Physical AI Spezialisierte Halbleiterplattformen für die nächste Automatisierungswelle

Anbieter zum Thema

Globalfoundries Dresden Module One LLC & Co.KG

MicroConsult Academy GmbH

ET System electronic GmbH

Syslogic GmbH

Physical AI markiert den Übergang von KI, die primär in Rechenzentren läuft, hin zu intelligenten Systemen, die direkt in der physischen Welt agieren. Technisch betrachtet geht es um Maschinen, die ihre Umgebung in Echtzeit erfassen, interpretieren, darauf reagieren und mit anderen Systemen kommunizieren – also sense, think, act, communicate (STAC).

Die großen technologischen Sprünge der vergangenen Jahre wurden in AI Data Centers erzielt, die heute die Grundlage für Training und Hosting großer Modelle bilden. Der nächste Schritt der Wertschöpfung findet jedoch an der Peripherie statt: bei Milliarden vernetzter Endpunkte, die Intelligenz direkt in Produkte und Prozesse bringen. Physical AI verschiebt Rechen- und Entscheidungslogik näher an den Ort, an dem Daten entstehen und Aktionen ausgelöst werden – in Fahrzeuge, Roboter, Maschinen und Geräte. Damit verändern sich die Anforderungen grundlegend: Entscheidend ist nicht mehr nur maximale Compute-Leistung, sondern die Fähigkeit, unter engen Energie-, Latenz- und Kostenbudgets zuverlässig in Echtzeit zu arbeiten. Gleichzeitig müssen Systeme über viele Jahre updatefähig bleiben, um neue Modelle und Funktionen nachzuladen, ohne die Hardware zu ersetzen.

STAC: Das Echtzeit-Betriebsmodell von Physical AI

Ein praxisnahes Rahmenmodell für Physical AI ist der STAC-Ansatz (sense – think – act – communicate), der beschreibt, wie solche Systeme im Feld arbeiten.

• Sense: Erfassung von Umgebungsdaten durch multimodale Sensorik – etwa Kameras, Radar, Lidar, Audio, Haptik und Umweltsensoren.

• Think: Lokale Verarbeitung und Interpretation dieser Daten, häufig mit AI-Inferencing, um deterministische, sichere Entscheidungen in Echtzeit zu treffen.

• Act: Umsetzung dieser Entscheidungen in präzise Bewegungen oder Schaltvorgänge über Motoren, Aktoren und Regelkreise mit engen Feedback-Loops.

• Communicate: Austausch von Status-, Sensordaten und Modellen zwischen Gerät, Edge und Cloud, um Flotten zu orchestrieren, Updates auszurollen und Systeme kontinuierlich zu optimieren.

Aus Halbleitersicht leitet STAC drei zentrale Anforderungen ab: hohe Energieeffizienz, deterministische Latenz und langfristige Zuverlässigkeit inklusive Security über den gesamten Lebenszyklus. Nur wenn alle vier STAC-Funktionen unter diesen Randbedingungen abgebildet werden können, lassen sich Physical-AI-Anwendungen aus der Pilotphase in sicherheitskritische, skalierte Umgebungen überführen.

Zweckdienliche Halbleiterplattformen für Physical AI

Die beschriebenen Workloads führen dazu, dass klassische, rein auf maximale Rechenleistung optimierte SoCs an Grenzen stoßen. Gefragt sind zweckdienliche, purpose-built Plattformen, die Compute, Sensing, Actuation, Speicher und Konnektivität unter einem gemeinsamen Energie- und Latenzbudget zusammenführen. Globalfoundries etwa kann diesen Bedarf mit mehreren Technologiebausteinen adressieren:

FDX und FinFET:

• Ultra-Low-Power-CMOS mit Body-Bias-Fähigkeiten und effizienten FinFET-Knoten, die hohe Compute-Dichte mit sehr niedrigem Energiebedarf kombinieren.

• Integration von Analog-, Mixed-Signal- und RF-Funktionalität auf einem Die, was kompakte Edge-SoCs mit integrierter Sensoranbindung ermöglicht.

Embedded non-volatile Memory (eNVM):

• Lokale Speicherung von Firmware, Modellen und Konfigurationsdaten, wodurch sich Systeme per OTA-Update über Jahre im Feld anpassen lassen.

• Grundlage für softwaredefinierte Architekturen, bei denen Hardware-Plattformen für mehrere Generationen von Software und AI-Modellen genutzt werden.

Power-Management-Technologien:

• Feingranulare Spannungs- und Takt-Domänen, Deep-Sleep-States und adaptive Regler, um sowohl aktive als auch Standby-Verluste zu minimieren.

• Besonders relevant in batteriebetriebenen oder passiv gekühlten Systemen wie Robotik, Wearables oder vernetzten Sensoren.

Silicon Photonics und RF:

• Hohe Datenraten und Bandbreiten für On-Board- und Off-Board-Verbindungen, um große Sensordatenmengen mit minimalem Energieaufwand zu übertragen.

• Skalierbare Konnektivität über Milliarden Devices hinweg – eine Grundvoraussetzung für verteilte Physical-AI-Flotten.

Advanced Packaging und heterogene Integration:

• 2.5D- und 3D-Ansätze, mit denen Compute-, Memory-, RF- und Power-Chips zu einem logischen System zusammengeführt werden.

• Optimierte Signalwege und Energieflüsse, um Latenzen zu senken und gleichzeitig Footprint und Stückkosten zu reduzieren.

Diese Bausteine ermöglichen Physical-AI-Systemen, mehr mit weniger zu leisten – also anspruchsvolle STAC-Workloads innerhalb enger Power-, Thermal- und Compute-Grenzen zu bewältigen. Für die Industrie eröffnet dies die Möglichkeit, intelligentes Verhalten in deutlich breitere Geräteklassen zu bringen, als es mit reinen High-End-SoCs wirtschaftlich darstellbar wäre.

Software-definierte, verteilte Intelligenz

Ein zweiter Strukturwandel betrifft die Systemarchitektur: Statt zentralisierten Compute-Blöcken entstehen verteilte, software-definierte Systeme. Intelligenz wandert näher an Sensoren und Aktoren, um Entscheidungen dort zu treffen, wo sie benötigt werden – mit kurzen Signalwegen und reproduzierbarer Latenz. Für Halbleiter bedeutet das:

• Geräte müssen breite, heterogene Workloads abdecken – von klassischer Steuerung und Signalverarbeitung bis zu AI-Inferencing und Safety-Funktionen.

• Plattformen werden über Software differenziert; Hardware wird bewusst generisch genug ausgelegt, um mehrere Produktzyklen zu überdauern.

• Embedded-Memory, sichere Boot- und Update-Mechanismen sowie Hardware-Security-Features werden zur Pflicht, nicht zur Option.

Globalfoundries etwa positioniert seine Plattformen explizit für solche Software-definierten, verteilten Architekturen und koppelt Prozesstechnologien mit IP, Packaging und Fertigung im Sinne eines Co-Design-Ansatzes. Durch die Integration des MIPS-Portfolios – darunter echtzeitfähige, multi-threaded RISC-V-Prozessoren – werden die Compute-Bausteine ergänzt, die deterministische Echtzeitfähigkeit in solchen Systemen sicherstellen sollen.

Anwendungsfelder: ADAS, Robotik, Humanoide

Die Auswirkungen dieser technischen Entwicklungen zeigen sich bereits in mehreren Segmenten:

• Automotive / ADAS: Physical-AI-Systeme treiben die nächste Generation von Advanced Driver Assistance Systems und automatisierten Fahrfunktionen. Sie kombinieren multimodale Sensorik (Kameras, Radar, Lidar) mit Echtzeitverarbeitung und präziser Actuation, um Fahrmanöver unter strengen Sicherheits-, Power- und Thermikvorgaben auszuführen.

• Industrieautomation und Logistik: Autonome mobile Roboter, Cobots und fahrerlose Transportsysteme müssen in dynamischen Umgebungen navigieren, Objekte erkennen, Pfade planen und sicher mit Menschen interagieren. Hier zahlen sich energieeffiziente Edge-Plattformen mit integrierter Sensorik, Connectivity und sicherer Steuerung aus.

• Humanoide und komplexe Robotik: Für humanoide Roboter, die in menschlichen Umgebungen arbeiten sollen, sind hohe Sensorikdichte, verteilte Intelligenz, deterministische Latenz und robuste Kommunikation unverzichtbar. Marktprognosen gehen allein in diesem Segment von einem sehr hohen langfristigen Potenzial aus, was die Relevanz skalierbarer Physical-AI-Plattformen weiter unterstreicht.

Mit dem Übergang von Cloud-zentrierter KI zu Physical AI verschiebt sich der Fokus hin zu zuverlässigen, energieeffizienten und anpassbaren Systemen im Feld. Halbleiterplattformen, die STAC-Workloads ganzheitlich adressieren und dabei Power, Latenz, Konnektivität und Updatefähigkeit berücksichtigen, werden zum entscheidenden Enabler für die nächste Automatisierungswelle. Globalfoundries setzt darauf, diese Rolle mit differenzierten Prozesstechnologien, Advanced Packaging, RF- und Connectivity-Lösungen sowie der Integration von MIPS-Prozessor-IP auszufüllen. Für Entwickler in Automotive, Industrie und Robotik entsteht damit ein Ökosystem, das es erlaubt, Physical-AI-Systeme von ersten Demonstratoren in breit ausgerollte, kritische Anwendungen zu überführen. (sg)

* Ed Kaste ist Senior Vice President of Ultra-Low Power CMOS Business bei Globalfoundries

(ID:50791379)