren, Echtzeitverarbeitung und pr?zise Aktuatoren, um die Sicherheit im Automobilbereich und das Benutzererlebnis zu verbessern ¨C und das alles unter strengen power thermischen Einschr?nkungen.

Physische KI von morgen: Humanoide Roboter

Die gleichen Prinzipien gelten auch f¨¹r neue humanoide Systeme, die ein noch h?heres Ma? an Flexibilit?t ben?tigen, um sich weiterentwickelnde KI-Modelle, Sensorfusionsalgorithmen und Autonomie-Stacks zu unterst¨¹tzen. Denn humanoide Roboter ben?tigen multimodale Sensorik, um ihre Umgebung wahrzunehmen, verteilte Intelligenz, um Daten mit extrem geringer Latenz zu verarbeiten, sowie pr?zise Motorsteuerung, um fl¨¹ssige, menschen?hnliche Bewegungen in Echtzeit mit Dutzenden von Freiheitsgraden auszuf¨¹hren.

Es ¨¹berrascht nicht, dass ein hochwertiger industrieller Humanoid ¨¹ber bis zu viermal so viele Halbleiterkomponenten verf¨¹gt wie SDVs. Diese zunehmende Halbleiterdichte macht eines deutlich: Die Skalierung physischer KI wird von Plattformen abh?ngen, die Echtzeitleistung innerhalb enger Grenzen power, W?rmeentwicklung und Zuverl?ssigkeit liefern k?nnen.

Die Grundlagen f¨¹r die Zukunft der physikalischen KI schaffen

Da die Welle der ?Physical AI¡° Intelligenz aus der Cloud in die physische Welt bringt, wird Erfolg nicht mehr allein durch reine Rechenleistung definiert, sondern durch die F?higkeit, zuverl?ssige, energieeffiziente und anpassungsf?hige Systeme in gro?em Ma?stab bereitzustellen. Bei ÌÇÐÄÊÓƵ suchen wir kontinuierlich nach M?glichkeiten, unsere Technologieplattform f¨¹r diese Zukunft zu verbessern, die auf Sensorik, Entscheidungsfindung in Echtzeit, Aktorik und Kommunikation ausgelegt ist.

Nach unserer k¨¹rzlich erfolgten ?bernahme von MIPS haben wir unsere Plattformen um die MIPS-Produktpalette erweitert, um die wachsenden Chancen im Bereich der physikalischen KI besser nutzen zu k?nnen. Im n?chsten Beitrag dieses Blogs werden wir mit Sameer Wasson, dem CEO von MIPS, dar¨¹ber sprechen, wie wir die Architektur, das geistige Eigentum und das Design von MIPS mit den optimierten Prozesstechnologien von ÌÇÐÄÊÓƵ kombiniert haben, um Rechenlasten zu verbessern und die deterministische Echtzeitleistung zu liefern, die f¨¹r die physikalische KI erforderlich ist.