Ambient Scientific представила аналоговый чип GPX10 для автономного ИИ на устройствах

Стартап из Кремниевой долины Ambient Scientific выпустил первый серийный чип на аналоговой in-memory архитектуре — GPX10, ориентированный на edge-AI сценарии в устройствах с батарейным питанием. По данным eeNews Europe, новинка обещает стократное преимущество по энергоэффективности, производительности и площади кристалла перед обычными 32-битными микроконтроллерами, при этом оставаясь программируемой через стандартные TensorFlow и PyTorch. Для команд, которые упираются в облачные счета и задержки, это потенциально важный сдвиг — вычисления начинают жить там же, где возникает решение.

Откуда такой запрос

В Ambient Scientific обращают внимание на фундаментальную вещь: по их оценкам, 70–75% энергии при работе ИИ уходит не на сами вычисления, а на перемещение данных между памятью и процессором. Архитектуры x86, ARM, RISC и GPU проектировались задолго до эпохи нейросетей, и для AI-нагрузок они работают впустую — умножение матриц разбивается на множество инструкций, промежуточные результаты гоняются туда-сюда по памяти, и платить приходится не за работу модели, а за её «транспорт».

Для бизнеса это не абстракция. Каждый сценарий с облачным inference — это сетевые задержки, расходы на трафик, зависимость от стабильного канала и юридические нюансы обработки данных на стороне. Когда вы ставите модель в умное кольцо для отслеживания аритмии или в датчик предиктивного обслуживания на производстве, облако просто не вариант — процесс упирается в то, хватит ли аккумулятора хотя бы на одну рабочую смену.

Что предлагает GPX10

Ключевая идея — перенести вычисления внутрь памяти на уровне схемотехники. Аналоговые multiply-accumulate блоки встраиваются прямо в ячейки SRAM, и тяжёлый обмен данными между процессором и RAM исчезает как класс. При этом чип программируется привычными инструментами — TensorFlow и PyTorch, — а значит порог входа для команды остаётся тем же, что и при работе с обычным MCU.

По словам product-лида Ambient Scientific Saharsh Singhania, дорожная карта простирается от однопроцессорного GPX1 до GPX64 с поддержкой компьютерного зрения и NLP, а в перспективе — до серверного процессора, который сможет конкурировать с решениями Nvidia в дата-центрах. Для рынка это означает постепенное появление сценариев, где ИИ живёт не «где-то в облаке», а прямо в точке принятия решения — от носимости до промышленного IoT.

Где здесь осторожность

Пока GPX10 — это анонс и единичные пилоты. Заявленные «в 100 раз» стоит воспринимать как маркетинговую планку, а реальные цифры проверять на собственных сценариях: какая модель, какой батч, какой duty cycle. Прежде чем закладывать архитектуру в долгосрочный процесс, полезно прогнать чип на типовом для вашей команды юзкейсе — точно так же, как разумно проверить отопление купола до бронирования зимнего глэмпинга, а не верить описанию на сайте.

Следите за тремя вещами: выход SDK и его совместимость с вашим стеком данных, появление партнёрских программ для интеграторов и первые независимые бенчмарки по реальным моделям, а не по синтетике. Когда эти точки сойдутся — можно предметно обсуждать пилот с вендором или дистрибьютором и считать эффект на TCO конкретного бизнес-процесса.