Perubahan Radikal dalam Arsitektur Komputasi
Para peneliti China memperkenalkan chip komputasi analog revolusioner yang memproses beban kerja kecerdasan buatan dengan energi yang jauh lebih sedikit dibandingkan prosesor digital konvensional. Terobosan ini menjadi tonggak penting dalam upaya mengembangkan perangkat keras AI yang lebih berkelanjutan. Dalam studi yang diterbitkan pekan ini di jurnal Nature Communications, para ilmuwan dari Universitas Peking menunjukkan bahwa chip memori akses acak resistif mereka dapat melatih sistem rekomendasi menggunakan kumpulan data yang skalanya sebanding dengan yang digunakan Netflix dan Yahoo. Chip tersebut mencapai kecepatan 12 kali lebih tinggi daripada prosesor digital canggih, dengan konsumsi energi hanya seperseratus dari prosesor itu.
Daftar Isi
Terobosan ini membuktikan klaim teoretis sebelumnya sekaligus membawa teknologi tersebut melampaui tolok ukur matematika sederhana menuju penerapan praktis. Penulis utama Sun Zhong mengatakan pencapaian ini mendorong batas komputasi analog selangkah lebih jauh. Ia mencatat bahwa chip baru itu mampu menangani tugas kompleks sembari mempertahankan keunggulan bawaan komputasi analog dalam hal kecepatan dan efisiensi energi. Perkembangan ini terjadi saat pusat data di seluruh dunia kesulitan memenuhi lonjakan kebutuhan listrik yang didorong oleh pelatihan AI. Sejumlah fasilitas mengonsumsi daya setara dengan kota kecil.
Penelitian ini melanjutkan studi yang pertama kali dilaporkan pada Oktober, ketika tim tersebut mengumumkan bahwa mereka telah memecahkan masalah presisi yang telah berlangsung selama seabad dan selama ini menghambat komputasi analog. Saat itu, para peneliti menyatakan chip tersebut berpotensi mencapai laju pemrosesan 1.000 kali lebih tinggi daripada unit digital tercanggih, seperti unit pemroses grafis Nvidia H100, sekaligus menawarkan efisiensi energi 100 kali lebih baik. Publikasi terbaru ini mengonfirmasi peningkatan kinerja di dunia nyata, meski lebih moderat daripada proyeksi teoretis awal, serta menunjukkan kemampuan chip dalam aplikasi rekomendasi personal dan pemrosesan gambar.
Komputer tradisional memproses informasi sebagai digit biner, yakni nol dan satu. Sebaliknya, sistem analog memanipulasi sinyal fisik kontinu, seperti arus listrik. Komputasi digital bekerja seperti sakelar lampu biasa yang hanya memiliki dua posisi, nyala atau mati, sedangkan komputasi analog lebih menyerupai sakelar peredup yang dapat menyesuaikan nilai dalam rentang kontinu. Perbedaan mendasar ini memungkinkan chip analog melakukan perhitungan melalui sifat fisik, bukan kode biner, sehingga dapat menghindari perpindahan data yang boros energi antara memori dan unit pemrosesan yang membatasi prosesor konvensional.
Perkembangan ini hadir pada saat yang krusial, ketika industri kecerdasan buatan menghadapi krisis energi. Melatih satu model bahasa besar saja dapat menghabiskan listrik dalam jumlah megawatt-jam, sementara pusat data di seluruh dunia menggunakan daya lebih besar daripada sejumlah negara maju. Prosesor digital tradisional menghadapi batas fisik mendasar karena produsen kian mendekati skala atomik komponen semikonduktor. Karena itu, inovasi arsitektur, bukan kemajuan fabrikasi, semakin diperlukan untuk mempertahankan laju perkembangan.
Namun, sistem analog secara historis kesulitan mencapai presisi. Komputer digital memperoleh hasil yang tepat melalui algoritme bertahap, sedangkan perangkat analog rentan terhadap gangguan dan derau sinyal sehingga tidak cocok untuk aplikasi modern yang kompleks. Keterbatasan ini membuat teknologi analog selama puluhan tahun dianggap sekadar keingintahuan sejarah, meski akarnya sudah ada sejak zaman kuno. Salah satu contohnya adalah mekanisme Antikythera, kalkulator astronomi Yunani berusia 2.000 tahun yang menggunakan roda gigi saling terkait untuk memprediksi posisi benda langit.
Menembus Batas Presisi
Tim Universitas Peking mengatasi keterbatasan ini melalui arsitektur dua sirkuit inovatif yang menggabungkan kecepatan komputasi analog dengan akurasi sistem digital. Chip mereka menggunakan sel memori akses acak resistif, yang menyimpan data dengan menyesuaikan hambatan listrik di antara elektrode. Dengan mengatur sel-sel ini menjadi dua sirkuit berbeda, para peneliti menciptakan sistem yang menghasilkan solusi perkiraan secara cepat, lalu menyempurnakannya melalui pemrosesan berulang hingga mencapai presisi yang sebanding dengan perhitungan digital floating-point 32 bit.
Presisi telah lama menjadi hambatan utama komputasi analog. Cara mencapai presisi tinggi sekaligus skalabilitas dalam komputasi analog, sehingga keunggulan bawaannya dapat dimanfaatkan untuk tugas komputasi modern, merupakan masalah yang telah membayangi komunitas ilmiah global selama seabad.
Sun Zhong, yang menjabat sebagai asisten profesor di universitas tersebut, menjelaskan bahwa pendekatan ini meningkatkan presisi komputasi analog tradisional hingga lima orde magnitudo, atau sekitar 100.000 kali. Sirkuit pertama menghasilkan nilai dengan tingkat kesalahan sekitar satu persen. Namun, setelah tiga siklus penyempurnaan melalui sirkuit kedua, tingkat kesalahan turun hingga setara dengan prosesor digital standar. Tim tersebut membuktikan kemampuan ini dengan memecahkan masalah inversi matriks yang melibatkan matriks bernilai riil berukuran 16 kali 16 dengan presisi titik tetap 24 bit.
Teknologi memori akses acak resistif yang menjadi inti inovasi ini berbeda secara signifikan dari komputasi tradisional berbasis transistor. Sel RRAM berfungsi sebagai memristor, yakni komponen listrik yang mengingat jumlah arus yang pernah mengalir melaluinya dengan mengubah hambatan internal. Sifat ini memungkinkan chip menyimpan dan memproses informasi secara bersamaan di lokasi fisik yang sama, sehingga menghilangkan pemisahan antara memori dan prosesor. Pemisahan itu memaksa komputer konvensional menghabiskan energi untuk memindahkan data bolak-balik melalui jalur bus.
Operasi matriks menjadi landasan matematis bagi kecerdasan buatan modern, pembelajaran mesin, dan komunikasi nirkabel. Saat melatih jaringan saraf atau memproses sinyal untuk jaringan 6G, komputer harus menyelesaikan persamaan yang melibatkan kisi-kisi angka berukuran besar. Prosesor digital menangani tugas ini secara berurutan, dengan memecah perhitungan menjadi rangkaian panjang operasi biner. Chip analog memproses matriks-matriks tersebut secara paralel, melakukan perhitungan langsung di dalam larik memori tanpa mengubah sinyal menjadi kode biner.
Pentingnya memecahkan masalah presisi ini tidak bisa diremehkan. Komputasi analog sudah ada sebelum teknologi digital. Contoh awalnya termasuk integrator air Soviet pada 1936 yang menggunakan cairan yang mengalir melalui tabung untuk menyelesaikan persamaan matematika. Meski demikian, masalah derau dan skalabilitas membuat sistem analog ditinggalkan seiring berkembangnya teknologi digital. Chip baru ini menghidupkan kembali konsep tersebut dengan menggunakan teknologi memori resistif modern, yang berpotensi membuka kembali jalan bagi arsitektur yang ditinggalkan puluhan tahun lalu.
Dari Teori Matematika ke Aplikasi Praktis
Pengumuman awal berfokus pada kemampuan teoretis, sedangkan publikasi terbaru mengonfirmasi kinerja chip dalam beban kerja AI praktis yang mencerminkan kebutuhan industri. Chip itu berhasil menangani sistem rekomendasi personal menggunakan kumpulan data yang skalanya sebanding dengan data yang digunakan Netflix dan Yahoo, menunjukkan kemampuan di luar tolok ukur matematika sederhana. Dalam uji kompresi gambar, sistem tersebut merekonstruksi data visual dengan kualitas yang hampir identik dengan komputasi digital berpresisi penuh, sekaligus mengurangi kebutuhan penyimpanan hingga separuhnya.
Aplikasi-aplikasi ini mencerminkan beban kerja intensif data yang kini membebani sumber daya pusat data di seluruh dunia. Algoritme rekomendasi mendukung layanan streaming, platform media sosial, dan situs e-commerce dengan memproses miliaran interaksi pengguna untuk menghasilkan saran yang dipersonalisasi. Kompresi gambar menjadi dasar berbagai hal, mulai dari streaming video hingga pencitraan medis. Pengurangan ukuran berkas tanpa mengorbankan kualitas dapat menghemat biaya bandwidth dan penyimpanan. Kemampuan chip menangani tugas-tugas ini dengan konsumsi energi minimal menunjukkan potensi untuk mengubah cara layanan tersebut beroperasi.
Ini mendorong batas komputasi analog selangkah lebih jauh.
Selain aplikasi konsumen, chip ini juga menunjukkan kemampuan dalam pengujian komunikasi nirkabel, yakni mendeteksi sinyal pada sistem masif multiple-input multiple-output. Teknologi ini sangat penting bagi jaringan 6G masa depan, ketika stasiun pangkalan harus memproses larik antena yang besar secara real time. Dalam tugas komunikasi tersebut, perangkat ini menyamai kinerja prosesor digital dengan menggunakan energi sekitar 100 kali lebih sedikit. Hal ini menunjukkan potensi penerapannya di lingkungan dengan pasokan daya terbatas, tempat masa pakai baterai atau kapasitas pendinginan membatasi penggunaan perangkat keras tradisional.
Jaringan nirkabel 6G mendatang akan mengharuskan stasiun pangkalan mengelola ratusan elemen antena sekaligus, serta memproses data sinyal dalam jumlah besar secara real time agar tetap terhubung dengan perangkat seluler. Kebutuhan komputasi sistem ini melampaui kemampuan prosesor sinyal digital saat ini, khususnya terkait batas latensi dan anggaran daya di menara seluler terpencil. Kemampuan chip analog mendeteksi sinyal komunikasi nirkabel dengan kinerja setara prosesor digital, tetapi menggunakan energi minimal, membuatnya sangat sesuai untuk aplikasi telekomunikasi tersebut.
Penghematan energi menjadi sangat berarti jika mempertimbangkan skala infrastruktur AI modern. Pelatihan model bahasa besar membutuhkan pemrosesan selama berminggu-minggu dengan ribuan kartu grafis kelas atas, yang mengonsumsi listrik dalam jumlah megawatt-jam. Mengurangi konsumsi energi hingga dua orde magnitudo sambil mempertahankan atau meningkatkan kecepatan pemrosesan dapat memangkas biaya operasional dan dampak lingkungan secara drastis, sekaligus menjawab kekhawatiran yang kian meningkat mengenai jejak karbon pengembangan kecerdasan buatan.
Konteks Semikonduktor Global
Terobosan ini muncul pada momen krusial dalam lanskap teknologi global, ketika pembatasan ekspor membatasi akses China terhadap GPU Nvidia canggih dan prosesor digital berkinerja tinggi lainnya. Meski chip ini belum bisa langsung menggantikan kartu grafis serbaguna, chip tersebut menawarkan alternatif khusus untuk tugas komputasi tertentu yang mendominasi beban kerja pelatihan dan inferensi AI. Analis industri memperkirakan teknologi ini dapat mengubah perangkat keras AI dengan menyediakan pilihan hemat energi untuk perhitungan berbasis matriks yang menjadi inti operasi jaringan saraf.
Perbandingan dengan Nvidia H100, kartu grafis yang digunakan untuk melatih model bahasa besar, termasuk ChatGPT, menyoroti potensi disrupsi teknologi ini. Proyeksi teoretis menunjukkan laju pemrosesan 1.000 kali lebih tinggi daripada prosesor digital tersebut untuk operasi matriks tertentu, dengan peningkatan efisiensi energi 100 kali lipat. Bahkan hasil uji dunia nyata yang telah dikonfirmasi, yakni kecepatan 12 kali lebih tinggi dan efisiensi energi 200 kali lebih baik, merupakan peningkatan besar dibandingkan teknologi saat ini yang mendominasi pusat data di seluruh dunia.
Proses manufaktur chip ini memanfaatkan kemampuan pabrik pengecoran komersial, sehingga produksi secara teoretis dapat ditingkatkan tanpa memerlukan material khusus atau fasilitas fabrikasi baru yang revolusioner. Pendekatan praktis ini membedakan penelitian tersebut dari eksperimen laboratorium yang tidak dapat diterapkan di luar lingkungan steril. Chip dibuat menggunakan teknik manufaktur semikonduktor standar. Artinya, jika permintaan muncul, produksi dapat ditingkatkan dengan memanfaatkan rantai pasokan yang sudah ada, tanpa memerlukan investasi infrastruktur bernilai miliaran dolar.
James Millen, peneliti di King's College London, menjelaskan pentingnya perhitungan matriks dalam pelatihan AI. Ia mengatakan komputer digital berfungsi sebagai mesin universal yang mampu menghitung apa pun, tetapi belum tentu dapat menghitung semuanya secara efisien atau cepat. Komputer analog yang dirancang untuk tugas tertentu dapat mencapai kecepatan dan efisiensi luar biasa untuk aplikasi tersebut, sehingga berpotensi mengurangi kebutuhan energi yang sangat besar akibat meningkatnya ketergantungan pada AI.
Keterbatasan Teknis dan Pengembangan Mendatang
Meski hasil tolok ukurnya mengesankan, para peneliti mengakui masih ada keterbatasan signifikan. Sun Zhong mengingatkan bahwa peningkatan dalam aplikasi dunia nyata mungkin lebih kecil daripada yang ditunjukkan oleh capaian teoretis maksimum. Chip ini hanya dikhususkan untuk komputasi matriks, sehingga hanya mempercepat bagian pelatihan AI yang melibatkan operasi matematika tertentu tersebut. Jika perhitungan matriks mendominasi beban kerja tertentu, peningkatan kecepatannya akan signifikan. Namun, untuk tugas komputasi umum yang memerlukan beragam operasi, manfaatnya masih terbatas.
Kenyataan ini menunjukkan bahwa masa depan kemungkinan akan melibatkan arsitektur hibrida, bukan penggantian prosesor digital sepenuhnya dengan sistem analog. Unit pemroses grafis masa depan dapat menggabungkan sirkuit analog untuk menangani bagian tertentu dari algoritme pelatihan AI, terutama metode optimasi orde kedua dan operasi aljabar linear, sembari mempertahankan inti digital untuk komputasi serbaguna. Integrasi semacam ini masih membutuhkan waktu bertahun-tahun sebelum menjadi produk komersial, tetapi penelitian tersebut menyediakan teknologi dasar untuk pengembangannya.
Komputasi tepi merupakan bidang penerapan lain yang menjanjikan. Kendaraan otonom, robot industri, dan perangkat realitas tertambah membutuhkan daya pemrosesan besar, tetapi beroperasi dengan batasan ketat pada baterai dan suhu. Solusi saat ini mengandalkan pengiriman data ke server cloud untuk diproses, sehingga menimbulkan latensi dan ketergantungan pada konektivitas. Chip analog yang mampu menjalankan inferensi AI kompleks secara lokal tanpa beban konsumsi energi prosesor digital dapat membuat perangkat-perangkat ini beroperasi lebih mandiri sekaligus memperpanjang masa pakai baterai secara signifikan.
Skalabilitas juga menjadi tantangan. Prosesor digital dapat menangani masalah dengan ukuran apa pun dengan memecahnya menjadi bagian-bagian lebih kecil dan memprosesnya secara berurutan. Sebaliknya, sistem analog memerlukan sirkuit fisik yang lebih besar untuk menyelesaikan matriks yang lebih besar. Pembuatan chip yang mampu menangani masalah dengan sejuta kali sejuta variabel seperti yang ditemukan dalam model bahasa besar modern akan membutuhkan kemajuan rekayasa yang signifikan. Meski demikian, untuk aplikasi komputasi tepi yang sangat dibatasi konsumsi daya, chip analog berskala lebih kecil sekalipun dapat memungkinkan AI kompleks dijalankan langsung di perangkat tanpa mengandalkan koneksi cloud.
Tim peneliti menyatakan bahwa sasaran berikutnya adalah membuat chip terintegrasi penuh yang lebih besar dan mampu menangani masalah yang lebih kompleks dengan kecepatan lebih tinggi. Keberhasilan dalam upaya ini dapat mempercepat pengembangan komunikasi 6G, memungkinkan pelatihan model AI yang lebih efisien, dan mengurangi dampak lingkungan pusat data yang saat ini mengonsumsi persentase listrik global yang terus meningkat. Ketika komputasi digital mendekati batas fisik akibat pemisahan memori dan pemrosesan, alternatif analog menawarkan jalan untuk terus meningkatkan kinerja tanpa peningkatan konsumsi daya yang sebanding.
Intinya
- Para peneliti Universitas Peking mengembangkan chip AI analog berbasis memori akses acak resistif yang mencapai kecepatan 12 kali lebih tinggi dan efisiensi energi 200 kali lebih baik daripada prosesor digital canggih dalam tugas pemrosesan gambar dan rekomendasi di dunia nyata.
- Perangkat ini memecahkan masalah presisi yang telah berlangsung selama seabad dan sebelumnya menghalangi komputasi analog untuk menyamai akurasi digital. Arsitektur dua sirkuitnya menyempurnakan perhitungan perkiraan hingga mencapai tingkat kesalahan yang sebanding dengan sistem floating-point 32 bit.
- Berbeda dengan prosesor digital yang menggunakan angka biner nol dan satu, chip ini memanipulasi sinyal listrik kontinu untuk melakukan perhitungan matriks langsung di memori, sehingga menghilangkan hambatan perpindahan data yang menghabiskan sebagian besar energi dalam komputasi konvensional.
- Teknologi ini dibuat menggunakan proses semikonduktor komersial, sehingga berpotensi diproduksi massal. Namun, implementasi saat ini hanya mampu menangani matriks yang lebih kecil daripada yang dibutuhkan untuk melatih model AI terbesar.
- Aplikasinya mencakup sistem rekomendasi personal, kompresi gambar, pemrosesan sinyal nirkabel 6G, serta kemungkinan arsitektur komputasi hibrida yang memadukan efisiensi analog dengan fleksibilitas digital.
- Terobosan ini hadir saat China menghadapi pembatasan impor GPU Nvidia canggih. Chip tersebut menawarkan alternatif buatan dalam negeri untuk beban kerja AI tertentu, sekaligus berpotensi mengurangi konsumsi energi pusat data di seluruh dunia.
