Den Weg in das Zeitalter der physischen KI ebnen: Wie GlobalFoundries Echtzeitmaschinen ermöglicht, die wahrnehmen, denken, handeln und kommunizieren

Heute nimmt die physische KI bereits in der realen Welt Gestalt an – von selbstfahrenden Fahrzeugen, die sich in Städten von San Francisco bis Shenzhen fortbewegen, über 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 über autonome Bildgebungssysteme im Gesundheitswesen bis hin zu einer Vielzahl anderer Anwendungen in der realen Welt. Diese nächste Phase der KI führt die KI über Rechenzentren hinaus direkt in die physische Welt – in Form von Maschinen, die in Echtzeit mit ihrer Umgebung interagieren.

Die Bereitstellung dieser Funktionen in großem Maßstab bringt jedoch neue Herausforderungen und Chancen für 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“ ermöglicht, den Sprung von der frühen Einführungsphase zum flächendeckenden Einsatz zu schaffen.

Speziell entwickelte Halbleiterplattformen für physikalische KI

Physikalische KI führt immer umfangreichere Arbeitslasten ein, die die Anforderungen an Halbleiter grundlegend verändern. Die Anforderungen der physikalischen KI bieten GF eine enorme Chance, zuverlässige, energieeffiziente und hochintegrierte Plattformen bereitzustellen, die sich im Laufe der Zeit anpassen lassen.

So ermöglichen unsere Plattformen diese nächste Welle der physischen KI:

• Die branchenführende FDX-Plattform von GF eignet sich dank ihres extrem geringen power ihrer geringen Leckstromwerte, ihrer überragenden HF-Leistung, power integrierten power und ihres äußerst zuverlässigen Betriebs bei Temperaturen von bis zu 150 Grad Celsius ideal für Anwendungen im Bereich der physikalischen KI, die auf eine lange Batterielebensdauer bei kompakten Bauformen ausgelegt sind.

• Die differenzierte FinFET-Plattform von GF bietet eine höhere Leistung bei optimalem power und ist vollständig auf integrierte Lösungen optimiert. Damit ermöglicht sie eine effiziente Sensorik, Echtzeitverarbeitung und nahtlose Kommunikation in realen Umgebungen.

• Speicherlösungen wie MRAM und RRAM bieten Optionen für eingebettete nichtflüchtige Speicher mit geringem power und den schnellsten Zugriffszeiten auf dem Markt. Damit können Kunden mit vorab validiertem Speicher-IP von Grund auf differenzierte Systeme entwickeln. Dies ist entscheidend für zukunftssichere Physical-AI-Designs, da die Skalierung herkömmlicher Speicher sowohl an physikalische als auch an wirtschaftliche Grenzen stößt.

• Innovationen in den Bereichen Siliziumphotonik und Hochfrequenztechnik treiben die Hochgeschwindigkeitsvernetzung voran, indem sie die Geschwindigkeit und Bandbreite der Verbindungen innerhalb und außerhalb der Anwendung erhöhen, um eine zuverlässige Kommunikation zwischen Milliarden von Geräten bei möglichst geringem power zu ermöglichen.

• Fortschrittliche Verpackungstechnologien und heterogene Integration fördern die physikalische KI zusätzlich, indem sie verschiedene Technologien – Rechenleistung, Speicher, HF und power– in kompakten, effizienten Systemen vereinen, die für den verteilten Einsatz optimiert sind.

Das Echtzeit-Betriebsmodell hinter Physical AI

Da die KI derzeit einen grundlegenden Wandel durchläuft, um in der realen Welt präsent zu sein, müssen 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 – Denken – Handeln – 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 geschützte Weise zu treffen.

• Ausführen: Präzise und zeitgenaue Aktionen mittels Motoren oder Stellantrieben mit präzisen Regelkreisen ausführen.

• Kommunikation: Zuverlässiger und sicherer Datenaustausch über verteilte Systeme hinweg, vom Edge bis zur Cloud und geräteübergreifend.

Jede Schwachstelle – sei es bei der Latenz, power , der Sicherheit oder der Zuverlässigkeit – kann jedoch die Gesamtleistung des Systems beeinträchtigen. Aus diesem Grund werden physische KI-Systeme in Zukunft stärker maßgeschneidert und anpassungsfähig sein, um nicht nur die Rechenleistung, sondern auch den realen Betrieb über lange Lebenszyklen hinweg zu optimieren.

Überwindung der power Latenzbeschränkungen der physikalischen KI

Power Latenz sind grundlegende Einschränkungen auf Systemebene, die die Möglichkeiten der physikalischen KI bestimmen. Diese Anwendungen laufen kontinuierlich unter begrenzten thermischen Bedingungen, oft ohne direkten Zugang zu reichlich vorhandener Energie, und erfordern gleichzeitig Reaktionsfähigkeit in Echtzeit. Mit zunehmendem Halbleiteranteil können ineffiziente power und übermäßige Latenz die Leistung einschränken, die Zuverlässigkeit beeinträchtigen und die Lebensdauer verkürzen.

Durch die Optimierung auf power und extrem niedrige Latenz können physikalische KI-Systeme unter power, Wärme- und Rechenleistungsbeschränkungen mit weniger Ressourcen mehr leisten. Daher ist die Entwicklung innovativer Halbleiterplattformen unerlässlich, um physikalische KI über Pilotprojekte hinaus und schließlich in geschäftskritische Umgebungen zu skalieren.

Ermöglichung 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 näher an dem Ort ist, an dem Daten generiert und Maßnahmen ergriffen werden.

Software-definierte Architekturen spielen bei diesem Wandel eine entscheidende Rolle. Durch die Entkopplung von Hardware und Software können Entwickler Funktionen kontinuierlich aktualisieren und verfügen über die Flexibilität, sich weiterentwickelnde KI-Modelle zu unterstützen, ohne die eigentliche Hardware neu konzipieren zu müssen. Dies ist besonders wichtig bei langlebigen Systemen wie Fahrzeugen, Industrieanlagen und Roboterplattformen.

Physikalische KI heute: Softwaredefinierte Fahrzeuge

Eines der derzeit auffälligsten Beispiele für „Physical AI“ ist das softwaredefinierte Fahrzeug (SDV). Moderne Fahrzeuge verfügen heute über Hunderte von Chips, die fortschrittliche Fahrerassistenzsysteme (ADAS), Infotainment, Konnektivität und das Batteriemanagement unterstützen. Mit dem zunehmenden Vormarsch von Autonomie, Elektrifizierung und Konnektivität steigt jedoch der Halbleiteranteil pro Fahrzeug weiter an. Allein in den letzten fünf Jahren ist der durchschnittliche Halbleiteranteil pro Fahrzeug von 700 auf 1.000 US-Dollar gestiegen, und S&P Global Mobility schätzt, dass diese Zahl bis zum Ende des Jahrzehnts weiter auf etwa 1.400 US-Dollar ansteigen wird.

Diese Systeme stützen sich auf leistungsstarke Sensoren, Echtzeitverarbeitung und präzise Aktuatoren, um die Sicherheit im Automobilbereich und das Benutzererlebnis zu verbessern – und das alles unter strengen power thermischen Einschränkungen.

Physische KI von morgen: Humanoide Roboter

Die gleichen Prinzipien gelten auch für neue humanoide Systeme, die ein noch höheres Maß an Flexibilität benötigen, um sich weiterentwickelnde KI-Modelle, Sensorfusionsalgorithmen und Autonomie-Stacks zu unterstützen. Denn humanoide Roboter benötigen multimodale Sensorik, um ihre Umgebung wahrzunehmen, verteilte Intelligenz, um Daten mit extrem geringer Latenz zu verarbeiten, sowie präzise Motorsteuerung, um flüssige, menschenähnliche Bewegungen in Echtzeit mit Dutzenden von Freiheitsgraden auszuführen.

Es überrascht nicht, dass ein hochwertiger industrieller Humanoid über bis zu viermal so viele Halbleiterkomponenten verfügt wie SDVs. Diese zunehmende Halbleiterdichte macht eines deutlich: Die Skalierung physischer KI wird von Plattformen abhängen, die Echtzeitleistung innerhalb enger Grenzen power, Wärmeentwicklung und Zuverlässigkeit liefern können.

Die Grundlagen für 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 Fähigkeit, zuverlässige, energieeffiziente und anpassungsfähige Systeme in großem Maßstab bereitzustellen. Bei GF suchen wir kontinuierlich nach Möglichkeiten, unsere Technologieplattform für diese Zukunft zu verbessern, die auf Sensorik, Entscheidungsfindung in Echtzeit, Aktorik und Kommunikation ausgelegt ist.

Nach unserer kürzlich erfolgten Übernahme von MIPS haben wir unsere Plattformen um die MIPS-Produktpalette erweitert, um die wachsenden Chancen im Bereich der physikalischen KI besser nutzen zu können. Im nächsten Beitrag dieses Blogs werden wir mit Sameer Wasson, dem CEO von MIPS, darüber sprechen, wie wir die Architektur, das geistige Eigentum und das Design von MIPS mit den optimierten Prozesstechnologien von GF kombiniert haben, um Rechenlasten zu verbessern und die deterministische Echtzeitleistung zu liefern, die für die physikalische KI erforderlich ist.