تصور کنید یک پهپاد بتواند تمام سیستم ناوبری و هوش مصنوعی خود را روی یک تراشه کوچک اجرا کند، بدون اینکه باتری‌اش در چند دقیقه خالی شود. این رویایی است که Efficient Computer با معرفی پردازنده Electron E1 به واقعیت تبدیل کرده است. طبق اعلام این شرکت در ۲۹ سپتامبر ۲۰۲۶، جذب ۹۷ میلیون دلار سرمایه در دور سری B با ارزش‌گذاری ۶۵۰ میلیون دلاری، مسیر تولید انبوه این تراشه‌ها را برای مشتریان پیشرو هموار کرد. این خبر در حالی می‌رسد که سخت‌افزارهای فعلی ما را در یک بن‌بست قرار داده‌اند: یا باید از CPUهای انعطاف‌پذیر اما پرمصرف استفاده کنیم، یا به سراغ شتاب‌دهنده‌های (Accelerator) تخصصی برویم که هرچند بهینه هستند، اما با کوچک‌ترین تغییر در مدل هوش مصنوعی، عملاً به یک تکه سیلیکون بی‌مصرف تبدیل می‌شوند. Efficient Computer قصد دارد با بازطراحی معماری کامپیوتر از پایه، این چرخه را بشکند.
سرمایه‌گذاری و رهبری
این دور از تأمین مالی توسط TQ Ventures رهبری شد و شرکت‌های متعددی از جمله Eclipse، Union Square Ventures، Giant Ventures، Triatomic Capital، TO Capital، TF Capital، Mana Ventures، Toyota Ventures، Overmatch و Borderless در آن مشارکت داشتند. با این سرمایه‌گذاری، مجموع سرمایه جذب شده توسط این شرکت به ۱۷۳ میلیون دلار رسید.
تیم رهبری شرکت متشکل از براندون لوسیا (مدیرعامل)، گراهام گوبیسکی (مدیر فناوری) و ناتان بکمن (معمار ارشد) است. این بنیان‌گذاران سال‌ها در دانشگاه کارنگی ملون روی حل مشکلات معماری پشت محاسبات کم‌مصرف کار کرده‌اند. لوسیا اشاره کرد که این تیم حدود ۱۰ سال پیش شرکت را تأسیس کرد تا مسئله بهره‌وری را بدون قربانی کردن قابلیت‌های عمومی پردازش حل کند.
معماری Fabric
هسته اصلی این فناوری، معماری Fabric است که شرکت آن را یک بازطراحی کامل و از صفر (Clean-slate) در محاسبات توصیف می‌کند. برخلاف طراحی‌های سنتی که به ساختارهای حافظه پرمصرف و جریان‌های دستورالعمل متوالی (Sequential) متکی هستند، Fabric هدفش بهبود ۱۰ تا ۱۰۰ برابری در مصرف انرژی برای محاسبات عمومی، از جمله هوش مصنوعی است. این رویکرد در کنار تلاش‌های دیگر برای بهینه‌سازی استقرار مدل‌ها، مانند راهکار توزیع هوشمند محاسبات Gimlet Labs، گامی به سوی کاهش تأخیر و افزایش سرعت پاسخ‌دهی در سیستم‌های پیچیده است.
به نقل از مستندات فنی شرکت، ویژگی‌های کلیدی این معماری عبارتند از:
- پشتیبانی همه‌منظوره: برخلاف تراشه‌های «فقط AI»، Fabric از زبان‌های C، C++ و استانداردهای LiteRT و ONNX پشتیبانی می‌کند. این یعنی هوش مصنوعی می‌تواند در کنار کدهای حسگری، کنترلی و برنامه‌های کاربردی روی یک پردازنده برنامه‌پذیر اجرا شود.
- کامپایلر effcc: این ابزار یک جایگزین مستقیم برای GCC یا Clang است که موازی‌سازی (Parallelism) را استخراج کرده، برنامه را روی Fabric جای‌گذاری و مسیریابی می‌کند و فرآیند کامپایل را در عرض چند دقیقه به پایان می‌رساند.
- تطبیق‌پذیری سخت‌افزاری: این معماری از دستگاه‌های پوشیدنی کوچک تا عملکرد در سطح مراکز داده مقیاس‌پذیر است. هدف شرکت دستیابی به بهبود ۱۰ برابری در مصرف انرژی نسبت به سیستم‌های فعلی مراکز داده است.
- به‌روزرسانی میدانی: از آنج که پردازنده برنامه‌پذیر است، توسعه‌دهندگان می‌توانند با تغییر مدل‌های هوش مصنوعی، دستگاه‌هایی که در حال حاضر در محیط فعال هستند را مجدداً کامپایل و به‌روزرسانی کنند.
استقرار در دنیای واقعی
بر اساس گزارش شرکت، پردازنده Electron E1 هم‌اکنون در مرحله تولید انبوه است و در حوزه‌هایی مثل هوش مصنوعی فیزیکی و خودمختاری، صنایع دفاعی و فضایی، گجت‌های پوشیدنی و نظارت بر زیرساخت‌های حیاتی به کار گرفته شده است.
در کاربردهای عملی، E1 می‌تواند تمام خط لوله (Pipeline) خودمختاری یک پهپاد را روی یک بخش از تراشه اجرا کند. برای فضاپیماها، این تراشه اجازه می‌دهد داده‌های بیشتری در داخل خودِ فضاپیما و با زبان‌های استاندارد C و C++ پردازش شوند؛ به این معنا که تنها یافته‌های حیاتی برای مأموریت به زمین ارسال می‌شوند. در رباتیک، معماری Fabric می‌تواند جایگزین GPUهای نهفته و پرمصرف در پشته‌های خودمختاری شود و انرژی مورد نیاز را تا ۱۰ برابر کاهش دهد.
برای عملکرد در سطح بالا، Fabric بارهای کاری متنوع و نامنظم مراکز داده را شتاب می‌دهد. این بارهای کاری معمولاً با GPUهای سنتی یا تراشه‌های شتاب‌دهنده AI سازگاری ضعیفی دارند و باعث اتلاف انرژی می‌شوند. در همین راستا، برای حل چالش‌های انتقال داده در مقیاس بزرگ، پروژه‌هایی مانند جایگزینی مس با نور توسط Ayar Labs در حال تغییر زیرساخت‌های فیزیکی مراکز داده هستند تا گلوگاه‌های ارتباطی را از بین ببرند.
پایان قانون مور
براندون لوسیا، مدیرعامل شرکت، معتقد است صنعت سخت‌افزار به دلیل کند شدن مقیاس‌بندی فرآیند CMOS و مقیاس‌بندی دنارد (Dennard Scaling) به دیوار برخورد کرده است. او اشاره می‌کند که بیشتر پیشرفت‌های اخیر در عملکرد، حاصل مصالحه‌های معماری بوده‌اند که سرعت را به قیمت بهره‌وری فدا کرده‌اند؛ مانند اتصالات عظیم و بخش‌های Front-end که برای استخراج موازی‌سازی از جریان‌های متوالی در تقلا می‌کنند.
لوسیا برای توضیح دلیل شکست شتاب‌دهنده‌های تخصصی به «قانون آمدال» استناد می‌کند: اگر ۹۰ درصد یک محاسبه با یک شتاب‌دهنده سازگار باشد و هزینه آن به صفر برسد، حداکثر سود حاصله همچنان تنها ۱۰ برابر خواهد بود، زیرا ۱۰ درصد باقی‌مانده همچنان ناکارآمد باقی می‌ماند.
شرکت Efficient Computer معتقد است با بهینه‌سازی مسیر محاسبات عمومی، می‌تواند این محدودیت را دور بزند. این شرکت اکنون در حال گسترش فناوری خود به سمت خودمختاری انسان‌نما (Humanoid)، خودروهای خودران و هوش مصنوعی عامل‌محور (Agentic AI) در لبه و ابر است.
دیدگاه سرمایه‌گذاران
اندرو مارکس از TQ Ventures تأکید می‌کند که این تیم پیش از این چهار بار مرحله طراحی نهایی (Tape-out) را با موفقیت پشت سر گذاشته و اکنون در حال عرضه محصول در حجم بالا است. ربکا کادن از USV نیز معتقد است این پیشرفت در کل طیف عملکرد، نحوه استقرار محاسبات در جهان را تغییر خواهد داد.
سایر حامیان بر محدودیت‌های توان الکتریکی تأکید کردند. کریس ابشایر از Toyota Ventures اشاره کرد که ترکیب بهره‌وری سطح شتاب‌دهنده با برنامه‌پذیری عمومی، سیستم‌هایی را ممکن می‌کند که پیش از این غیرممکن بودند. پاتریک اوکین از Borderless Capital افزود که توان برق، محدودیت واقعی ظرفیت محاسباتی برای هر دو کاربرد تجاری و امنیت ملی است.
این تغییر نشان‌دهنده آینده‌ای است که در آن «بودجه توان» دیگر تعیین‌کننده قابلیت‌های یک محصول نیست. همان‌طور که لوسیا بیان کرد، هر مشتریی که با آن‌ها ملاقات کرده‌اند، نسخه‌ای از یک محصول را در ذهن داشته که نمی‌توانسته بسازد، زیرا بودجه توان محاسباتی، اجرای آن قابلیت‌ها را غیرممکن می‌کرد.
تلاش‌های این شرکت برای مقیاس‌بندی در سال ۲۰۲۷ قابل رصد است، جایی که از دستگاه‌های لبه به سمت محاسبات در مقیاس مرکز داده حرکت می‌کنند؛ حرکتی که می‌تواند سلطه GPUهای پرمصرف در بارهای کاری نامنظم را به چالش بکشد.
گام بعدی شما
- اگر توسعه‌دهنده سیستم‌های نهفته (Embedded) هستید، مستندات کامپایلر effcc را برای بررسی سازگاری با کدهای C++ دنبال کنید.
- تغییرات در مصرف انرژی مراکز داده را در سال ۲۰۲۷ رصد کنید تا ببینید آیا Electron E1 می‌تواند جایگزین GPUها در بارهای کاری نامنظم شود.
- مدل‌های AI لبه را با تمرکز بر کاهش پیچیدگی محاسباتی بازبینی کنید تا از مزایای سخت‌افزارهای نسل جدید بهره‌مند شوید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و رقابت انویدیا در بازار لبه مراجعه کنید.
گفتگو