Sumeet Kumar, Co-founder dan CEO Innatera – Seri Wawancara

Sumeet Kumar adalah Co-founder dan CEO Innatera Nanosystems, di mana ia memimpin pengembangan prosesor neuromorphic ultra-efisien untuk analitik data sensor di IoT, perangkat wearable, dan perangkat tertanam. Sebelumnya, ia mengelola penelitian yang didanai oleh Uni Eropa di TU Delft, termasuk proyek PRYSTINE senilai €50 juta tentang teknologi kendaraan otonom, dan memegang posisi di Intel (INTC ) dan penelitian akademis tentang arsitektur prosesor canggih.

Innatera adalah perusahaan semikonduktor yang fokus membawa kecerdasan ultra-rendah daya ke “sensor edge.” Inovasi intinya terletak pada prosesor neural spike yang dibangun pada arsitektur analog-mixed signal yang meniru pemrosesan berbasis peristiwa otak. Chip ini dapat mengenali pola dalam data sensor pada tingkat daya sub-milliwatt dan latensi ultra-rendah, membuatnya ideal untuk aplikasi yang selalu aktif dan terbatas daya.

Anda mendirikan Innatera pada 2018 dengan visi untuk membawa prosesor neuromorphic dari laboratorium ke perangkat dunia nyata. Apa yang mendorong Anda secara pribadi untuk memulai perusahaan, dan bagaimana visi tersebut telah berkembang selama tujuh tahun terakhir?

Innatera didirikan dengan misi yang jelas: membawa kecerdasan seperti otak langsung ke sensor. Tanda-tanda sudah jelas bahkan pada 2018, perangkat mengintegrasikan sensor yang semakin kompleks, dan kebutuhan akan penginderaan yang selalu aktif tumbuh. Mikrokontroler kekurangan kemampuan AI yang efisien dalam hal daya, dan bahkan itu hanya akan memindahkan jarum penunjuk sejauh itu ketika datang ke pemrosesan kontinu di perangkat yang ditenagai oleh baterai kecil. Jelas bahwa cara data sensor diproses di perangkat ini perlu diubah, dan dekade penelitian yang kami lakukan di TUDelft tentang komputasi neuromorphic dan pemrosesan yang efisien dalam hal daya tampaknya memiliki jawaban untuk tantangan ini.

Visi kami tetap konsisten – dunia yang lebih pintar, lebih bersih, dan lebih aman yang ditenagai oleh kecerdasan ambient. Dengan membawa kecerdasan ke sensor, chip kami akan memungkinkan data sensor dunia diproses langsung di sumber, menyebabkan penurunan radikal dalam penggunaan energi AI modern. Kami bertujuan untuk membuat satu miliar sensor cerdas pada 2030.

Pulsar adalah langkah pertama dalam perjalanan itu – ini adalah mikrokontroler neuromorphic pertama yang dirancang untuk adopsi mainstream. Ini membuat kecerdasan yang terinspirasi otak praktis dalam perangkat wearable, perangkat pintar rumah, dan sistem industri, antara lain, sambil meletakkan dasar untuk teknologi adaptif dan otonom di masa depan.

Pulsar didasarkan pada pendekatan baru yang mendasar untuk pemrosesan di sensor, yang direalisasikan selama 7 tahun penelitian dan rekayasa yang keras. Apa yang dimulai sebagai ventura dengan empat orang, telah tumbuh menjadi tim global yang terdiri dari 100 orang, di 15 negara, yang dipersatukan oleh budaya yang berfokus pada orang, yang dibangun pada ketahanan, kreativitas, dan ambisi.

Pulsar digambarkan sebagai mikrokontroler neuromorphic pertama yang benar-benar siap untuk pasar massal. Apa yang membuatnya berbeda dari chip neuromorphic sebelumnya yang sebagian besar terbatas pada laboratorium penelitian?

Fokus penelitian akademis seringkali pada mengembangkan pendekatan inovatif baru untuk memecahkan masalah yang sulit. Sebagai konsekuensi, manfaat dari solusi cenderung diukur dalam isolasi. Namun, ketika teknologi baru ini diterapkan dalam produksi, mereka harus berinteraksi dengan bagian lain dari sistem, yang sering mengakibatkan manfaatnya menjadi encer. Ini juga berlaku untuk banyak teknologi akselerasi AI neuromorphic dan konvensional – mereka diintegrasikan ke dalam sistem yang tidak dirancang dengan prinsip yang sama, dan ini menghasilkan hasil yang pucat dalam hal efisiensi. Pulsar, di sisi lain, adalah mikrokontroler lengkap dan mandiri, yang dirancang khusus untuk pemrosesan data sensor yang efisien di ujung ekstrem.

Ini dirancang dari awal untuk mengintegrasikan semua yang diperlukan untuk pemrosesan data sensor dalam satu chip: inti neural spike analog dan digital, akselerator CNN dan FFT, dan subsystem RISC-V 32-bit penuh untuk manajemen sistem dan kontrol sensor. Arsitektur heterogen ini memungkinkan Pulsar untuk mengubah sinyal sensor mentah menjadi wawasan yang berarti dan dapat ditindaklanjuti langsung di perangkat, sambil mengonsumsi hingga 500 kali lebih sedikit energi dan berjalan 100 kali lebih cepat daripada prosesor AI konvensional.

Di luar perangkat keras, Pulsar juga menangani hambatan perangkat lunak yang sudah lama ada. SDK Talamo-nya, dengan integrasi PyTorch asli, membuat pengembangan neuromorphic menjadi dapat diakses oleh insinyur mainstream dan memungkinkan model kompak di bawah 5KB untuk berjalan dalam anggaran daya sub-milliwatt. Dengan memasukkan semua ini ke dalam paket 2,8 x 2,6 mm, Pulsar menghilangkan kebutuhan akan setup multi-chip yang besar, membuatnya menjadi prosesor neuromorphic pertama yang siap untuk penerapan pasar massal.

Aksesibilitas adalah tema besar bagi Innatera. Bagaimana SDK Talamo, terutama dengan integrasi PyTorch-nya, menurunkan hambatan bagi pengembang yang baru dalam komputasi neuromorphic? 

Selama beberapa dekade, hambatan utama untuk adopsi neuromorphic bukanlah karena perangkat keras, melainkan karena kurangnya alat pengembang yang ramah. Pengembang dihadapkan pada kurva belajar yang curam dan alur kerja yang tidak familiar, yang pada gilirannya memperlambat inovasi. Talamo secara langsung menangani ini dengan menyediakan SDK berbasis PyTorch yang memungkinkan insinyur merancang, melatih, dan mengirimkan jaringan neural spike melalui alur kerja yang familiar. Model kompak dapat dengan mudah diintegrasikan ke dalam arsitektur sensor yang ada, memungkinkan kecerdasan yang selalu aktif dalam perangkat terkecil dan paling terbatas daya. Dengan menghilangkan kompleksitas dan mempercepat pengembangan, Talamo membuat komputasi neuromorphic dapat diakses oleh pengembang mainstream dan mempercepat jalur dari prototipe ke produk.

Dari sudut pandang teknis, bagaimana Anda menyeimbangkan akselerator spiking analog dan digital di dalam Pulsar untuk menangani beban kerja yang beragam dengan efisien? 

Arsitektur Pulsar menggabungkan inti analog dan digital spiking untuk mengoptimalkan penggunaan energi dan fleksibilitas. Inti analog menyediakan pemrosesan ultra-efisien untuk beban kerja sensor yang kontinu dan selalu aktif, di mana setiap mikrowatt sangat penting. Inti digital menyediakan kemampuan pemrograman dan presisi untuk tugas yang lebih kompleks atau bervariasi, masih dalam amplop daya yang efisien. Beban kerja didistribusikan di antara keduanya tergantung pada kebutuhan aplikasi, memastikan bahwa energi hanya dikonsumsi ketika data berubah. Pendekatan berbasis peristiwa ini memungkinkan Pulsar untuk mempertahankan kinerja sub-milliwatt sambil mempertahankan fleksibilitas untuk mendukung aplikasi dunia nyata yang beragam.

Bisakah Anda menjelaskan alur kerja pengembang yang khas – dari melatih model hingga mengirimkannya di Pulsar – dan di mana keuntungan efisiensi terbesar tercapai?

Alur kerja dimulai di PyTorch, di mana pengembang merancang dan melatih model mereka seperti yang mereka lakukan untuk AI konvensional. Menggunakan SDK Talamo Innatera, model tersebut diubah menjadi jaringan neural spike yang dioptimalkan untuk perangkat keras Pulsar. Pengembang kemudian dapat mensimulasikan, memperbaiki, dan mengirimkan model langsung ke chip, seringkali dengan ukuran kaki hanya 5KB. Langkah pengembangan model terintegrasi dalam alur pipa pengembangan aplikasi yang lebih besar yang memungkinkan pengembang untuk membangun kode yang menargetkan RISC-V, serta akselerator CNN, dengan cara yang terpadu. Ini diterjemahkan ke dalam pengalaman pengembangan yang ditingkatkan dan waktu pengembangan yang lebih singkat.

Keuntungan efisiensi terbesar tercapai sekali model berjalan di inti spiking berbasis peristiwa Pulsar. Tidak seperti MCU konvensional yang terus-menerus mengonsumsi daya, Pulsar hanya menghitung ketika data input berubah. Ini memungkinkan tugas yang selalu aktif seperti pengenalan gerakan atau deteksi kehadiran radar untuk berjalan terus menerus pada tingkat sub-milliwatt, memberikan perbaikan beberapa kali lipat dalam efisiensi energi sambil mempertahankan akurasi tinggi dan latensi yang sangat singkat.

Sektor mana yang menunjukkan adopsi teknologi Anda tercepat, dan dapatkah Anda membagikan contoh pelanggan atau mitra awal yang sudah mengirimkan Pulsar dalam produk?

Adopsi Pulsar terjadi paling cepat di area di mana penginderaan yang selalu aktif dan daya ultra-rendah sangat penting, termasuk rumah pintar, perangkat wearable, dan keselamatan industri. Contoh yang baik dari ini adalah Aaroh Labs, yang telah mengembangkan detektor asap generasi berikutnya yang ditenagai oleh Innatera, baru-baru ini diperkenalkan di SEMICON India 2025. Perangkat ini melakukan lebih dari sekadar mendeteksi asap dengan menggabungkan deteksi asap dengan pemantauan kehadiran manusia, menciptakan kesadaran situasional yang lebih kaya dan memungkinkan sistem keselamatan yang lebih pintar untuk lingkungan residensial, komersial, dan industri.

Pendekatan neuromorphic yang sama dapat diperluas ke pelacakan aset dan pemantauan lingkungan, dengan implikasi yang luas untuk perawatan kesehatan yang terhubung dan kota pintar. Di SEMICON India, CYRAN AI Solutions juga menunjukkan bagaimana teknologi Innatera diintegrasikan ke dalam sistem sensor kompak seperti wearable elektromiografi (EMG) untuk pengenalan gerakan, menyoroti potensi AI neuromorphic untuk memungkinkan interaksi manusia-mesin yang intuitif.

Penempatan awal ini hanya awal, menandakan bahwa komputasi neuromorphic beralih dari teori ke praktik saat kita berbicara, dan dengan cepat mengambil akar dalam aplikasi dunia nyata.

Dalam demonstrasi yang kami lihat, contoh seperti pengenalan gerakan ultra-rendah daya dan deteksi kehadiran radar yang mengonsumsi di bawah satu milliwatt. Bagaimana Anda memvalidasi akurasi dan keandalan dalam lingkungan yang terbatas seperti itu?

Validasi seringkali tergantung pada aplikasi, dan selain akurasi, tingkat deteksi positif palsu dan negatif palsu menyediakan indikasi kritis tentang keandalan solusi. Seringkali, pelanggan memiliki KPI dan kondisi pengujian tertentu untuk validasi. Fleksibilitas Pulsar adalah kunci dalam memungkinkan solusi komprehensif yang memungkinkan pelanggan untuk memeriksa semua kotak untuk kasus penggunaan mereka. Perbandingan dilakukan dengan membandingkan dengan MCU dan akselerator konvensional, yang biasanya mengonsumsi 40-100 kali lebih banyak daya untuk tugas yang sama.

Dalam demonstrasi dunia nyata, seperti deteksi kehadiran radar dan klasifikasi adegan audio, Pulsar konsisten memberikan akurasi di atas 90% sambil tetap berada dalam anggaran sub-milliwatt. Ini memungkinkan operasi terus menerus tanpa mengorbankan keandalan, sesuatu yang sistem yang selalu aktif secara tradisional harus kompromi dengan bangun dari tidur, membatasi kinerja, atau mengalihkan ke awan.

Anda telah memposisikan Pulsar sebagai komplementer terhadap NPU dan CPU konvensional yang lebih konvensional. Bagaimana Anda melihat komputasi neuromorphic masuk ke dalam tumpukan silikon yang lebih luas dari perangkat pintar di masa depan?

Pulsar dirancang sebagai chip pertama yang berkomunikasi dengan sensor. Ini memproses data secara lokal pada daya ultra-rendah, mengubah sinyal sensor mentah menjadi informasi yang berarti dan dapat ditindaklanjuti langsung di perangkat. NPU dan CPU dapat kemudian diaktifkan hanya ketika pemrosesan yang lebih berat diperlukan.

Ini membuat prosesor neuromorphic menjadi lapisan komplementer dalam tumpukan silikon; fondasi yang selalu sadar dan selalu aktif yang memperpanjang umur perangkat, mengurangi penggunaan energi, dan meningkatkan responsivitas. Pulsar mengambil tugas pemrosesan data sensor dari komponen daya yang lebih tinggi dalam sistem, memungkinkan mereka untuk dimatikan dalam banyak perangkat, dan dalam beberapa kasus, bahkan dihilangkan sepenuhnya. Ini mengarah ke perangkat yang lebih pintar dan lebih tahan lama.

Peran apa yang dimainkan oleh kolaborasi dengan mitra seperti Aaroh Labs dan CYRAN AI Solutions dalam mempercepat adopsi nyata dari AI neuromorphic?

Kemitraan bertindak sebagai jembatan antara teknologi terobosan dan adopsi yang luas. Dengan bekerja sama dengan inovator seperti Aaroh Labs dan CYRAN AI Solutions, Innatera memastikan Pulsar divalidasi dalam lingkungan dunia nyata dan disesuaikan untuk vertikal tertentu. Aaroh Labs membawa kecerdasan neuromorphic ke infrastruktur keselamatan kritis, sementara CYRAN AI Solutions menunjukkan potensinya dalam interaksi manusia-mesin yang intuitif. Kemitraan ini membuktikan kelenturan teknologi, mengurangi hambatan bagi adopsi lainnya, dan membangun kepercayaan dalam penerapan prosesor neuromorphic dalam skala besar.

Kemitraan kami dengan vendor sensor seperti Socionext memungkinkan kami untuk memadatkan kecerdasan ke dalam modul sensor, mempermudah penerimaan dan penerapan penginderaan cerdas ke dalam perangkat. Lebih jauh, kemitraan seperti itu memperkuat ekosistem yang sudah kuat dan tumbuh, dan mempercepat penyebaran komputasi neuromorphic di industri.

Menghadap ke depan, apakah Anda melihat Pulsar dan penerusnya bergerak menuju pembelajaran dan adaptasi di perangkat, bukan hanya inferensi di ujung?

Tentu saja. Dengan Pulsar, kami baru saja menyentuh permukaan dari apa yang dapat dilakukan oleh neuromorphic. Prosesor neuromorphic secara inheren sangat cocok untuk pembelajaran online dan adaptasi, dan Pulsar meletakkan dasar untuk perangkat yang dapat melakukan jauh lebih dari sekadar mendeteksi dan merespons.

Komputasi neuromorphic akan memungkinkan generasi baru perangkat ujung yang adaptif dan otonom; sistem yang belajar, mengkalibrasi diri, dan mengoptimalkan dalam waktu nyata sambil berjalan pada baterai kecil. Evolusi ini akan membuka aplikasi yang luas, mulai dari perangkat wearable yang menyesuaikan dengan perilaku Anda, hingga sistem industri yang memprediksi dan mencegah kegagalan dengan penggunaan energi minimal. Tujuan jangka panjang adalah menciptakan perangkat yang sama cerdasnya dengan adaptif dan tangguh, mengubah apa yang mungkin di ujung.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Innatera.