Sumeet Kumar, Co-fondatore e Amministratore Delegato di Innatera – Serie di Interviste

Sumeet Kumar è il Co-fondatore e Amministratore Delegato di Innatera Nanosystems, dove guida lo sviluppo di processori neuromorfici ultra-efficienti per l’analisi dei dati dei sensori in IoT, dispositivi indossabili ed embedded. In precedenza, ha gestito la ricerca finanziata dall’UE presso il TU Delft, inclusa la progetto PRYSTINE da 50 milioni di euro sulle tecnologie dei veicoli autonomi, e ha ricoperto ruoli presso Intel (INTC ) e nella ricerca accademica su architetture di processori avanzati.

Innatera è un’azienda di semiconduttori che si concentra sull’introduzione di intelligenza a bassissimo consumo di energia ai “sensori di bordo”. La loro innovazione principale consiste in processori neurali a picchi costruiti su un’architettura analogo-mista che imita l’elaborazione basata su eventi del cervello. Questi chip possono riconoscere modelli nei dati dei sensori a livelli di potenza sub-milliwatt e latenza ultra-bassa, rendendoli ideali per applicazioni sempre attive e a basso consumo di energia.

Hai co-fondato Innatera nel 2018 con la visione di portare i processori neuromorfici dal laboratorio ai dispositivi reali. Cosa ti ha spinto personalmente a fondare l’azienda e come è evoluta quella visione negli ultimi sette anni?

Innatera è stata fondata con una missione chiara in mente: portare l’intelligenza simile al cervello direttamente ai sensori. I segnali erano chiari già nel 2018, i dispositivi stavano integrando sensori sempre più complessi e la necessità di rilevamento sempre attivo stava crescendo. I microcontrollori mancavano di capacità di intelligenza artificiale efficienti in termini di energia, e anche questo avrebbe spostato l’ago della bilancia solo fino a un certo punto quando si trattava di elaborazione continua in dispositivi alimentati da batterie piccole. Era chiaro che il modo in cui i dati dei sensori vengono elaborati in questi dispositivi doveva cambiare, e il decennio di ricerca che avevamo svolto al TUDelft su calcolo neuromorfico ed elaborazione efficiente in termini di energia sembrava avere una risposta a questa sfida.

La nostra visione è rimasta coerente – un mondo più intelligente, più pulito e più sicuro alimentato da intelligenza ambientale. Portando l’intelligenza ai sensori, i nostri chip abiliteranno il mondo a elaborare i dati dei sensori direttamente alla fonte, portando a una riduzione radicale dell’uso di energia dell’intelligenza artificiale moderna. Ci proponiamo di rendere intelligenti un miliardo di sensori entro il 2030.

Pulsar è il primo passo in questo viaggio – è il primo microcontrollore neuromorfico progettato per l’adozione di massa. Rende l’intelligenza ispirata al cervello pratica in dispositivi indossabili, dispositivi domestici intelligenti e sistemi industriali, tra gli altri casi d’uso, e getta le basi per tecnologie autonome e adattive del futuro.

Pulsar si basa su un approccio fondamentalmente nuovo all’elaborazione ai sensori, realizzato in 7 anni di ricerca e ingegneria difficile. Ciò che è iniziato come un’impresa con quattro persone è cresciuto in questo tempo in un team globale di 100 persone, in 15 paesi, unite da una cultura che mette al primo posto le persone, costruita sulla resilienza, la creatività e l’ambizione.

Pulsar è descritto come il primo microcontrollore neuromorfico veramente di massa. Cosa lo rende diverso dai precedenti chip neuromorfici che sono rimasti in gran parte confinati ai laboratori di ricerca?

L’attenzione della ricerca accademica è spesso rivolta allo sviluppo di nuovi approcci innovativi per risolvere problemi difficili. Come conseguenza, i benefici delle soluzioni tendono a essere misurati in isolamento. Tuttavia, quando queste nuove tecnologie vengono impiegate nella produzione, devono interagire con altre parti del sistema, il che spesso porta a una diluizione dei loro benefici. Questo è anche il caso di molte tecnologie di accelerazione dell’intelligenza artificiale neuromorfica e convenzionale – sono integrate in sistemi che non sono progettati con gli stessi principi fondamentali in mente, e ciò porta a un risultato che impallidisce in termini di efficienza. Pulsar, d’altra parte, è un microcontrollore completo e autonomo, progettato specificamente per l’elaborazione efficiente dei dati dei sensori ai margini estremi.

È stato progettato fin dall’inizio per integrare tutto ciò che è necessario per l’elaborazione dei dati dei sensori all’interno di un singolo chip: core neurali a picchi analogici e digitali, acceleratori CNN e FFT, e un subsystem 32-bit RISC-V completo per la gestione del sistema e il controllo dei sensori. Questa architettura eterogenea consente a Pulsar di trasformare i dati grezzi dei sensori in informazioni azionabili direttamente nel dispositivo, consumando fino a 500 volte meno energia e funzionando 100 volte più velocemente dei processori di intelligenza artificiale convenzionali.

Oltre al hardware, Pulsar affronta anche la barriera del software. Il suo SDK Talamo, con integrazione nativa PyTorch, rende lo sviluppo neuromorfico accessibile agli ingegneri di massa e consente modelli compatti inferiori a 5KB per eseguire in budget di potenza sub-milliwatt. Contenendo tutto ciò in un pacchetto da 2,8 x 2,6 mm, Pulsar elimina la necessità di configurazioni multi-chip ingombranti, rendendolo il primo processore neuromorfico pronto per il vero impiego di massa.

L’accessibilità è un grande tema per Innatera. Come il SDK Talamo, in particolare con la sua integrazione PyTorch, abbassa la barriera per gli sviluppatori che sono nuovi al calcolo neuromorfico? 

Per decenni, la principale barriera all’adozione neuromorfica non era dovuta al hardware, ma piuttosto alla mancanza di strumenti per gli sviluppatori. Gli sviluppatori si sono trovati di fronte a curve di apprendimento ripide e flussi di lavoro non familiari, il che a sua volta ha rallentato l’innovazione. Talamo affronta direttamente questo problema fornendo un SDK basato su PyTorch che consente agli ingegneri di progettare, formare e distribuire reti neurali a picchi attraverso flussi di lavoro familiari. I modelli compatti possono essere facilmente integrati in architetture di sensori esistenti, abilitando l’intelligenza sempre attiva anche nei dispositivi più piccoli e a basso consumo di energia. Rimuovendo la complessità e accelerando lo sviluppo, Talamo rende il calcolo neuromorfico accessibile agli sviluppatori di massa e accelera il percorso dalla prototipazione al prodotto.

Da un punto di vista tecnico, come bilanci i core di accelerazione a picchi analogici e digitali all’interno di Pulsar per gestire carichi di lavoro diversi in modo efficiente? 

L’architettura di Pulsar combina core analogici e digitali a picchi per ottimizzare l’uso di energia e la flessibilità. I core analogici forniscono un’elaborazione ultra-efficiente per carichi di lavoro di sensori continui e sempre attivi, dove ogni microwatt conta. I core digitali offrono programmabilità e precisione per compiti più complessi o variabili, ancora all’interno di un envelope di potenza efficiente. I carichi di lavoro vengono distribuiti tra i due a seconda delle esigenze dell’applicazione, assicurando che l’energia venga consumata solo quando i dati cambiano. Questo approccio basato su eventi consente a Pulsar di sostenere prestazioni sub-milliwatt mentre mantiene la flessibilità per supportare applicazioni reali diverse.

Puoi guidarci attraverso un flusso di lavoro tipico di uno sviluppatore – dalla formazione di un modello alla sua distribuzione su Pulsar – e dove si realizzano i maggiori guadagni di efficienza?

Il flusso di lavoro inizia in PyTorch, dove gli sviluppatori progettano e formano i loro modelli come farebbero per l’intelligenza artificiale convenzionale. Utilizzando l’SDK Talamo di Innatera, il modello viene convertito in una rete neurale a picchi ottimizzata per l’hardware di Pulsar. Gli sviluppatori possono quindi simulare, raffinare e distribuire il modello direttamente sul chip, spesso con impronte di solo 5KB. Il passaggio di sviluppo del modello è integrato all’interno di un flusso di sviluppo di pipeline di applicazioni più ampio che consente allo sviluppatore di costruire codice che si rivolge al RISC-V, nonché all’acceleratore CNN, in modo unificato. Ciò si traduce in un’esperienza di sviluppo migliorata e in un tempo di sviluppo più breve.

I maggiori guadagni di efficienza si verificano una volta che il modello è in esecuzione sui core a picchi basati su eventi di Pulsar. A differenza dei microcontrollori convenzionali che consumano energia in modo continuo, Pulsar esegue calcoli solo quando i dati di input cambiano. Ciò consente attività sempre attive come il riconoscimento dei gesti o la rilevazione della presenza radar di funzionare in modo continuo a livelli sub-milliwatt, fornendo miglioramenti di efficienza energetica di diversi ordini di grandezza mentre mantengono un’elevata accuratezza e una latenza incredibilmente breve.

Quali settori stanno mostrando l’adozione più rapida della vostra tecnologia e puoi condividere esempi di primi clienti o partner che stanno già distribuendo Pulsar in prodotti?

L’adozione di Pulsar sta avvenendo più rapidamente in aree in cui la rilevazione sempre attiva e il basso consumo di energia sono più importanti, tra cui case intelligenti, dispositivi indossabili e sicurezza industriale. Un buon esempio di ciò è Aaroh Labs, che ha sviluppato rilevatori di fumo di nuova generazione alimentati da Innatera, recentemente presentati al SEMICON India 2025. Questi dispositivi fanno più che semplicemente rilevare il fumo, combinando la rilevazione del fumo con il monitoraggio della presenza umana, creando una consapevolezza situazionale più ricca e abilitando sistemi di sicurezza più intelligenti per ambienti residenziali, commerciali e industriali.

Lo stesso approccio neuromorfico può estendersi al tracciamento degli asset e al monitoraggio ambientale, con ampie implicazioni per la sanità connessa e le città intelligenti. Al SEMICON India, CYRAN AI Solutions ha anche presentato come la tecnologia di Innatera stia essere integrata in sistemi di sensori compatti come dispositivi indossabili di elettromiografia (EMG) per il riconoscimento dei gesti, evidenziando il potenziale dell’intelligenza artificiale neuromorfica per abilitare interazioni uomo-macchina intuitive.

Questi primi impieghi sono solo l’inizio, segnalando che il calcolo neuromorfico sta passando dalla teoria alla pratica mentre parliamo e sta mettendo rapidamente radici in applicazioni reali.

Nelle dimostrazioni che abbiamo visto, ci sono esempi come il riconoscimento dei gesti a bassissimo consumo di energia e la rilevazione della presenza radar che consumano meno di un milliwatt. Come validate l’accuratezza e l’affidabilità in ambienti così vincolati?

La convalida dipende spesso dall’applicazione e, oltre all’accuratezza, i tassi di rilevamento dei falsi positivi e dei falsi negativi forniscono un’indicazione critica dell’affidabilità di una soluzione. Spesso, i clienti hanno KPI specifici e condizioni di test per la convalida. La flessibilità di Pulsar è fondamentale nell’abilitare soluzioni complete che consentono ai clienti di soddisfare tutti i requisiti per il loro caso d’uso. I confronti vengono eseguiti mettendo a confronto con microcontrollori convenzionali e acceleratori, che di solito consumano 40-100 volte più potenza per gli stessi compiti.

Nelle dimostrazioni reali, come la rilevazione della presenza radar e la classificazione delle scene audio, Pulsar fornisce costantemente accuratezze superiori al 90% mentre rimane all’interno dei budget sub-milliwatt. Ciò consente l’operazione continua senza sacrificare l’affidabilità, qualcosa che i sistemi sempre attivi tradizionali avevano bisogno di compromettere svegliandosi dal sonno, limitando le prestazioni o scaricando le informazioni sul cloud.

Hai posizionato Pulsar come complementare ai più convenzionali NPUs e CPUs. Come vedi il calcolo neuromorfico integrarsi nel più ampio stack di silicio dei dispositivi intelligenti del futuro?

Pulsar è progettato come il primo chip con cui i sensori comunicano. Elabora i dati localmente a bassissimo consumo di energia, convertendo i segnali grezzi dei sensori in informazioni azionabili significative direttamente alla fonte. Gli NPUs e i CPUs possono quindi essere coinvolti solo quando è richiesta un’elaborazione più pesante.

Questo rende i processori neuromorfici uno strato complementare nello stack di silicio; una base sempre consapevole e sempre attiva che estende la durata dei dispositivi, riduce l’uso di energia e migliora la reattività. Pulsar prende il compito dell’elaborazione dei dati dei sensori lontano dai componenti di potenza più alta nel sistema, consentendo loro di essere spenti in molti dispositivi e, in alcuni casi, anche eliminati completamente. Ciò porta a dispositivi più intelligenti e più longevi.

Qual è il ruolo delle collaborazioni con partner come Aaroh Labs e CYRAN AI Solutions nell’accelerare l’adozione nel mondo reale dell’intelligenza artificiale neuromorfica?

Le partnership agiscono come il ponte tra tecnologia dirompente e adozione su larga scala. Lavorando con innovatori come Aaroh Labs e CYRAN AI Solutions, Innatera assicura che Pulsar sia convalidato in ambienti reali e adattato per settori specifici. Aaroh Labs porta l’intelligenza neuromorfica nelle infrastrutture di sicurezza critiche, mentre CYRAN AI Solutions dimostra il suo potenziale nell’interazione uomo-macchina intuitiva. Queste collaborazioni dimostrano la versatilità della tecnologia, riducendo le barriere per altri adottanti e costruendo fiducia nell’impiego dei processori neuromorfici su larga scala.

Le nostre partnership con fornitori di sensori come Socionext ci consentono di inserire l’intelligenza direttamente nel modulo del sensore, semplificando l’adozione e la distribuzione di sensori intelligenti nei dispositivi. Inoltre, tali collaborazioni rafforzano il nostro già forte e crescente ecosistema e accelerano la diffusione del calcolo neuromorfico nell’industria.

Guardando avanti, vedi Pulsar e i suoi successori muoversi verso l’apprendimento e l’adattamento sul dispositivo, piuttosto che solo l’inferenza ai margini?

Absolutamente. Con Pulsar, abbiamo solo iniziato a graffiare la superficie di ciò che il neuromorfico può fare. I processori neuromorfici sono intrinsecamente ben adatti all’apprendimento online e all’adattamento, e Pulsar getta le basi per dispositivi che possono fare molto più che semplicemente rilevare e rispondere.

Il calcolo neuromorfico è destinato ad abilitare una nuova generazione di dispositivi edge adattivi e autonomi; sistemi che imparano, auto-regolano e ottimizzano in tempo reale mentre funzionano con batterie minuscole. Questa evoluzione sbloccherà una vasta gamma di applicazioni, che vanno da dispositivi indossabili che si adattano al tuo comportamento in tempo reale a sistemi industriali che prevedono e prevencono guasti con un uso minimo di energia. L’obiettivo a lungo termine è creare dispositivi che siano altrettanto intelligenti quanto continuamente adattivi e resilienti, ridefinendo ciò che è realmente possibile ai margini.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Innatera.