Sumeet Kumar, Co-founder og CEO af Innatera – Interview Serie

Sumeet Kumar er Co-founder og CEO af Innatera Nanosystems, hvor han leder udviklingen af ultra-effektive neuromorfiske processorer til sensor i IoT, wearables og indbyggede enheder. Tidligere har han ledet EU-finansieret forskning på TU Delft, herunder det 50 millioner euro store PRYSTINE-projekt om autonome køretøjs-teknologier, og havde roller hos Intel og i akademisk forskning på avancerede processor-arkitekturer.

Innatera er et halvlederfirma, der fokuserer på at bringe ultra-lav-forbrugs-intelligens til “sensor-kanten”. Deres kerne-innovation ligger i spiking neurale processorer bygget på en analog-mix signal-arkitektur, der efterligner hjernens begivenheds-baserede bearbejdning. Disse chips kan genkende mønstre i sensor-data på sub-milliwatt-forbrugs-niveauer og ultra-lav latency, hvilket gør dem ideelle for altid-tilgængelige, strøm-begrænsede anvendelser.

I co-foundede Innatera i 2018 med en vision om at bringe neuromorfiske processorer fra laboratoriet ud i virkelige enheder. Hvad drev dig personligt til at starte virksomheden, og hvordan er den vision ændret over de sidste syv år?

Innatera blev grundlagt med en klar mission: at bringe hjernelignende intelligens direkte til sensoren. Tegnene var tydelige allerede i 2018, enheder integrerede stadig mere komplekse sensorer, og behovet for altid-tilgængelig sansning voksede. Microcontrollere manglede strøm-effektive AI-kapaciteter, og selv det ville kun flytte nålen så langt, når det kom til kontinuerlig bearbejdning i enheder drevet af små batterier. Det var tydeligt, at måden, sensor-data bearbejdes på i disse enheder, behøvede at ændres, og det årti af forskning, vi havde gjort på TUDelft om neuromorfisk computing og energi-effektiv bearbejdning, syntes at have et svar på denne udfordring.

Vores vision er forblevet konsekvent – en smartere, renere og sikrere verden drevet af omgivelses-intelligens. Ved at bringe intelligens til sensorer, vil vores chips enable verdenens sensor-data til at blive bearbejdet direkte på stedet, hvilket fører til en radikal reduktion i energiforbruget af moderne AI. Vi sigter mod at gøre en milliard sensorer intelligente inden 2030.

Pulsar er det første skridt på den rejse – det er verdens første neuromorfiske microcontroller designet til mainstream-adoptions. Det gør hjernelignende intelligens praktisk i wearables, smart home-enheder og industrielle systemer, blandt andre anvendelser, samtidig med at det lægger grundlaget for adaptive, autonome teknologier i fremtiden.

Pulsar er baseret på en fundamentalt ny tilgang til bearbejdning på sensoren, realiseret over 7 års hårdt arbejde og ingeniørarbejde. Hvad startede som et eventyr med fire personer, er i denne tid vokset til et globalt hold på 100, fordelt over 15 lande, forenet af en people-first-kultur bygget på resilience, kreativitet og ambition.

Pulsar beskrives som den første rigtigt masse-markeds-neuromorfiske microcontroller. Hvad gør det forskelligt fra tidligere neuromorfiske chips, der forblev overvejende begrænsede til forsknings-laboratorier?

Fokus for akademisk forskning er ofte på at udvikle innovative nye tilgange til at løse svære problemer. Som følge heraf tenderer fordelene ved løsningerne til at blive målt i isolation. Men når disse nye teknologier deployes i produktion, skal de interagere med andre dele af systemet, hvilket ofte resulterer i, at deres fordelene bliver udvandet. Dette er også tilfældet for mange neuromorfiske og konventionelle AI-accelerationsteknologier – de integreres i systemer, der ikke er designet med de samme grundlæggende principper i mente, og dette fører til en outcome, der blegner i effektivitet. Pulsar, på den anden side, er en komplet, selvstændig microcontroller, purpose-bygget til effektiv bearbejdning af sensor-data på den yderste kant.

Det blev designet fra bunden op til at integrere alt, der er nødvendigt for sensor-data-bearbejdning inden for en enkelt chip: analoge og digitale spiking neurale kerner, CNN- og FFT-acceleratorer og et fuldt 32-bit RISC-V-under-system for system-management og sensor-control. Denne heterogene arkitektur giver Pulsar mulighed for at omdanne rå sensor-data til handlebare indsigt direkte på enheden, samtidig med at det forbruger op til 500 gange mindre energi og kører 100 gange hurtigere end konventionelle AI-processorer.

Ud over hardware adresse Pulsar også den langvarige software-barriere. Dets Talamo SDK, med native PyTorch-integration, gør neuromorfisk udvikling tilgængelig for mainstream-ingeniører og giver mulighed for kompakte modeller under 5KB til at køre i sub-milliwatt-forbrugs-budgetter. Ved at få alt dette til at passe ind i en 2,8 x 2,6 mm-pakke, eliminerer Pulsar behovet for bulke multi-chip-sæt, og det er det første neuromorfiske processor, der er klar til sand masse-markeds-deployment.

Tilgængelighed er et stort tema for Innatera. Hvordan sænker Talamo SDK, især med dens PyTorch-integration, barrieren for udviklere, der er nye til neuromorfisk computing? 

I årtier har den primære barriere for neuromorfisk adoption ikke været på grund af hardware, men i stedet på grund af mangel på udvikler-venlige værktøjer. Udviklere blev konfronteret med stejle læringskurver og ukendte arbejdsgange, hvilket igen langsommelige innovation. Talamo adresse dette direkte ved at give en PyTorch-baseret SDK, der giver ingeniører mulighed for at designe, træne og deploye spiking neurale netværk gennem velkendte arbejdsgange. Kompakte modeller kan let integreres i eksisterende sensor-arkitekturer, og det giver mulighed for altid-tilgængelig intelligens i selv de mindste, mest strøm-begrænsede enheder. Ved at fjerne kompleksitet og accelerere udvikling, gør Talamo neuromorfisk computing tilgængelig for mainstream-udviklere og accelererer vejene fra prototype til produkt.

Fra et teknisk synspunkt, hvordan balancerer du de analoge og digitale spiking-acceleratorer inde i Pulsar til at håndtere diverse workloads effektivt? 

Pulsars arkitektur kombinerer analoge og digitale spiking-kerner for at optimere energi-forbrug og fleksibilitet. De analoge kerner giver ultra-effektiv bearbejdning for kontinuerlige, altid-tilgængelige sensor-workloads, hvor hver mikrowatt tæller. De digitale kerner giver programmerbarhed og præcision for mere komplekse eller variable opgaver, stadig inden for en effektivt forbrugs-område. Workloads fordeles over de to afhængigt af applikations-krav, og det sikrer, at energi kun forbruges, når data ændrer sig. Denne begivenheds-drevne tilgang giver Pulsar mulighed for at opretholde sub-milliwatt-præstationer, samtidig med at det giver fleksibilitet til at understøtte diverse real-verden-anvendelser.

Kan du føre os igennem en typisk udvikler-arbejdsgang – fra træning af en model til deployment på Pulsar – og hvor de største effektivitets-gevinster er realiseret?

Arbejdsgangen starter i PyTorch, hvor udviklere designer og træner deres modeller, som de ville for konventionel AI. Ved hjælp af Innateras Talamo SDK konverteres modellen til et spiking neuralt netværk, der er optimeret til Pulsars hardware. Udviklere kan derefter simulere, forfine og deploye modellen direkte på chippen, ofte med fodaftryk så små som 5KB. Model-udviklingstrinnet er integreret inden for en større applikations-pipeline-udviklings-flow, der giver udvikleren mulighed for at bygge kode, der targetter RISC-V, samt CNN-accelerator, på en samlet måde. Dette oversætter til en forbedret udviklings-oplevelse og kortere udviklingstid.

De største effektivitets-gevinster opstår, når modellen er i gang og kører på Pulsars begivenheds-drevne spiking-kerner. I modsætning til konventionelle MCUs, der forbruger strøm kontinuerligt, kører Pulsar kun, når input-data ændrer sig. Dette giver mulighed for altid-tilgængelige opgaver, såsom gestus-genkendelse eller radar-baseret nærvær-detektion, til at køre kontinuerligt på sub-milliwatt-niveauer, og det giver ordrer af størrelse-forbedringer i energi-effektivitet, samtidig med at det giver høj nøjagtighed og ekstremt kort latency.

Hvilke sektorer viser den hurtigste adoption af jeres teknologi, og kan du dele eksempler på tidlige kunder eller partnere, der allerede deployer Pulsar i produkter?

Adoption af Pulsar sker hurtigst i områder, hvor altid-tilgængelig sansning og ultra-lav-forbrug betyder mest, herunder smarte hjem, wearables og industri-sikkerhed. Et godt eksempel på dette er Aaroh Labs, der har udviklet næste-generations røg-detektorer drevet af Innatera, og som blev præsenteret på SEMICON India 2025. Disse enheder gør mere end blot at registrere røg ved at kombinere røg-detektion med menneske-nærvær-overvågning, og det skaber en rigere situations-bevidsthed og giver mulighed for smartere sikkerhedssystemer til bolig-, kommercielle og industrielle miljøer.

Den samme neuromorfiske tilgang kan udvides til aktiv-tracking og miljø-overvågning, med bredde implikationer for connected sundhed og smarte byer. På SEMICON India præsenterede CYRAN AI Solutions også, hvordan Innateras teknologi integreres i kompakte sensor-systemer, såsom elektromyografi (EMG)-wearables til gestus-genkendelse, og det højligter potentialen for neuromorfisk AI til at enable intuitive menneske-maskine-interaktion.

Disse tidlige deploymenter er kun begyndelsen, og det signalerer, at neuromorfisk computing flytter sig fra teori til praksis, og det tager hurtigt rod i virkelige anvendelser.

I demonstrationer har vi set eksempler som ultra-lav-forbrugs gestus-genkendelse og radar-baseret nærvær-detektion, der forbruger under en milliwatt. Hvordan validerer du nøjagtighed og pålidelighed i sådanne begrænsede miljøer?

Validering afhænger ofte af applikationen, og ud over nøjagtighed giver falske positive og falske negative detektions-rater en kritisk indikation af løsningens pålidelighed. Ofte har kunder specifikke KPI’er og test-betingelser for validering. Pulsars fleksibilitet er nøgle til at enable omfattende løsninger, der giver kunderne mulighed for at tjekke alle bokse for deres use-case. Sammenligninger udføres ved at benchmark mod konventionelle MCUs og acceleratorer, der typisk forbruger 40-100 gange mere strøm for de samme opgaver.

I virkelige demonstrationer, såsom radar-baseret nærvær-detektion og audio-scene-klassificering, leverer Pulsar konsekvent nøjagtigheder over 90%, samtidig med at det holder sig inden for sub-milliwatt-forbrugs-budgetter. Dette giver mulighed for kontinuerlig drift uden at gå på kompromis med pålidelighed, noget traditionelle altid-tilgængelige systemer traditionelt havde til at gå på kompromis med ved at vågne fra søvn, throttling-ydelse eller offloading til skyen.

Du har positioneret Pulsar som komplementær til mere konventionelle NPUs og CPUs. Hvordan ser du neuromorfisk computing inden for den bredere silicium-stack af fremtidige smarte enheder?

Pulsar er designet som den første chip, som sensorer kommunikerer med. Det bearbejder data lokalt på ultra-lav-forbrug, og det omdanner rå sensor-signaler til meningsfulde, handlebare oplysninger direkte på stedet. NPUs og CPUs kan derefter engageres kun, når tungere bearbejdning er nødvendig.

Dette gør neuromorfiske processorer til en komplementær lag i silicium-stakken; en altid-tilgængelig, altid-tilgængelig grundlag, der udvider enhedernes levetid, reducerer energi-forbrug og forbedrer respons-tiden. Pulsar tager opgaven med sensor-data-bearbejdning væk fra de traditionelt højere-forbrugs-komponenter i systemet, og det giver mulighed for, at de kan slukkes i mange enheder, og i nogle tilfælde, endda elimineres helt. Dette fører til smartere og længerevarende enheder.

Hvad rolle spiller samarbejder med partnere som Aaroh Labs og CYRAN AI Solutions i at accelerere virkelige adoption af neuromorfisk AI?

Partnerskaber fungerer som broen mellem gennembrud-teknologi og bred adoption. Ved at arbejde med innovatorer som Aaroh Labs og CYRAN AI Solutions, sikrer Innatera, at Pulsar er valideret i virkelige miljøer og tilpasset specifikke vertikaler. Aaroh Labs bringer neuromorfisk intelligens ind i kritisk sikkerheds-infrastruktur, mens CYRAN AI Solutions demonstrerer dets potentiale i intuitiv menneske-maskine-interaktion. Disse samarbejder viser teknologiens fleksibilitet, og det reducerer barrierer for andre adoptere og bygger tillid til at deployere neuromorfiske processorer i stor skala.

Vores partnerskaber med sensor-udbydere som Socionext giver os mulighed for at pakke intelligens tæt ind i sensor-modulen, og det simplificerer optagelsen og deployment af intelligent sansning i enheder. Yderligere styrker disse samarbejder vores allerede stærke og voksende økosystem, og det accelererer spredningen af neuromorfisk computing i industrien.

Set fremad, ser du Pulsar og dens efterfølgere bevæge sig mod on-device-læring og tilpasning, snarere end blot inference på kanten?

Absolut. Med Pulsar har vi kun lige begyndt at skrabe overfladen af, hvad neuromorfisk kan gøre. Neuromorfiske processorer er indrengende velegnede til online-læring og tilpasning, og Pulsar lægger grundlaget for enheder, der kan gøre langt mere end blot at registrere og reagere.

Neuromorfisk computing er sat til at enable en ny generation af adaptive og autonome edge-enheder; systemer, der lærer, selv-justerer og optimerer i realtid, samtidig med at de kører på små batterier. Denne udvikling vil låse op for en bred vifte af anvendelser, der strækker sig fra wearables, der tilpasser sig din adfærd på fly, til industrielle systemer, der forudser og forhindrer fejl med minimalt energi-forbrug. Det lange sigte er at skabe enheder, der er lige så intelligente, som de er kontinuerligt adaptive og resilient, og det vil redefine, hvad der virkelig er muligt på kanten.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Innatera.