Physical AI lleva el hardware al límite con desafíos de memoria, potencia y arquitectura

icon币界网
Compartir
AI summary iconResumen
Los sistemas de inteligencia artificial física están transformando industrias, pero los mercados de liquidez y cripto enfrentan nuevos obstáculos debido a que los desafíos de memoria, potencia y arquitectura tensan el diseño de hardware. Bitjie señala que los fabricantes de chips deben rediseñar sistemas para manejar la IA en el borde, equilibrando cómputo, E/S y seguridad. Strategy& pronostica que el mercado de IA física podría alcanzar 43 mil millones de euros para 2030. Las regulaciones CFT aumentan la presión, ya que las soluciones personalizadas de hardware y software se vuelven esenciales para la confiabilidad y la seguridad en entornos inciertos.
CoinMarketCap informa:

Las máquinas autónomas tienen el potencial de transformar múltiples industrias, pero los cuellos de botella de memoria, las limitaciones de consumo de energía, las arquitecturas especializadas y los requisitos de seguridad están obligando a los diseñadores de chips a repensar todo el sistema.

Puntos clave:

  • Más potencia de cálculo por sí sola no puede resolver los cuellos de botella de la IA física. La capacidad de procesamiento debe equilibrarse con el ancho de banda de memoria, interfaces eficientes, suministro eléctrico adecuado y capacidad de disipación de calor.
  • La arquitectura del sistema para la IA física debe estar adaptada a su función final y entorno.
  • La implementación real depende de una verificación rigurosa: debe cubrir casos límite, comprender el comportamiento del sistema y verificar la seguridad.

La IA física está avanzando hacia una amplia aplicación, pero para construir estos sistemas impulsados por sensores, los equipos de ingeniería deben abordar simultánea y continuamente múltiples desafíos técnicos.

Los analistas prevén que el mercado de la inteligencia artificial física experimentará un crecimiento significativo. Los sistemas autónomos tienen el potencial de transformar radicalmente industrias como el transporte, la manufactura, la salud y la energía. Strategy&, filial de PwC, estima que para 2030, el tamaño global del mercado de inteligencia artificial física podría alcanzar aproximadamente 430 mil millones de euros, reflejando el potencial comercial de los sistemas autónomos en múltiples industrias.

Licinio Sousa, Director Senior de IP de interfaz de IA física para automóviles en Synopsys, dijo: “Los sistemas de IA física están expandiéndose desde automóviles hacia robots y drones, y los cuellos de botella en el desarrollo de estas aplicaciones abarcan todo el sistema. La IA está migrando desde los centros de datos hacia el borde; para máquinas como robots, drones y vehículos, la impulsión proviene de la autonomía, la privacidad, la personalización, una respuesta más rápida y la reducción de la dependencia de la nube.”

La lista de desafíos técnicos a resolver es larga y está interconectada. Se necesitan aumentar la capacidad de memoria y el ancho de banda, reducir la latencia y el consumo de energía, extender la vida útil del producto y verificar la seguridad. Más difícil aún: resolver cualquiera de estos problemas puede generar nuevos problemas en otros lugares.

Arquitectura dedicada

Para resolver estos cuellos de botella a nivel de sistema, se requiere hardware y software altamente especializados y optimizados para casos de uso específicos.

Michal Siwinski, vicepresidente ejecutivo, director de producto y marketing y gerente general de soluciones de seguridad de Arteris, dijo: “Necesitamos comenzar a hablar sobre cálculos más optimizados y personalizados diseñados para cargas de trabajo específicas, y ahí es donde la inteligencia artificial física se vuelve más interesante. Esas cargas de trabajo deben estar altamente optimizadas para el hardware. Básicamente, estamos volviendo al sentido tradicional de los ASIC: los ASIC siempre debieron ser altamente especializados para aplicaciones específicas y extremadamente optimizados, no genéricos. Ya están surgiendo algunas tendencias en esta dirección. Será muy interesante ver cómo evolucionan, y seguirán evolucionando, sistemas más flexibles orientados a aplicaciones muy específicas entre el software, el hardware y las cargas de trabajo, dado que los modelos cambian mucho más rápido.”

Vasanthan Karunanithy, arquitecto de sistemas de la división automotriz de Micron Technology, declaró en el reciente JEDEC Automotive Forum: “Los robots no son una nueva pila de IA. De los sistemas ADAS, los robots heredan la percepción en tiempo real, la planificación de rutas y el control del movimiento. De los armarios inteligentes, heredan la comprensión del lenguaje natural, el razonamiento contextual y la interacción humano-máquina. En la inteligencia encarnada, el mayor desafío es ejecutar simultáneamente estas dos categorías de cargas de trabajo y luego intercambiar información al final. Por lo tanto, esta es la similitud entre estos dos segmentos. Pero también existen diferencias, que reflejan la escala de los canales. Los vehículos autónomos operan en entornos viales relativamente estructurados y obtienen energía de una fuente más grande: la batería del vehículo. Sin embargo, al observar los robots, operan en entornos tridimensionales no estructurados. [Los robots] también deben mantener múltiples grados de libertad, manipular objetos y mantener el equilibrio, además de comprender órdenes en instrucciones. En comparación con los automóviles, deben lograr todo esto con una fuente de energía mucho más limitada.”

Estas diferencias varían significativamente entre diversas aplicaciones. Los vehículos autónomos operan dentro de la infraestructura de tráfico existente, pero deben lidiar con condiciones de carretera impredecibles. En contraste, los robots móviles y los robots humanoides pueden necesitar navegar en entornos menos estructurados, coordinar manipulación y equilibrio, y operar dentro de presupuestos de consumo energético más restringidos. Al mismo tiempo, los robots industriales pueden operar en entornos controlados y conectarse a fuentes de alimentación fijas. Estas diferencias hacen difícil optimizar una sola arquitectura para todas las formas de IA física.

Los diseñadores deben construir la arquitectura del sistema desde el principio sobre la base de estos requisitos.

Sousa dijo: “A medida que las cargas de trabajo y los modelos evolucionan, hemos observado la aparición de silicio dedicado diseñado para las necesidades específicas de cada tipo de máquina. Nuestros clientes continúan enfrentando la demanda de modelos avanzados de VLA (visuales-lenguaje-acción). En el nivel de hardware, esto significa una mayor densidad de cálculo y motores de IA. Al mismo tiempo, el rango de casos de uso es demasiado amplio como para que una arquitectura monolítica única sea aplicable, por lo que se está pasando a soluciones chiplet, en las que el cálculo, la IA, la memoria y la E/S pueden escalarse según el caso de uso específico mediante la interfaz UCIe.”

Chiplet ofrece un camino potencial para plataformas físicas de IA escalables, especialmente cuando las necesidades de cómputo heterogéneo, memoria y I/O justifican el uso de empaquetado avanzado. Sin embargo, también podrían aumentar los costos y la complejidad debido al empaquetado personalizado, la gestión térmica y la comunicación entre dies. Para sistemas más pequeños, altamente integrados y limitados por consumo de energía, tamaño y costo, un SoC monolítico podría ser más adecuado.

Estas restricciones también se aplican al hardware y al software. “Los sensores se centrarán más en los casos de uso; necesitas asegurarte de tener buenos casos de uso, personalizados, y también necesitas una capa de software encima de ellos”, dice Sathish Balasubramanian, responsable de productos de EDA AI de Siemens EDA. “Siempre bromeo diciendo que todo en el mundo real es analógico, y nosotros estamos tratando de abstraerlo en digital, por lo que una de las cosas más importantes es la redundancia. Los sensores ya son bastante buenos. Podemos percibir visión, calor, presión y cualquier otra cosa. Ya lo estamos haciendo muy bien con el radar y otros aspectos. Lo más importante es asegurarse de que los sensores puedan operar en el entorno y capturar el entorno de una manera que no se degrade realmente, o con redundancia incorporada.”

Sin embargo, el efecto de la redundancia variará según si los componentes pueden fallar de forma independiente y si el sistema puede identificar y responder a las fallas. Simplemente aumentar la cantidad de sensores no garantiza un funcionamiento confiable, especialmente cuando las condiciones ambientales pueden afectar simultáneamente a varios sensores.

Personalizar la arquitectura de cálculo según la carga de trabajo o el caso de uso también implica compromisos. “La cuestión es cuán cerca debe estar la inteligencia del lugar donde ocurre la percepción; aquí existe una tensión”, dice Yasmine King, vicepresidenta corporativa y líder de negocios automotrices de Analog Devices. “Si distribuyes la inteligencia por todo el sistema, las actualizaciones se vuelven más complejas. La centralización permite actualizaciones OTA desde un solo punto, facilitando parches y correcciones, pero puede generar latencia cuando necesitas responder rápidamente a estos datos. En un vehículo, si un peatón se lanza repentinamente frente al auto, debes poder responder con extrema rapidez. Por lo tanto, dónde colocar la inteligencia depende de qué tipo de información sensorial deseas recopilar y qué tan rápido necesitas reaccionar.”

Yasmine King habló en Reuters Automotive 2026 el 27 de octubre de 2026.

La colocación inteligente es una decisión arquitectónica que va más allá del rendimiento de cómputo. Requiere equilibrar el tiempo de respuesta, el ancho de banda de comunicación, el consumo de energía, la actualizabilidad y la coordinación de componentes distribuidos. El cómputo centralizado puede simplificar la gestión, mientras que el procesamiento local puede reducir la latencia de comunicación y conservar funciones críticas en caso de interrupción de la conexión.

El muro de memoria de la IA física

La capacidad de memoria, el ancho de banda, la latencia y el consumo energético son cuellos de botella clave para la IA física; algunas tecnologías de memoria también podrían enfrentar restricciones de suministro. El verdadero desafío no es simplemente aumentar suficientes dispositivos de memoria, sino diseñar sub sistemas de memoria capaces de suministrar datos a cargas de trabajo de IA cada vez más exigentes dentro de límites estrictos de consumo de energía y calor.

Sousa dijo: “Miles de millones de parámetros de modelos relacionados también deben almacenarse y transmitirse entre el almacenamiento, la memoria y las unidades de procesamiento. Hoy en día, esto se conoce como la ‘pared de memoria’. A medida que el uso de memoria sigue creciendo, la DRAM necesita interfaces de ultraalta velocidad, como LPDDR6, para dejar de ser un cuello de botella en el procesamiento.”

El rendimiento también depende del patrón de acceso, la latencia, la reutilización de datos, la capacidad de caché, la eficiencia del controlador de memoria y la energía necesaria para mover los datos. Si la carga de trabajo está limitada por otras partes de la jerarquía de memoria, el beneficio de aumentar solo el ancho de banda bruto puede ser limitado.

El diseño del sistema para cargas de trabajo puede ayudar a aliviar parte de la carga de memoria. Balasubramanian dijo: “El tamaño adecuado de la memoria, el tamaño adecuado de la computación y la redundancia, junto con todo lo que debe caber dentro del presupuesto de calor y consumo energético, serán fundamentales. Lo más importante es que el tamaño es clave. No colocarías un tanque de 100 galones en un Prius. Necesitas un tanque de 10 galones. Uso esta analogía para explicar la memoria. Puedes gestionarla de una manera que no requiera DRAM masivo, pero que cuente con una caché bastante buena y SRAM integrado. Siempre puedes almacenar las necesidades críticas en DRAM, pero cuando sea necesario, puedes mover otras cosas a flash o SRAM. En cuanto a la ruta de memoria, desde DRAM hasta SRAM, luego hasta el cálculo real y finalmente hasta la implementación física de la IA, la coherencia de caché será fundamental.”

Las compensaciones entre estas tecnologías de memoria son significativas. La SRAM y la caché integradas permiten un acceso rápido a los datos de uso frecuente, pero su capacidad está limitada por el área de silicio y el costo. La DRAM externa ofrece una mayor capacidad, mientras que el flash proporciona almacenamiento no volátil para modelos, software y otra información que no necesita mantenerse en memoria activa.

Mover información entre estos niveles puede reducir parte de la demanda de capacidad, pero aumenta el overhead de transmisión y la latencia. Al mismo tiempo, la coherencia de caché se enfoca en mantener sincronizadas las copias de datos en la caché y en la memoria, no solo en trasladar información entre diferentes tecnologías de almacenamiento, pero esto también genera más overhead. Por lo tanto, los ingenieros deben considerar el tamaño del conjunto de trabajo, la localidad de los datos y la frecuencia de acceso al decidir cuánta memoria asignar a cada nivel.

La innovación en la memoria del automóvil probablemente desempeñe un papel importante en la forma de resolver problemas de IA física.

Rob Fisher, Director Senior de Gestión de Productos de Imagination Technologies, dijo: “Actualmente está muy vinculado a nuestra línea de productos automotrices, y vemos que la mayoría de las demandas provenientes del ámbito robótico provienen directamente del sector automotriz. Muchos fabricantes de automóviles ahora posicionan sus chips como plataformas tanto automotrices como robóticas; por lo tanto, el soporte de 4, 6 y 8 bits beneficiará realmente el ancho de banda de memoria y el uso de memoria en aplicaciones embebidas de borde. Para los centros de datos, esto no es tan relevante, pero el impacto es diferente. Es posible que en los centros de datos ejecutes modelos más grandes utilizando anchos de bit más pequeños. En cambio, en aplicaciones automotrices y robóticas, podrías aprovechar esto al revés: reducir el uso de memoria. Limitarías el modelo para que solo realice las tareas que necesitas y reducirías la memoria y el ancho de banda necesarios para alojarlo.”

La representación de menor precisión puede reducir las necesidades de almacenamiento y ancho de banda de memoria del modelo, lo que la hace especialmente atractiva para la IA embebida. Sin embargo, sus beneficios dependen de si el acelerador puede soportar eficientemente el formato numérico seleccionado y si la cuantización puede mantener la precisión requerida por la aplicación. Formatos como la representación de 6 bits también pueden introducir sobrecargas de empaquetado o implementación, lo que limita los beneficios en hardware no diseñado específicamente para ellos.

Flash storage also plays a key role in managing the memory of autonomous systems.

Sousa dijo: "La DRAM está limitada en capacidad, consumo de energía y disponibilidad. Un ancho de banda de almacenamiento más rápido puede reducir los tiempos de carga, por lo que con el mismo presupuesto de DRAM se pueden admitir modelos más grandes. Estos sistemas funcionan continuamente con batería y generalmente no tienen refrigeración activa, por lo que cada transmisión de datos consume energía y aumenta la latencia; por lo tanto, cada componente, ya sea mecánico, electrónico o de software, debe reducir el consumo de energía y mejorar la eficiencia. Las interfaces como MIPI, UFS, LPDDR y PCIe incorporan tecnologías que garantizan que los datos burst se transfieran rápidamente y luego pasen a modos de inactividad de bajo consumo prolongado."

El almacenamiento no volátil más rápido puede reducir la latencia de carga del modelo y, cuando se combina con técnicas adecuadas de partición del modelo o transmisión de pesos, permite que los sistemas con DRAM limitado ejecuten cargas de trabajo cuyo tamaño total supera la memoria activa disponible. Sin embargo, el ancho de banda de almacenamiento por sí solo no aumenta la cantidad de datos que pueden caber en DRAM en un momento dado.

Las interfaces utilizadas para transmitir estos datos también varían en sus mecanismos de gestión de energía y características de funcionamiento. Su eficiencia depende de las especificaciones específicas, la implementación, el modo de transmisión y las oportunidades para entrar en estados de bajo consumo.

Si el tamaño del mercado es lo suficientemente grande, la demanda de memoria de Physical AI podría finalmente justificar el desarrollo de nuevas tecnologías de memoria o variantes de las existentes.

Steven Woo, ingeniero distinguido y inventor distinguido de Rambus, dijo: “La memoria es una tecnología clave que todo AI físico necesitará. La diferencia es que algunos mercados solo utilizarán la memoria existente, pero también es posible que algunos mercados sean lo suficientemente grandes como para requerir su propio tipo de memoria o alguna variante de la memoria existente. Ya hemos visto esto con HBM. Anteriormente, las personas usaban otros tipos de memoria, pero luego el mercado creció repentinamente. Si retrocedemos hasta antes de la aparición de LPDDR, los teléfonos móviles simplemente usaban dispositivos DDR seleccionados y optimizados que casualmente tenían bajo consumo. Cuando el mercado alcanza un tamaño suficiente, la gente dice: ‘Bueno, hagamos un dispositivo especial’. El AI físico podría crecer hasta convertirse en un mercado lo suficientemente grande como para que, si las diferencias en la demanda son lo suficientemente grandes, surja otro tipo de memoria.”

Si se producirá esta especialización dependerá de la escala y la consistencia de la demanda. A diferencia de los centros de datos, las aplicaciones de IA física presentan requisitos muy distintos en términos de costo, capacidad, durabilidad, ancho de banda, temperatura y eficiencia energética. Esta diversidad puede hacer que algunos mercados prefieran modificar las tecnologías de memoria existentes, mientras que otros sean más adecuados para soluciones diseñadas específicamente.

Verificar casos límite

Asegurar que el sistema funcione en condiciones seguras, incluso en casos raros e inesperados, es otro desafío importante. A medida que los desarrolladores de IA física se enfocan en maquinaria pesada, equipos médicos y otras tecnologías clave para la seguridad, resolver el problema de la verificación es especialmente relevante.

Balasubramanian dijo: “Antes de llevar la IA física a cualquier entorno de producción, es crucial establecer un bucle de validación; diría que es lo más importante que debemos hacer. Por ejemplo, ¿qué sucede si ocurre un apagón masivo, un terremoto, se cortan los cables de fibra óptica del mundo exterior o hay una interrupción de energía? ¿Cómo gestionas este tipo de escenarios en el borde? Será fundamental conservar algún tipo de cálculo, memoria e inteligencia cerca del sensor, y la forma en que las personas logran esto es identificando, según las necesidades del caso de uso, lo que consideran más importante. En un entorno industrial: ¿cuándo necesito detener la línea de ensamblaje? ¿Cuándo necesito saber que debo llamar de vuelta, activar una alarma u otra acción? Todo esto son cosas que deben manejarse dentro del propio sensor.”

Estos escenarios demuestran que las funciones críticas para la seguridad no siempre pueden depender de una conexión en la nube continua o de decisiones centralizadas. El procesamiento local puede ser necesario para identificar fallas, activar acciones de protección o llevar el dispositivo a un estado de seguridad definido en caso de fallos en los sistemas de comunicación o alimentación.

Pero la validación y la verificación abordan diferentes partes del problema. La validación se utiliza para confirmar que el diseño cumple con los requisitos establecidos, mientras que la verificación examina si el sistema se comporta adecuadamente en su entorno de funcionamiento previsto. La seguridad también puede requerir análisis de peligros, pruebas de inyección de fallas, evaluación de fallos por causas comunes y evidencia de cumplimiento con las normas aplicables.

Por lo tanto, el sistema debe establecer y verificar la confianza en torno al hardware y la pila de software relevantes, y alinear los requisitos de seguridad con cada caso de uso.

Owen Kent, cofundador de la startup de robots de asistencia ATDev, dijo: "Cuando diseñamos productos para sillas de ruedas, al igual que con cualquier aplicación de IA física, tenemos necesidades específicas. Debes someter realmente este hardware a su límite dentro del sistema de gestión de calidad y las pruebas de compatibilidad electromagnética de terceros. Independientemente del hardware que utilices, ya sea personalizado o no, debes poder verificar la seguridad."

Para los desarrolladores, esto significa evaluar no solo si los componentes funcionan correctamente en condiciones normales, sino también cómo responde el sistema completo ante la degradación de sensores, fallas de comunicación, entradas inesperadas y otros peligros previsibles. En muchas aplicaciones, superar las pruebas a nivel de componente es un requisito necesario, pero esto por sí solo no demuestra la seguridad a nivel de sistema.

Conclusión

Las limitaciones reales de la IA física recorren toda la ruta, desde la percepción hasta la acción. Los diseñadores deben hacer coincidir los modelos y el hardware con la tarea, mover datos dentro del presupuesto disponible de energía y calor, y verificar el comportamiento de la máquina ante cambios en las condiciones o conexiones. Solo cuando el resto del sistema puede respaldarlo, aumentar la capacidad de cómputo realmente ayuda.

Balasubramanian dijo: "Comience con una interfaz estándar, de bajo consumo y comprobada, a lo largo de toda la ruta: desde el sensor hasta el procesador y hasta el actuador. Estas ofrecen a los diseñadores comportamientos predecibles, interoperabilidad del ecosistema y bloques de construcción verificados en silicio."

Un ejemplo relevante es el MIPI Camera Security Framework, que combina la especificación Camera Service Extensions (CSE) 2.0 con especificaciones de seguridad complementarias. CSE 2.0 admite la protección de integridad de datos para los datos de cámara CSI-2 y el cifrado opcional; el marco más amplio gestiona la autenticación de los componentes del sistema de imagen y el establecimiento de sesiones seguras.

Él dijo: "Proporciona seguridad end-to-end para los datos de la cámara, cubriendo la integridad, autenticación y confidencialidad desde el sensor de imagen hasta el SoC. También ofrece opciones flexibles a los diseñadores para minimizar el consumo de cálculo y tráfico, el consumo de energía y la latencia, permitiendo que la seguridad se ajuste a la aplicación en lugar de diseñarse para el peor de los casos."

Esta diferencia es importante porque la confidencialidad es opcional, y el nivel de protección depende de los servicios de seguridad y la configuración implementados. El marco más amplio permite a los desarrolladores equilibrar la protección con el overhead de procesamiento, el consumo de energía y la latencia, en lugar de aplicar el mismo nivel de protección a cada flujo de datos.

No basta con hacer que las máquinas autónomas sean más potentes. También deben funcionar de manera confiable bajo las restricciones del mundo real. Para la inteligencia artificial física, las elecciones arquitectónicas que ahorran memoria, consumo de energía y ancho de banda también deben respaldar comportamientos predecibles, resiliencia y las garantías de seguridad necesarias para la implementación a gran escala.

La extensión de movimiento de datos para IA física: no existe una solución única para todos los escenarios.

Redefinir el papel del borde y la IA en la nube: la competencia de inteligencia local está en curso.

Brendan Heffernan

Descargo de responsabilidad: La información contenida en esta página puede proceder de terceros y no refleja necesariamente los puntos de vista u opiniones de KuCoin. Este contenido se proporciona solo con fines informativos generales, sin ninguna representación o garantía de ningún tipo, y tampoco debe interpretarse como asesoramiento financiero o de inversión. KuCoin no es responsable de ningún error u omisión, ni de ningún resultado derivado del uso de esta información. Las inversiones en activos digitales pueden ser arriesgadas. Evalúa con cuidado los riesgos de un producto y tu tolerancia al riesgo en función de tus propias circunstancias financieras. Para más información, consulta nuestras Condiciones de uso y la Declaración de riesgos.