Несмотря на стремительный рост вычислительных мощностей ИИ, развитие отрасли сдерживается аппаратными ограничениями. Главным барьером остается так называемая «стена памяти» — разрыв между растущими потребностями вычислителей в данных и скоростью увеличения пропускной способности оперативной памяти. Даже современные решения, такие как высокопроизводительная память HBM, сталкиваются с этим ограничением, что стимулирует поиск альтернативных подходов.

Компания Qualcomm представила архитектуру высокопроизводительных вычислений с близкой памятью, получившую обозначение HBC. Предложенная схема предполагает физическое отделение AI-ускорителя от основного системного чипа (SoC) и размещение его непосредственно под стеком памяти LPDDR. Соединение осуществляется через сквозные кремниевые отверстия (TSV), что позволяет отказаться от сложного и дорогостоящего промежуточного слоя, используемого в HBM.

По заявлениям компании, данное решение обеспечивает задержки, сопоставимые со встроенной SRAM, при сохранении высокой плотности хранения. Сравнительные показатели HBC выглядят следующим образом: пропускная способность в пересчете на единицу потребляемой мощности в 5–7 раз превышает показатели HBM, а доступный объем памяти более чем в 200 раз превосходит возможности встроенной SRAM. При этом разработчики признают, что по абсолютной пиковой пропускной способности и максимальному объему HBC уступает традиционной HBM. Конкретные цифры производительности компания пока не раскрыла.

Идея близкого размещения памяти не является уникальной разработкой Qualcomm. Ряд производителей в сфере систем хранения данных и ASIC-чипов ведут исследования в этом направлении. Например, компания GUC (Zhibang Integrated Circuit) недавно анонсировала технологию DoL (DRAM-on-Logic), предполагающую установку до четырех слоев DRAM на логический чип, что обеспечивает пропускную способность около 5 ТБ/с, в некоторых сценариях превосходящую показатели HBM3E.

Qualcomm также обнародовала дорожную карту развития своих AI-ускорителей серии Dragonfly. В текущем году ожидается выпуск модели AI200 с традиционной памятью LPDDR5X и объемом до 43 ТБ. В следующем году дебютирует продукт первого поколения с архитектурой HBC под индексом AI250 с аналогичной емкостью, но с пропускной способностью, в 18 раз превышающей AI200. В дальнейшем запланирован релиз AI300, где, как заявлено, этот показатель будет в 54 раза выше, чем у базовой модели AI200, хотя детальные спецификации не уточняются.

Источник: computerra

Пока все обсуждают чат-ботов в облаке, большие деньги тихо ставят на другое — на ИИ внутри железа. Производитель силовых чипов onsemi выложил $7 млрд за Synaptics, чтобы научить роботов, дроны и умные устройства видеть, слышать и решать самостоятельно.

Кто такой onsemi. Аризонская компания, один из ключевых производителей аналоговых и силовых чипов (в том числе на карбиде кремния) для автопрома и промышленности. Грубо говоря — это «мышцы и нервы» машин: питание, датчики, управление моторами. Чего ей не хватало — «мозгов» и органов чувств прямо на устройстве.

Кто такой Synaptics. Легенда человеко-машинного интерфейса. Компанию основали Федерико Фаджин (тот самый, что приложил руку к первому микропроцессору Intel 4004) и Карвер Мид. Их технологии — тачпады ноутбуков, тачскрины, сканеры отпечатков, драйверы дисплеев, голосовое управление, а исторически и колёсико iPod. Сегодня Synaptics — это edge-ИИ-вычисления и беспроводная связь прямо в устройстве.

Почему $7 млрд и такая структура. Сделка целиком в акциях: 1,350 акции onsemi за каждую акцию Synaptics — это около 19% премии к средней цене за последние 10 торговых дней, суммарно около $7 млрд. Synaptics на новости прибавил 11% (до ~$140), а onsemi просел на 8% (до ~$109) — типичная реакция: покупатель платит премию и размывает своих акционеров, поэтому в моменте падает. При этом бумаги onsemi за год выросли на 119%, так что платить «дорогими» акциями ему удобно.

Что компания получает. onsemi оценивает, что Synaptics расширит его адресный рынок на $30 млрд — до $243 млрд к 2030 году, а саму сделку называет accretive по прибыли уже через 18 месяцев. CEO Хассан Эль-Хури формулирует логику прямо: «следующая фаза инноваций будет зависеть от систем, которые умеют в реальном времени воспринимать, решать, действовать и адаптироваться».

Как это отразится на индустрии. Это ещё один сигнал большой ставки на «физический ИИ» — интеллект, встроенный в роботов, дроны, машины и бытовые устройства, работающий на «краю» (edge), а не в дата-центре. Под одной крышей собираются питание, сенсорика, вычисления и связь — полный стек для умного железа. Ждём, что конкуренты ответят своими поглощениями: гонка за edge-кремний только разгоняется.

🔗 Источник: SiliconANGLE · 🎯 НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

OpenAI годами строила свою башню сверху вниз: сначала модели, потом продукты вроде ChatGPT и Codex, потом — собственные дата-центры. На этой неделе компания наконец добралась до фундамента. Вместе с Broadcom она представила Jalapeño — свой первый в истории чип, который в OpenAI гордо называют «Intelligence Processor».

Что такое Jalapeño и почему это не «ещё одна видеокарта»

Это ASIC — заказная микросхема, заточенная под одну-единственную задачу: инференс, то есть запуск уже обученной модели в ответ на ваш запрос. Не обучение, а именно «отдача». Универсальные GPU от Nvidia умеют всё понемногу; Jalapeño умеет одно, но идеально — архитектура минимизирует лишнее перекладывание данных туда-сюда и балансирует вычисления, память и сеть так, чтобы выжимать из железа почти теоретический максимум производительности.

Главная цифра: минус 50% к стоимости

В интервью гендиректор Broadcom Хок Тан назвал конкретику: новый ускоритель показывает экономию около 50% по сравнению с обычными ИИ-видеокартами. Для OpenAI, которая сжигает миллиарды на вычислениях и, по слухам, уже обдумывает повышение цен, это бьёт точно в больное место — стоимость инференса. Сама компания заявляет «существенно лучшую» энергоэффективность (производительность на ватт), чем у нынешнего топового железа, но честно оговаривается: цифры предварительные, полноценный технический отчёт выйдет позже.

Девять месяцев вместо нескольких лет

Отдельная сенсация — скорость. Путь от первых схем до готового к производству кристалла занял девять месяцев: OpenAI называет это самым быстрым циклом создания высокопроизводительного ASIC в истории отрасли (партнёрство с Broadcom официально объявили лишь в октябре 2025-го). Любопытная деталь: часть проектирования и оптимизации ускоряли собственные модели OpenAI — то есть ИИ помогал проектировать железо для ИИ.

Зачем это OpenAI: выйти из-под Nvidia

Подтекст очевиден: меньше зависимости от Nvidia, чьи GPU остаются дефицитным и дорогим ресурсом. Тем же путём уже прошли Google (чипы TPU) и Amazon (Trainium и Inferentia). При этом тяжёлое обучение моделей, скорее всего, по-прежнему останется на железе Nvidia — Jalapeño метит именно в инференс, самую массовую и денежную часть нагрузки, где даже небольшая экономия на масштабе превращается в огромные суммы.

Когда и в каких масштабах

Первое развёртывание — в конце 2026 года, сразу в гигаваттных дата-центрах (это энергопотребление уровня небольшого города). Кремний производит Broadcom, добавляя свою сетевую технологию Tomahawk; сборкой плат, стоек и систем занимается Celestica. По данным источников, до 40% первой партии чипов уже законтрактовала Microsoft — главный облачный партнёр и инвестор OpenAI. Первый пробный прогон тоже состоялся: на Jalapeño запускали модель GPT-5.3-Codex-Spark.

🔗 Источник: Ars Technica

🎯 НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Китайский стартап Prinano заявил о важном достижении в производстве фотонных микросхем. Компания сообщила, что смогла отработать выпуск оптических чипов на 8-дюймовых кремниевых пластинах без использования традиционной DUV-литографии.

Обычно производство микросхем связано с дорогим литографическим оборудованием, где ключевую роль играют системы ASML. Но из-за экспортных ограничений доступ Китая к таким технологиям серьёзно ограничен. Поэтому Prinano вместе с Shenzhen Litra Technology пошла другим путём — использовала технологию вакуумного наноимпринтинга.

Если классическая литография проецирует рисунок схемы на кремниевую пластину с помощью сложной оптики и источников света, то наноимпринтинг работает почти как штамп. Наноразмерные структуры буквально отпечатываются на поверхности пластины специальным шаблоном. По утверждению компании, такой подход может снизить производственные затраты примерно в 10 раз по сравнению с традиционными DUV-процессами.

Но важно понимать: речь не идёт о производстве передовых процессоров для смартфонов, видеокарт или ИИ-ускорителей. Технология Prinano ориентирована на фотонные чипы — микросхемы, которые работают со светом, а не с электрическими сигналами. Такие решения нужны для оптоволоконной связи, дата-центров, лазерных сенсоров, лидаров и высокоскоростной передачи данных.

Фотонные схемы часто состоят из повторяющихся наноструктур, поэтому метод наноимпринтинга может быть особенно удобен именно для этого класса устройств. Использование 8-дюймовых пластин говорит о том, что проект выходит за рамки простой лабораторной демонстрации.

Однако пока остаются важные вопросы: Prinano не раскрыла объёмы выпуска, уровень брака, выход годных чипов и данные о первых заказчиках. Поэтому это не конец ASML, но потенциально важный шаг Китая в развитии альтернативных методов производства фотонных микросхем.