Hvorfor 'forældet' analog AI pludselig er foran i kapløbet
En grå morgen i Shenzhen, et sted mellem røgfyldte gadekøkkener og blanke kontortårne, bøjer en ung ingeniør sig over et lille, uanseeligt printkort. Ingen futuristisk AI-superchip, intet Nvidia-logo, ingen væskekøling. Bare en håndfuld "gammeldags" analoge komponenter, et oscilloskop og en simpel målesonde.
Mens Silicon Valley øser milliarder ud til endnu kraftigere, endnu varmere AI-chips, bor han i en delt lejlighed og arbejder på noget, der bruger 200 gange mindre strøm. Noget der stadig kan lære, forudsige og genkende mønstre.
Han smiler, da målingen stabiliserer sig. Chippen sluger næsten ingenting. Men signalet er intelligent.
Den skjulte revolution, som ændrer alt om kunstig intelligens
Verden stirrer fascineret på Nvidia-grafer og eksportforbud, mens den egentlige game-changer måske gemmer sig i elektronikkens glemte hjørne: analoge chips. Ikke endeløse rækker af digitale transistorer, men kredsløb der regner med kontinuerligt varierende signaler – næsten som vores hjerne gør det.
Mens Vesten bygger fabrikker til stadig mindre nanometre, finpudser Kina designs, der simpelthen kræver mindre strøm. Meget mindre. 200 gange, ifølge nogle kinesiske forskergrupper. Og den forskel mærkes ikke bare på elregningen – den forandrer, hvad der overhovedet er muligt med AI i hverdagen.
Tag den kinesiske start-up Inspirit AI (fiktivt navn, men repræsentativt for snesevis af laboratorier), som for nylig viste en analog-neuromorf prototype. Intet datacenter, ingen skyskraber fuld af servere. Et kort stort som et kreditkort, der kører på et simpelt batteri og kan genkende billeder i realtid.
I interne tests brugte systemet cirka 1/150 til 1/200 af energien fra et tilsvarende digitalt AI-system. Ikke i et teoretisk papir, men i et støvet laboratorium mellem halvtomme kaffekrus. Det er den slags gennembrud, der får medarbejdere hos amerikanske chipgiganter til at tie stille, selvom det ikke kommer med i den glansfulde keynote.
Sådan udnytter Kina smart analog AI, hvor det virkelig tæller
Analoge AI-chips regner direkte med strøm og spænding uden først at hakke alt ned i ettere og nuller. Derfor behøver de færre trin til samme beregning. Færre trin betyder mindre energi, mindre varme, mindre køling.
Kina har en fordel, fordi landet i årevis har investeret i "godt nok"-teknologi: ikke den allerhutigste, men billig, robust og energieffektiv. Mens Vesten drømmer om exascale AI i datacentre, bygger Kina små, tavse hjerner til droner, kameraer, sensorer og husholdningsapparater.
Det føles pludselig som et helt andet kapløb end hvem, der kan betale for den største GPU.
Hvor energien virkelig forsvinder – og hvem der tjener på det
I en forstad til Chengdu hænger et beskedent overvågningskamera på en betonpæl. Det ser ud som ethvert andet domekamera. Indeni kører ingen high-end GPU, men en analog-neuromorf kerne, der lærer at genkende bevægelse, ansigter og mønstre.
Uden forbindelse til skyen, uden konstant datastrøm til en serverfarm tusindvis af kilometer væk. Kameraet læser gadebilledet som en erfaren lokalbeboer. Det lærer, hvad der er normalt, hvad der afviger, hvem der går forbi hver dag. Og det gør det for en brøkdel af energien, som et vestligt, cloud-afhængigt kamera ville sluge.
Ifølge grove skøn fra kinesiske forskningsinstitutter kan sådanne analoge AI-løsninger reducere energiforbruget i edge-applikationer med 90-99%. Det betyder: et smart landbrugssensornetværk i en afsides provins, der kører på solpaneler, som ellers ikke ville være tilstrækkelige.
Eller en sværm af billige industrirobotter, der ikke behøver tykke strømforsyninger, men stadig kan lære og tilpasse sig lokalt. Vi har alle haft det øjeblik, hvor vi kigger på vores smartphones batteri og tænker: hvorfor er alt, der er "smart", så afhængigt af stikkontakter? Disse chips kører næsten på krummer.
Den tekniske hemmelighed bag 200 gange lavere strømforbrug
Teknisk set er det ikke magi. Ved at udføre beregninger – især matrixmultiplikationer – direkte i det analoge domæne, tæt på hukommelsen, undgår du meget datatransport. Det transport er præcis, hvor digitale systemer mister så meget energi.
Kina kombinerer det med aggressiv optimering i produktionen: brug af ældre, billigere produktionsprocesser (28 nm, 45 nm), som er perfekte til analoge opgaver. Mens Vesten bider sig fast i 3 nm og 2 nm og pumper astronomiske beløb ind i det, høster Kina afkast på teknologi, der regnskabsmæssigt allerede var afskrevet.
Det er ikke en ulempe. Det er en anden strategi.
Hvad Vesten kan gøre lige nu for ikke at blive fuldstændig overhalet
Vil du forstå, hvor mulighederne ligger, så kig ikke kun på Nvidia-aktier, men på stederne, hvor energi er knapt, og forbindelsen ustabil. Dér gør forskellen sig gældende.
Et realistisk første skridt for vestlige virksomheder: flyt små, specifikke arbejdsbyrder til analoge eller mixed-signal acceleratorer. Tænk på talegenkendelse, simpel billedgenkendelse, forudsigende vedligeholdelse. Ikke de storslåede, altomfattende AI-modeller, men opgaverne, der kører 24/7 i baggrunden. Dér sidder den strukturelle energilækage.
Mange R&D-teams i Europa og USA hænger fast i idéen om, at kun den nyeste digitale chip er "seriøs" nok. Det er forståeligt, for al marketing og prestige sidder dér. Alligevel er det tid til at eksperimentere med analoge blokke som coprocessor, ikke som erstatning.
- Acceptér fejlmargener og design algoritmer, der kan håndtere dem
- Arbejd med blandede arkitekturer: analogt til sensing og filtrering, digitalt til tung træning
- Flyt kritiske AI-funktioner så tæt som muligt på sensoren for at begrænse datatrafik
- Investér i talent, der forstår både hardware og algoritmer, ikke kun den ene
- Test i realistiske, beskidte miljøer – ikke kun i sterile laboratorieopsætninger
En anden AI-fremtid end vi ser på konferencer
Gå ind på en vilkårlig vestlig tech-begivenhed, og du ser de samme slides: gigantiske datacentre, luftfotos af solarparker, skinnende sorte GPU-racks med blå LED-striber. Historien er altid større, varmere, dyrere.
Mens et sted i en kinesisk provinsby skruer en ingeniør en sensor-node i en tefabrik, der kan holde i årevis på ét lille panel.
Hvem der kun fokuserer på "big iron", går glip af, hvad der vokser i skyggen: et AI-økosystem, der stille kan lande overalt, hvor der er lidt strøm. I landbrug, sundhed, logistik, forbrugerelektronik. Dér hvor du ikke har glasfiber og megawatt-tilslutning, vinder den mest effektive løsning næsten automatisk.
Hvem tør slippe idéen om, at high-tech skal være maksimalt komplekst?
Spørgsmålet er ikke kun, hvem der bygger den hurtigste AI-chip, men hvem der kan pakke AI så selvfølgeligt som en pære eller en stikkontakt. Analog teknologi, og især i den kinesiske tilgang, skubber præcis i den retning.
Måske er dét det rigtige kapløb: hvem tør slippe, at "high-tech" altid skal være "maksimalt digitalt" og "maksimalt komplekst". Nogle gange er det mest fremsynede skridt faktisk at gribe tilbage til noget, der næsten virker retro. Det skurer med vores billede af innovation, og netop derfor føles det så ubehageligt og interessant på samme tid.
De kommende år vil vi se mere friktion mellem disse to verdener. Vestens GPU-drevne AI og Kinas low-power, analog-ved-kanten AI. Det er fristende at vælge, hvem der har "ret", hvem der er "foran".
Måske er det mere ærligt at erkende, at begge verdener har brug for hinanden: brutal regnekraft til de store modeller, hypereffektive analoge hjerner til milliarderne af små beslutninger i hverdagen.
"Perfekt præcision er en digital besættelse," sagde en kinesisk professor i neuromorf elektronik for nylig på en lukket workshop. "Intelligens opstår netop i gråzonen."
| Nøglepunkt | Detalje | Interesse for læseren |
|---|---|---|
| Analoge AI-chips er ~200x mere effektive | De regner direkte med spændinger og strømme, tæt på hukommelsen | Forstå hvorfor "gammeldags" teknologi bliver strategisk guld værd |
| Kina satser på edge-applikationer | Fokus på kameraer, sensorer, robotter langt fra datacentre | Se hvor næste bølge af AI-innovation vil dukke op i hverdagen |
| Mixed-signal arkitekturer som mellemtrin | Analoge blokke gør forarbejdet, digitale chips behandler resten | Konkrete idéer til at gøre egne systemer mere energieffektive og fremtidssikre |
Ofte stillede spørgsmål:
- Hvad gør analoge AI-chips så meget mere effektive end digitale? De undgår den dyre konvertering af analoge signaler til binære data og tilbage, og udfører beregninger direkte med spændinger og strømme, hvilket kræver mindre energi og mindre datatransport.
- Betyder det, at digitale GPU'er vil forsvinde? Nej, digitale GPU'er forbliver dominerende til træning af store modeller, mens analoge og mixed-signal chips især er interessante til inferens og edge-applikationer.
- Er Kina virkelig foran Vesten i analog AI? Kina har et forspring i skalerbare, praktiske applikationer og i at kombinere ældre produktionsprocesser med nye analoge designs, mens Vesten stadig hovedsageligt tænker digitalt.
- Kan en europæisk eller amerikansk virksomhed komme i gang med det nu? Ja, via pilotprojekter med analoge eller neuromorfe acceleratorer som coprocessor til specifikke opgaver som detektion, filtrering og lokal beslutningstagning i IoT og embedded systemer.
- Er analoge AI-chips ikke for upræcise til seriøse applikationer? De er mindre præcise end digitale systemer, men mange AI-opgaver tåler støj; modeller og algoritmer kan designes til at drage fordel af tilnærmelser i stedet for absolut nøjagtighed.
