Mens datacentre svulmer og strømregninger eksploderer, skubber Kina stille en glemt beregningsmetode tilbage i rampelyset.
Ingeniører i Beijing arbejder på en chip, der ikke tænker i bits, men i spændinger og strømme. Ingen klassisk logik, men fysik der regner direkte. Den tilgang lød forældet i årtier. Nu virker den pludselig præcis tilpasset den moderne AI’s energisult.
En analog AI-chip der forbruger 200 gange mindre energi
Forskere fra Peking University har præsenteret en ny AI-chip, der bryder radikalt med den digitale standard. Resultaterne overrasker selv inden for den akademiske verden.
- Op til 12 gange hurtigere end avancerede digitale processorer
- Op til 200 gange lavere energiforbrug til samme opgave
- Designet til rigtige AI-applikationer, ikke kun laboratoriedemonstrationer
Ved at regne direkte i hukommelsen undgår chippen den kostbare pendling af data mellem hukommelse og beregningskerne og lader fysikken selv udføre arbejdet.
Hvor GPU’er som Nvidias H100 sluger megawatt i store serverhaller, sigter denne analoge chip mod ekstremt effektive beregninger i kompakt format. Det sætter pres på den nuværende model af “flere og flere datacentre, mere og mere strøm”.
Tilbage til analog: beregning som i 60’erne, men smart
Hvad gør en analog computer så anderledes?
Før mikroprocessorens revolution brugte ingeniører allerede analoge computere. De repræsenterede ikke tal som lange rækker af nuller og ettaller, men som kontinuerte størrelser: en spænding på en ledning, en strøm i et kredsløb.
Digitale chips arbejder trin for trin. Hver beregning opdeles i elementære instruktioner, som processoren håndterer sekventielt. Den tilgang er fleksibel og pålidelig, men koster mange skift og energi.
Analoge kredsløb fungerer fundamentalt anderledes. Et netværk af komponenter udfører i én enkelt fysisk tilstand straks en hel beregning. Parallelisme ligger ikke i softwaren, men i naturlovene selv.
- Digital AI: mange instruktioner, mange databevægelser, høj præcision
- Analog AI: én fysisk proces, få databevægelser, begrænset men ofte “nok” præcision
Længe gjaldt det som upraktisk: for meget støj, svært at kontrollere, besværligt at programmere. Takket være nye materialer, mere stabile komponenter og smart fejlkorrektion får disse tvivl en anden vægt. Hvor AI-modeller ikke behøver perfekt præcision, bliver ulemperne mindre end fordelene.
In-memory computing: hvor data står, regnes der med det samme
Den nye kinesiske chip bygger videre på idéen om “in-memory computing”. I stedet for at sende data frem og tilbage mellem hukommelse og processor udfører hukommelsen selv beregningen.
For AI-opgaver betyder det: et models vægte er i hukommelsen som fysiske værdier, og regneoperationen sker ved blot at anlægge en spænding. Resultatet kommer ud som en anden spænding eller strøm, uden tusindvis af digitale instruktioner.
Hver undgået flytning af data sparer ikke kun tid, men også varme, køling og i sidste ende penge på energiregningen.
Fra matematisk trick til fysisk operation
NMF: en kerneteknik bagt ind i siliciumet
Centralt i den kinesiske chip står en matematisk metode: Non-negative Matrix Factorisation (NMF). Den opdeler en stor tabel med kun positive værdier i to mindre, simplere tabeller. Det lyder abstrakt, men i praksis udgør det rygraden i mange dataapplikationer.
Eksempler hvor NMF spiller en rolle:
- Anbefalingssystemer til video og musik
- Billedkomprimering og støjreduktion
- Emnemodeller for tekster og søgninger
- Medicinsk billedanalyse, såsom MR-scanninger
På digital hardware koster NMF meget regnekraft, især når millioner af brugere eller pixels er involveret. Chippen fra Beijing støber NMF direkte i et analogt kredsløb. Faktoriseringen sker i én fysisk proces i stedet for tusindvis af digitale trin.
Dermed skubbes en besværlig softwareopgave over til en slags “fysisk genvej”. Chippens komponenter, ofte memristorer eller lignende hukommelseselementer, repræsenterer matrixelementer som ledningsværdier. Multiplikation og summer sker gennem strømme, der fordeler sig ifølge Ohms og Kirchhoffs love.
Fra teori til brugsscenarier: anbefalinger og billeder
Forskerne testede chippen med datasæt, der ligner dem fra platforme som Netflix eller Yahoo. Brugerprofiler, præferencer, seeradfærd: alt sammen data, der egner sig godt til NMF. Den analoge chip opnåede en sammenlignelig kvalitet af anbefalinger, men med en brøkdel af energiforbruget.
Ved billedbehandling udførte de komprimeringsopgaver. Chippen reducerede datamængden med omkring halvdelen, mens den visuelle kvalitet forblev tæt på præcis digital komprimering. For forbrugere betyder sådan en tilgang senere muligvis streaming i høj kvalitet på enheder med små batterier eller kameraer, der fungerer meget smartere lokalt.
En AI-model behøver ikke altid at spytte præcis de samme bits ud som sin digitale modpart, så længe anbefalingen, diagnosen eller billedkvaliteten forbliver overbevisende.
Hvorfor nutidens AI forbrænder så meget energi
GPU’er sidder fast i datatrafikken
At store modeller kræver meget regnekraft er velkendt. Mindre synligt er, at flaskehalsen ofte ikke er den rå beregningshastighed, men den konstante transport af data.
En typisk GPU indlæser datablokke fra hukommelsen, behandler dem, skriver resultater tilbage og gentager det millioner af gange. Hver cyklus kræver tid og energi. Med modeller med milliarder af parametre løber det løbsk.
Dertil kommer kølingen. Den varme disse chips producerer tvinger datacentre til dyre køleinstallationer og komplekse designs. Energi forbruges altså dobbelt: først i selve chippen, derefter i infrastrukturen omkring chippen.
Analoge in-memory arkitekturer vender den logik på hovedet. Hvor digitale chips slynger data frem og tilbage, regner den analoge chip præcis på det sted, hvor informationen er lagret. Det reducerer energien per operation drastisk og skærer samtidig behovet for kraftig køling ned.
Konsekvenser for Kina, Europa og AI-industrien
Strategisk timing for Beijing
Kina kæmper med eksportrestriktioner på avancerede GPU’er og kompenserer rigeligt med egen forskning i alternativ hardware. En analog AI-chip, der i nogle scenarier virker hurtigere og mere effektiv end vestlige digitale konkurrenter, giver et geopolitisk trumfkort.
Derudover passer teknologien ind i den kinesiske ambition om at styre industriens energiforbrug strengere. Datacentre i landet vokser hurtigt; et mere effektivt hardwarelag kan her tjene som argument over for tilsynsmyndigheder og lokale myndigheder.
| Aspekt | Digital AI-chip (GPU) | Analog AI-chip (Beijing) |
|---|---|---|
| Beregningsprincip | Binær logik, sekventielle instruktioner | Fysiske processer, parallelt gennem kredsløbet |
| Databevægelse | Intensiv frem og tilbage mellem hukommelse og beregningskerne | Beregning i selve hukommelsen |
| Energiforbrug | Højt, meget varme og køling nødvendigt | Op til 200x lavere for bestemte opgaver |
| Præcision | Meget høj, brugbar til generelle opgaver | Begrænset, men tilstrækkelig til mange AI-applikationer |
Muligheder og risici for europæiske aktører
For europæiske virksomheder og forskningscentre åbner dette et ubehageligt spørgsmål: fortsætter man med at satse på klassiske GPU’er, eller bevæger man sig mod hybride og analoge løsninger?
Europa besidder ekspertise i niche-chipdesign, energieffektiv elektronik og fotonik. Disse domæner tilslutter sig godt analog og in-memory computing. De, der nu satser på applikationer som medicinsk AI, smarte fabrikker eller edge-applikationer i byer, kan drage fordel af samarbejde med lignende initiativer eller egne varianter af denne type chips.
Samtidig opstår nye risici. Analoge kredsløb reagerer følsomt på temperatur, aldring og produktionsvariationer. Pålidelig kalibrering og overvågning bliver afgørende emner. Også softwarestakken – fra programmeringssprog til frameworks – står stadig i sin vorden. Virksomheder, der migrerer for hurtigt uden moden værktøjskasse, løber ind i integrationsproblemer.
Hvad denne udvikling konkret kan betyde
Anvendelser uden for de store datacentre
Den meste opmærksomhed går nu til enorme AI-modeller i skyen, men netop mindre, målrettede applikationer kan først drage fordel af analoge chips:
- Industrielle sensornetværk, der udfører lokal mønstergenkendelse
- Medicinsk udstyr, der analyserer billeder i realtid uden tunge servere
- Autonome køretøjer og droner med begrænset batteribudget
- Forbrugerelektronik, der tilbyder personaliserede funktioner uden løbende at uploade data
I alle disse scenarier tæller hver milliwatt. En chip, der med begrænset nøjagtighed men ekstremt effektivt regner, passer bedre end en gigantisk GPU i en fjern serverhal.
Et skift i hvordan vi tænker på “præcision”
Den kinesiske chip afslører også et filosofisk skift: ikke hver AI-opgave har brug for perfekt numerisk præcision. For en anbefaling, en komprimeringsalgoritme eller en grov forudsigelse ligger standarden anderledes end for en finansiel beregning.
Dermed opstår der rum for arkitekturer, der bevidst opgiver en del af præcisionen til gengæld for enorm energigevinst. Virksomheder, der smart segmenterer deres applikationer – kritiske opgaver digitalt, tolerante opgaver analogt – kan finde en gunstig balance mellem ydeevne og omkostninger.
For udviklere betyder dette, at de snart ikke kun skal vælge en model, men også en “fysisk bærer”: kører en recommender bedre på en analog NMF-chip, eller forbliver den på en klassisk GPU? Den afvejning, i dag stadig sjælden, kan inden for få år blive lige så normal som valget mellem CPU og GPU nu.
