Gemeinsam die Ära der physikalischen KI meistern: Fragen und Antworten mit Sameer Wasson, CEO von MIPS

Während sich die physikalische KI vom Konzept hin zur praktischen Umsetzung entwickelt, muss die Intelligenz in Echtzeit und unter strengen Vorgaben power, Latenz, Sicherheit und Kosten auf die Geräte am Netzwerkrand verteilt werden.

Um sich auf den Durchbruch der Physical-AI-Ära vorzubereiten, hat GF das Unternehmen MIPS übernommen, einen führenden Anbieter von IP, Software und Tools für KI und eingebettete Prozessoren. Wir haben uns mit Sameer Wasson, dem CEO von MIPS, zusammengesetzt, um zu erörtern, wie die gebündelten Stärken der Architektur, des IP und des Designs von MIPS in Verbindung mit den differenzierten Prozesstechnologien von GF den Kunden einen einzigartigen Weg zur Physical AI eröffnen: deterministische, sicherheitsfähige Rechenleistung am Edge, die die nächste Generation realer Maschinen ermöglicht, die in Echtzeit wahrnehmen, denken, handeln und kommunizieren – und wie die speziell entwickelten Plattformen von GF dies in großem Maßstab ermöglichen.

Warum war die Integration von MIPS in GF der richtige strategische Schritt, um den Markt für physikalische KI zu erschließen?

Die KI befindet sich an einem Wendepunkt, und Kunden benötigen deterministische Echtzeit-Intelligenz, die sicher und zuverlässig mit der physischen Welt interagiert – was wir als „Physical AI“ bezeichnen. MIPS bringt eine 40-jährige Tradition effizienter, skalierbarer Rechenleistung für leistungskritische Systeme mit, die sich nun auf RISC-V-Anwendungsprozessoren und Echtzeit-Subsysteme konzentriert, die auf geringe Latenz, funktionale Sicherheit und power ausgelegt sind. In Kombination mit den differenzierten Prozesstechnologien und der globalen Fertigung von GF erhalten Kunden etwas Einzigartiges: eine Plattform, die IP, kundenspezifische Halbleiter und Serienfertigung umfasst, sodass sie schneller zu funktionsfähigen Halbleitern gelangen und diese auf die reale Edge-KI zuschneiden können.

Von der Ausstattung des 1996 erschienenen Nintendo 64 über die hochmodernen EyeQ6-Chips von Mobileye für Fahrerassistenzsysteme – von denen bereits über 200 Millionen ADAS-SoCs ausgeliefert wurden – bis hin zur Grundlage für die Infrastruktur führender Cloud-Hyperscaler: Wir verfügen über eine langjährige Erfolgsbilanz bei der Bereitstellung von anwendungsorientierter Leistung in großem Maßstab.

Die Entscheidung von GF, MIPS im vergangenen Jahr zu übernehmen, beruhte auf dem Bestreben, gemeinsam ein flexibleres und differenzierteres Angebot für Kunden zu schaffen, indem die führende Prozesstechnologie und die Fertigungskapazitäten von GF mit der Prozessor-IP und den Software-Lösungen von MIPS kombiniert werden. Dies war der Kerngedanke hinter der Entscheidung, mit dem gemeinsamen Ziel, unseren Kunden zu helfen, schneller funktionsfähige Chips zu entwickeln und diese an die realen Anforderungen der Edge-KI anzupassen. Der Zeitpunkt könnte angesichts des sprunghaften Anstiegs der KI-Nachfrage in den Bereichen Transport, Kommunikation und Rechenzentrumsinfrastruktur, Robotik sowie auf den Märkten für intelligente Edge-Lösungen nicht passender sein.

Wie kommt Intelligenz in den einzelnen Phasen der physischen KI-Workloads für Kunden zum Tragen?

Physical AI nutzt die Leistungsfähigkeit von KI-Modellen aus dem Rechenzentrum und setzt sie am Netzwerkrand ein. Die Grundlage von Physical AI bildet das, was ich gerne als S.T.A.C. bezeichne – die Closed-Loop-Workload, die es Plattformen ermöglicht, zu „wahrnehmen“, zu „denken“, zu „handeln“ und zu „kommunizieren“, und die Edge-Plattformen in die Lage versetzt, intelligent zu sein, ohne dabei Kompromisse bei Latenz, Sicherheit, Datenschutz oder Effizienz einzugehen. Jede Stufe hat spezifische Rechen- und Systemanforderungen, und die erfolgreichsten Plattformen optimieren diese gemeinsam, anstatt einzelne Komponenten überdimensioniert auszuführen.

Für Sense sammelt das System Echtzeitdaten von Sensoren wie Kameras, LiDAR, Radar und analogen Eingängen, um seine Umgebung zu erfassen. Es muss diese unterschiedlichen Datentypen effizient zusammenführen und priorisieren, dabei aber strenge power einhalten.

In der „Think“-Phase wertet das System Sensordaten zügig aus und trifft Entscheidungen mithilfe von geräteinterner KI und Steuerungsalgorithmen. Dies erfordert eine leistungsstarke Rechenleistung mit geringer Latenz, die innerhalb strenger power deterministische Ergebnisse liefert – insbesondere für Roboter und Fahrzeuge, die am Netzwerkrand betrieben werden.

In der Ausführungsphase wandelt das System Entscheidungen in physische Bewegungen um, indem es Motoren, Stellantriebe, Bremsen oder Roboterarme steuert. Diese Phase erfordert extrem niedrige Latenzzeiten und äußerst zuverlässige Reaktionen, damit Aktionen wie das Bremsen oder das Ausweichen vor Hindernissen innerhalb von Millisekunden erfolgen.

In der „Communicate“-Phase tauscht das System Informationen intern und extern aus – zwischen Teilsystemen, anderen Geräten, der Cloud oder sogar Menschen. Dies erfordert eine sichere Verbindung mit geringer Latenz sowie die Unterstützung mehrerer Kommunikationsstandards (wie ^Bluetooth® LE oder 5G), ohne dass es zu Verzögerungen kommt.

Im Wesentlichen gibt es in jeder Phase verschiedene Arten von Intelligenz, von Algorithmen zur präzisen Bewegungsausführung bis hin zur fortschrittlichen Verarbeitung multimodaler Wahrnehmungsdaten. Die Arbeitslast jedes Kunden wird innerhalb des S.T.A.C.-Kreislaufs etwas anders ausfallen, weshalb Flexibilität entscheidend ist, um Physical AI am Edge erfolgreich zu implementieren – ohne dabei die Vorgaben power, Latenz oder Sicherheit zu überschreiten.

An welchen Stellen unterscheidet sich MIPS innerhalb des S.T.A.C.-Zyklus?

MIPS unterscheidet sich in zwei wesentlichen Punkten; einer davon ist unser „Software-First“-Co-Design-Ansatz. Zunächst erstellen wir ein Profil der Arbeitslast des Kunden, indem wir dessen Stack auf unseren virtuellen Plattformen und Kernsimulatoren ausführen, um Engpässe frühzeitig aufzudecken. Anschließend passen wir die Chip-Architektur entsprechend an – von maßgeschneiderten Befehlen bis hin zu Optimierungen des Speichersubsystems –, damit der ausgelieferte SoC vom ersten Tag an die realen KPIs erfüllt. Unsere virtuelle Plattform „Atlas Explorer“ ist ein gutes Beispiel für diesen „Shift-Left“-Ansatz.

Der zweite Punkt ist unsere umfassende, anwendungsspezifische Hardware-Optimierung auf Basis von Open RISC-V. Da unsere IP modular aufgebaut ist, können wir Kerne und Subsysteme individuell anpassen. MIPS leistet seit Jahren Pionierarbeit bei der Entwicklung von Multithreading- und funktionalen Sicherheitsfunktionen in unserer Prozessor-IP, um ereignisgesteuerte, deterministische Echtzeitleistung und funktionale Sicherheit zu gewährleisten.

Letztendlich ermöglichen wir unseren Kunden, ihre Workloads auf unseren Kernmodellen auszuführen, um bereits vor der Siliziumfertigung Einblicke in das Plattformdesign zu gewinnen. Dies hilft unseren Kunden dabei, ihre Workloads und die Auswahl der IP-Blöcke auf die jeweiligen Phasen der Workloads abzustimmen, die sie bearbeiten möchten. Der offene und modulare Charakter von RISC-V ermöglicht es uns, gezielte Workload-Optimierungen auf Hardwareebene bis hinunter auf die Kernebene vorzunehmen und so ein hohes Maß an Effizienz und Leistung zu erzielen.

Sie haben über den „Software-First“-Ansatz von MIPS gesprochen. Wie sieht das in der Praxis aus?

Das bedeutet, dass wir zunächst die Software-Workloads des Kunden analysieren und profilieren, bevor wir die Hardware festlegen. Indem wir zunächst die Software-Workloads verstehen, können wir Erkenntnisse für Optimierungen liefern, die beim gemeinsamen Design von Software und Hardware helfen. Auf diese Weise können wir Engpässe oder bestimmte Funktionen identifizieren, die viele Rechenzyklen beanspruchen, und dann unsere IP so optimieren, dass diese effizient bewältigt werden. Wenn beispielsweise die Navigationssoftware einer autonomen Drohne die CPU stark belastet, könnten wir eine benutzerdefinierte Anweisung einführen oder das Speichersubsystem anpassen, um sie zu beschleunigen. Dieser Co-Design-Prozess schafft eine enge Rückkopplungsschleife zwischen Software und Hardware. Da die Nachfrage nach leistungsstarken, domänenspezifischen Rechenleistungen zunimmt, wird die Fähigkeit, die Interaktionen zwischen Workloads und anpassbaren Rechenplattformen zu analysieren und zu optimieren, zu einem echten Wettbewerbsvorteil.

Ein „Software-First“-Ansatz überbrückt die Kluft zwischen Hardware- und Software-Teams, ermöglicht intelligentere architektonische Entscheidungen und schafft einen skalierbaren, risikoarmen Arbeitsablauf für die Entwicklung physischer KI-Plattformen, die auf realistische Leistungsziele abgestimmt sind.

Mit anderen Worten: Wenn die Chips fertiggestellt sind, läuft die Kundensoftware bereits reibungslos auf dem Silizium. Dieses Kooperationsmodell verkürzt letztlich die Markteinführungszeit, da wir die gesamte Feinabstimmung bereits im Vorfeld vorgenommen haben. Es verringert zudem das Risiko in den Produktionszyklen und ermöglicht engere Partnerschaften – wir arbeiten Hand in Hand mit unseren Kunden, was bedeutet, dass wir nicht nur ein Lieferant sind, sondern ein Partner bei ihrer Produktentwicklung. Letztendlich führt eine „Software-first“-Denkweise zu einem skalierbaren, risikoarmen Workflow für den Aufbau von Physical-AI-Plattformen: Sie erhalten die benötigte Leistung mit weniger Überraschungen und erreichen Ihre Leistungsziele wesentlich zuverlässiger.

Wie würden Sie das Wertversprechen des kombinierten GF- und MIPS-Portfolios beschreiben?

Es geht um die Nutzung von Plattformvorteilen. Die Anforderungen an neue physische KI-Produkte konzentrieren sich auf das GF- und MIPS-Portfolio: Es besteht Bedarf an power extrem geringem power , die unter rauen Bedingungen zuverlässig, sicher und geschützt arbeiten und mit Intelligenz ausgestattet sind – und die zudem eine widerstandsfähige Lieferkette gewährleisten. Gemeinsam erfüllen wir die entscheidenden Anforderungen der nächsten Generation physischer KI-Produkte, indem wir fortschrittliche Halbleitertechnologie mit intelligentem Prozessordesign verbinden.

power von GF, darunter die FDX- und FinFET-Plattformen, ermöglichen eine vollständige Systemintegration und reduzieren power durch adaptive Body-Biasing, um die engen power einzuhalten, die Physical-AI-Anwendungen erfordern. Die integrierten Speicher, die HF-Integration und die fortschrittlichen Packungstechnologien von GF ermöglichen es uns zudem, hochintegrierte, effiziente SoCs zu entwickeln, auf die Physical AI angewiesen ist, um in den eingesetzten Systemen Echtzeit-Reaktionsfähigkeit und power zu gewährleisten.

Dank dieser Synergie unserer Portfolios können wir unseren Kunden nun helfen:

• Erzielen Sie den branchenweit niedrigsten power den höchsten Integrationsgrad

• Erfüllen Sie die Anforderungen an Latenz, power Kosten für Edge-Geräte

• Die Markteinführungszeit verkürzen und die Widerstandsfähigkeit der Lieferkette stärken

Was hat Sie als CEO von MIPS an GF gereizt, sich mit dem dortigen Team zusammenzuschließen?

Für mich ging es schon immer darum, wie wir den größtmöglichen Mehrwert für unsere Kunden schaffen können. Als ich darüber nachdachte, was wir angesichts des sich rasch entwickelnden Marktes für physikalische KI gemeinsam erreichen könnten, war die Entscheidung klar. Mit dieser Übernahme haben wir ein umfassenderes Modell für die Kundenbindung geschaffen, das es uns ermöglicht, Kunden auf verschiedenen Ebenen zu unterstützen, darunter im Bereich geistiges Eigentum, kundenspezifische Halbleiter und Software.

Nur sehr wenige Unternehmen können ein derart umfassendes Leistungsspektrum bieten. Wenn ein handelsüblicher Standardchip den Anforderungen eines Kunden nicht gerecht wird, entwickeln wir nun einen, der diese erfüllt, und fertigen ihn für ihn. Genau diese Art von Partnerschaft hat mich überzeugt.

Über den Aufbau führender Technologieplattformen hinaus ermöglicht uns die weltweit verteilte, widerstandsfähige Produktionspräsenz von GF, unsere Aktivitäten zu skalieren und uns als Vorreiter in wachstumsstarken Bereichen wie autonomes Fahren, intelligente Geräte und industrielle Automatisierung zu positionieren. Diese geografische Reichweite und unsere herausragende Fertigungskompetenz sind für mich ein entscheidender Vorteil für unsere Kunden.

Eine letzte Frage an dich, Sameer. Worauf freust du dich am meisten, wenn man die Entwicklung der physikalischen KI betrachtet?

Ehrlich gesagt begeistert es mich am meisten, zu sehen, wie unsere Technologie in der realen Welt zum Leben erwacht. Die humanoiden Roboter, die nächste Generation autonomer Fahrfunktionen – all das ist längst keine Science-Fiction mehr. Die Funktionen autonomer Fahrzeuge, die derzeit in Produktion sind, haben bereits das übertroffen, was viele einst für zu diesem Zeitpunkt möglich gehalten hätten. Angesichts der Geschwindigkeit, mit der sich die physische KI entwickelt, glaube ich zudem, dass wir in den nächsten Jahren völlig neue Anwendungen erleben werden, die noch nicht einmal auf dem Radar sind. So könnten wir beispielsweise bald Roboter in Krankenhäusern haben, die Routineeingriffe durchführen, oder agile Lieferdrohnen, die sich nahtlos durch komplexe Umgebungen navigieren. Ich freue mich besonders auf diese „Premieren“ – das erste Mal, dass jemandem durch die blitzschnelle Entscheidung eines KI-gesteuerten Fahrzeugs das Leben gerettet wird, oder den ersten Haushaltsroboter, der seine Umgebung wirklich versteht und auf menschenähnliche Weise mit ihr interagiert. Das werden Meilensteine sein.

Ich freue mich auf den Tag, an dem Geräte, die mit unseren Full-Stack-Lösungen betrieben werden, in der Welt im Einsatz sind und etwas bewegen – sei es in einem Auto, das einen Unfall verhindert, oder bei einem Roboter in einem Lager, der die Abläufe sicherer und effizienter macht. Zu sehen, wie unsere Arbeit alltäglichen Maschinen ein neues Maß an Autonomie und Intelligenz ermöglicht – das ist die Belohnung. Und angesichts der rasanten Entwicklung in diesem Bereich vermute ich, dass wir nicht lange warten müssen, um einige erstaunliche Durchbrüche mitzuerleben.