Statt endlose Folgen aus Einsen und Nullen wie ein klassischer Prozessor abzuarbeiten, setzt dieser experimentelle Chip auf analoge Physik, um KI-Aufgaben zu erledigen. Das Versprechen klingt drastisch: Workloads im Massstab von Rechenzentren – aber mit einem winzigen Bruchteil der Energiekosten.
Eine 50 Jahre alte Idee – neu gebaut fürs KI-Zeitalter
Über Jahrzehnte folgte die Computerentwicklung einem bekannten Muster: mehr Transistoren, kleinere Strukturen, höhere Taktfrequenzen. Dieses digitale Rezept brachte uns Smartphones, Cloud Computing und moderne KI – und gleichzeitig ein zunehmend schwieriges Energieproblem.
Forschende der Peking University wollen dieses Muster bewusst durchbrechen. Ihr KI-Chip-Prototyp verabschiedet sich von binärer Logik als Grundprinzip. Stattdessen verarbeitet er Informationen über analoge Schaltungen: als kontinuierliche elektrische Signale, nicht als diskrete Bits.
„Dieser analoge KI-Chip soll zentrale Workloads bis zu 12 mal schneller als fortschrittliche digitale Prozessoren ausführen – bei rund 1/200th des Energieverbrauchs.“
Die Grundidee ist nicht neu. Bevor sich digitale Rechner durchsetzten, nutzten Ingenieurinnen und Ingenieure analoge Computer, um Gleichungen zu lösen, indem sie Spannungen und Ströme gezielt formten. Neu ist der Anspruch, diesen Ansatz mit moderner Fertigung wieder praktikabel zu machen – und ihn direkt mit KI-Algorithmen zu koppeln.
Wie analoges Rechnen die Gleichung verändert
Von Schritt-für-Schritt-Logik zu Physik, die die Arbeit übernimmt
Digitale Prozessoren zerlegen Aufgaben in lange Ketten einzelner Operationen. Jede Addition, Multiplikation oder jeder Vergleich ist ein kleiner Schritt in einem starren Ablauf. Selbst bei stark parallelen Chips wie GPUs bestimmen diese Sequenzen Energiebedarf und Latenz wesentlich mit.
Analoge Hardware funktioniert grundsätzlich anders. Zahlen werden als Spannungen oder Ströme dargestellt, die sich stufenlos verändern. Rechenoperationen entstehen dadurch, dass diese Signale im Schaltkreis miteinander wechselwirken – die Schaltung „rechnet“ gewissermassen durch ihr Verhalten.
- Digitale Chips rechnen, indem Milliarden Transistoren in koordinierten Schritten umschalten.
- Analoge Chips rechnen, indem elektrisches Verhalten viele Operationen gleichzeitig abbildet.
Diese Parallelität kommt aus der Physik des Bauteils – quasi „gratis“. Anstatt Tausende Instruktionen auszuführen, um alle Parameter eines KI-Modells zu aktualisieren, kann ein analoger Schaltkreis in einem einzigen physikalischen Übergang einen neuen Zustand erreichen.
„Indem direkt dort gerechnet wird, wo die Daten liegen, reduziert der Chip das teure Hin- und Herschieben zwischen Speicher und Recheneinheiten – einer der grössten Quellen für Energieverschwendung in heutigen KI-Servern.“
Reale KI-Workloads statt nur Spielzeugbeispiele
Das Team um den Forscher Sun Zhong wollte zeigen, dass analoge KI nicht nur saubere Demo-Aufgaben schafft, sondern grosse, unübersichtliche Daten aus der Praxis. Die in Nature Communications veröffentlichten Ergebnisse drehen sich um eine Methode namens Non-negative Matrix Factorisation (NMF).
NMF wird häufig in Empfehlungssystemen, bei Analysen des Nutzerverhaltens und in der Bildverarbeitung eingesetzt. Ziel ist es, in riesigen Zahlentabellen verborgene Strukturen zu finden – etwa welche Filme typischerweise derselben Zuschauergruppe gefallen oder welche Bereiche eines Bildes ähnliche Merkmale teilen.
Auf konventioneller digitaler Hardware wird NMF schnell teuer, sobald Datensätze Millionen Einträge erreichen. Der Chip aus Peking setzt den zentralen NMF-Schritt direkt als analoge Operation um und „verdrahtet“ damit den Kern der Mathematik in der physischen Struktur.
In Tests, die kommerziellen Empfehlungsmaschinen wie bei Netflix oder Yahoo ähneln, verarbeitete der Chip vergleichbare Datensätze deutlich schneller und mit drastisch geringerem Strombedarf als aktuelle digitale Alternativen.
Dasselbe Prinzip wurde zudem für Bildkompression ausprobiert: Der analoge Chip rekonstruierte Bilder mit einer visuellen Qualität, die nahe an hochpräzisen digitalen Algorithmen lag – während sich die erforderliche Speichermenge halbierte.
Warum heutige KI-Hardware an eine Energiegrenze stösst
Der Speicher-Engpass moderner Chips
Spitzenbeschleuniger für KI, etwa Nvidias H‑Serie an GPUs, bieten enorme Rechenleistung. Ihre Effizienz wird jedoch durch ein simples Grundproblem ausgebremst: Daten zu bewegen kostet.
Bei praktisch jeder KI-Operation werden Zahlen zwischen Speicherbänken und Rechenkernen hin- und hergeschoben. Dieses dauernde Pendeln dominiert sowohl Zeitbedarf als auch Energieverbrauch. Wenn Modelle auf Hunderte Milliarden Parameter anwachsen, wird genau diese Bewegung zum massiven Flaschenhals.
Der Chip der Peking University setzt auf analoges „In-Memory“-Computing. Dabei speichern dieselben physischen Elemente die Werte und führen zugleich Transformationen aus. Gerechnet wird dort, wo die Daten bereits liegen – Wege werden kürzer, Energieverluste sinken.
| Merkmal | Konventionelle KI-GPU | Analoger KI-Chip (Laborprototyp) |
|---|---|---|
| Grundstil des Rechnens | Digital, Schritt-für-Schritt-Instruktionen | Analog, physikgetriebene Zustandsänderungen |
| Energieverbrauch bei NMF-Aufgaben | Baseline (1x) | Roughly 1/200th of digital |
| Geschwindigkeit in getesteten Workloads | Referenzniveau | Reported up to 12x faster |
| Datenbewegung | Häufige Speicher–Prozessor-Transfers | Rechnen überwiegend im Speicher |
Schätzungen der Forschungsgruppe zufolge könnte das analoge Design – bei Skalierung und weiterer Verfeinerung – für bestimmte Operationen theoretisch sogar Beschleunigungen von bis zu 1,000 mal gegenüber führenden GPUs erreichen.
Mathematik, fest ins Silizium eingebaut
Non-negative Matrix Factorisation klingt zwar speziell, steht aber im Zentrum vieler Empfehlungs- und Mustererkennungsalgorithmen. Formal in den späten 1990er-Jahren ausgearbeitet, zerlegt NMF eine grosse Matrix in zwei kleinere, die die zugrunde liegende Struktur abbilden – unter der Bedingung, dass alle Werte nicht negativ bleiben.
Digitale Systeme behandeln NMF als lange Folge von Multiply-and-Add-Schritten. Der chinesische Chip bildet diesen Ablauf direkt in seiner Schaltung ab: Spannungen stehen für Matrixeinträge, und das Hardware-Layout erzwingt die Nichtnegativitätsbedingungen sowie die Aktualisierungsregeln.
„Ein Algorithmus, der einst nur als Code existierte, erscheint nun als physikalischer Prozess, der sich über einen in Silizium geätzten Chip entfaltet.“
Ein Peer-Reviewer beschrieb die Zuwächse bei Geschwindigkeit und Energieeffizienz für die getesteten Fälle als „mehrere Grössenordnungen“ – eine Formulierung, die in der ansonsten vorsichtigen Sprache wissenschaftlicher Veröffentlichungen echte Überraschung signalisiert.
Mögliche Auswirkungen auf Rechenzentren und nationale Strategie
Warum das für Cloud-Anbieter relevant ist
KI-Rechenzentren verbrauchen bereits so viel Strom wie kleine Länder. Das Training eines einzigen grossen Modells kann Megawattstunden an Energie ziehen – zusätzlich zu Kühlung und Infrastrukturkosten. Regierungen beginnen, diesen Bedarf genauer zu prüfen, und Cloud-Anbieter stehen unter Druck, Emissionen zu begrenzen.
Ein Chip, der zentrale KI-Aufgaben mit 200 mal weniger Energie erledigt – selbst wenn das nur für einen Teil der Workloads gilt –, könnte die Wirtschaftlichkeit von Empfehlungssystemen, Content-Plattformen und manchen Analysewerkzeugen spürbar verändern.
Für China kommt ein zusätzlicher Antrieb hinzu: US-Exportkontrollen für High-End-GPUs haben Forschende dazu gedrängt, Alternativen zu entwickeln. Analoge Designs zu verfolgen, die auf anderen Komponenten und anderem Know-how basieren, eröffnet einen Weg, der weniger von ausländischen Technologiesanktionen abhängig ist.
Wo analoge KI zuerst sinnvoll sein könnte
Analoge Chips werden Allzweckprozessoren voraussichtlich nicht ersetzen. Ihre Stärken liegen bei klar umrissenen Aufgaben, deren Mathematik gut verstanden und relativ stabil ist. Mögliche frühe Einsatzfelder sind:
- Empfehlungssysteme für Streaming-, E‑Commerce- und soziale Plattformen.
- Medienkompression „on the fly“ in Content-Delivery-Netzwerken.
- Signalverarbeitung in Telekommunikationsinfrastruktur.
- Spezialisierte Beschleuniger als Baustein grösserer KI-Systeme.
Vorstellbar sind Hybridarchitekturen: Digitale Chips übernehmen Steuerlogik und komplexe Verzweigungen, während analoge Coprozessoren schwere numerische Kerne wie NMF oder Matrixmultiplikationen ausführen.
Grenzen, Risiken und was noch bewiesen werden muss
Rauschen, Präzision und Zuverlässigkeit
Analoge Schaltungen bringen Probleme mit sich, die Digitalentwicklerinnen und -entwickler normalerweise konsequent vermeiden. Elektrisches Rauschen, Temperaturdrift und Fertigungstoleranzen können Ergebnisse verfälschen. Für KI, die gewisse Ungenauigkeiten tolerieren kann, mag das akzeptabel sein – wo genau die Grenzen liegen, ist aber noch offen.
Rechenzentren verlangen ausserdem Vorhersagbarkeit. Hardware muss sich jedes Mal gleich verhalten – über Millionen Chips hinweg und über Jahre im Betrieb. Laborprototypen liefern solche Garantien selten.
Hinzu kommt die Frage der Flexibilität: Ist eine Methode einmal als Schaltung in Silizium gegossen, lässt sie sich nicht so einfach aktualisieren wie per Software-Patch. Dadurch werden Chip-Designzyklen und die Auswahl von Algorithmen deutlich strategischer.
Sicherheit, Wartung und benötigte Kompetenzen
Analoge KI wirft neue Fragen zu Sicherheit und Betrieb auf. Könnten Angreifer winzige elektrische Schwankungen ausnutzen, um sensible Daten abzuleiten? Und wie testet bzw. kalibriert man Boards, deren Verhalten von feinen physikalischen Effekten abhängt?
Auch beim Personal entstehen Anforderungen: Wer bislang auf digitale Systeme spezialisiert ist, braucht neue Fähigkeiten. Das Entwerfen, Validieren und Debuggen analoger Beschleuniger verlangt eine Kombination aus Bauteilphysik und Machine-Learning-Know-how, die derzeit noch selten ist.
Was das für Alltagstechnik bedeuten könnte
Sollten analoge KI-Chips kommerziell reif werden, würden Nutzerinnen und Nutzer die Veränderung vermutlich zuerst indirekt spüren. Empfehlungs-Feeds könnten bei gleichem Hardwarebudget schneller aktualisiert werden. Videoplattformen könnten höhere Stream-Qualität liefern, ohne dass der Stromverbrauch entsprechend explodiert. Kleinere Rechenzentren könnten anspruchsvolle KI-Dienste betreiben, ohne industriegrosse Kühlanlagen.
Es gibt zudem eine lokale Perspektive: Kompakte, stromsparende analoge Beschleuniger könnten näher an die Datenquelle rücken – in Mobilfunk-Basisstationen, Fertigungslinien oder sogar in Haushaltsgeräten. Damit würde ein Teil der KI-Verarbeitung aus der Cloud heraus an den Ort der Entstehung wandern, was Latenz und Netzverkehr reduziert.
Umgekehrt könnten effizientere Chips die Nutzung von KI weiter anheizen. Weniger Energie pro Operation bedeutet nicht automatisch weniger Gesamtverbrauch, wenn die Zahl der Operationen weiter steigt. Politik und Unternehmen müssen deshalb beide Seiten dieser Rechnung im Blick behalten.
Vorerst zeigt der chinesische Prototyp vor allem eines: Fortschritt im Computing verläuft nicht zwangsläufig als gerade digitale Linie. Manchmal kann die Wiederbelebung einer alten analogen Idee – kombiniert mit moderner KI-Mathematik – eine Leistung freisetzen, mit der dichte Transistorreihen nur schwer mithalten.
Kommentare
Noch keine Kommentare. Sei der Erste!
Kommentar hinterlassen