Sumeet Kumar, medgrunnlegger og CEO av Innatera – Intervju-serie

Sumeet Kumar er medgrunnlegger og CEO av Innatera Nanosystems, der han leder utviklingen av ultra-effektive neuromorfiske prosessorer for sensor data-analyse i IoT, wearables og innbygde enheter. Tidligere ledet han EU-finansiert forskning ved TU Delft, inkludert det 50 millioner euro store PRYSTINE-prosjektet om autonome kjøretøyteknologier, og hadde roller i Intel (INTC ) og i akademisk forskning på avanserte prosessorarkitekturer.

Innatera er et halvlederfirma som fokuserer på å bringe ultra-lavforbruk-intelligens til “sensor-kanten”. Deres kjerneinnovasjon ligger i spikende neurale prosessorer bygget på en analog-blandet signalarkitektur som etterligner hjernens hendelsesbaserte prosessering. Disse chipene kan gjenkjenne mønster i sensor-data på sub-milliwatt effektnivåer og ultra-lav latency, noe som gjør dem ideelle for alltid-på, strømbegrensede applikasjoner.

De grunnla Innatera i 2018 med en visjon om å bringe neuromorfiske prosessorer fra laboratoriet ut i virkelige enheter. Hva drev deg personlig til å starte selskapet, og hvordan har denne visjonen utviklet seg over de siste syv årene?

Innatera ble grunnlagt med en klar misjon i tankene: å bringe hjernelignende intelligens direkte til sensoren. Tegnene var tydelige allerede i 2018, enhetene integrerte stadig mer komplekse sensorer, og behovet for alltid-på-sensing økte. Mikrokontrollere manglet strømeffektive AI-egenskaper, og selv det ville bare flytte nålene så langt det gjaldt kontinuerlig prosessering i enheter drevet av små batterier. Det var tydelig at måten sensor-data prosesseres i disse enhetene måtte endres, og det tiårs forskning vi hadde gjort ved TUDelft på neuromorfisk datamaskin og energi-effektiv prosessering syntes å ha et svar på denne utfordringen.

Vår visjon har forblitt konsekvent – en smartere, renere og tryggere verden drevet av omgivelsesintelligens. Ved å bringe intelligens til sensorer, vil våre chippe gjøre verdens sensor-data prosessert direkte ved kilde, noe som fører til en radikal reduksjon i energibruken til moderne AI. Vi har som mål å gjøre en milliard sensorer intelligente innen 2030.

Pulsar er det første skrittet i denne reisen – det er verdens første neuromorfiske mikrokontroller designet for bredt bruk. Det gjør hjernelignende intelligens praktisk i wearables, smarte hjemmeenheter og industrielle systemer, blant andre bruksområder, samtidig som det legger grunnlaget for adaptive, autonome teknologier i fremtiden.

Pulsar er basert på en fundamentalt ny tilnærming til prosessering ved sensoren, realisert over 7 års hardt arbeid og ingeniørarbeid. Det som startet som et eventyr med fire personer, har i denne tiden vokst til et globalt team på 100, over 15 land, forent av en menneske-først-kultur bygget på motstand, kreativitet og ambisjon.

Pulsar beskrives som den første virkelig masse-markedsneuromorfiske mikrokontrolleren. Hva gjør den forskjellig fra tidligere neuromorfiske chippe som forble hovedsakelig begrenset til forskningslaboratorier?

Fokuset på akademisk forskning er ofte på å utvikle innovative nye tilnærminger for å løse tøffe problemer. Som en konsekvens tenderer fordelen av løsningene å måles i isolasjon. Men når disse nye teknologiene deployeres i produksjon, må de samarbeide med andre deler av systemet, noe som ofte resulterer i at fordelen blir utvannet. Dette er også tilfelle for mange neuromorfiske og konvensjonelle AI-akselerasjonsteknologier – de integreres i systemer som ikke er designet med de samme grunnprinsippene i tankene, og dette fører til en utfordring som bleke i sin effektivitet. Pulsar, på den andre siden, er en fullstendig, selvstendig mikrokontroller, designet for effektiv prosessering av sensor-data ved den ytterste kanten.

Det ble designet fra bunnen av for å integrere alt som trengs for sensor-data-prosessering innen en enkelt chip: analoge og digitale spikende neurale kjerne, CNN- og FFT-akseleratorer, og et fullt 32-bit RISC-V-underystem for systemhåndtering og sensorstyring. Denne heterogene arkitekturen gjør det mulig for Pulsar å omgjøre rå sensor-data til meningsfulle, handlebare informasjoner, direkte ved enheten, samtidig som den forbruker opptil 500 ganger mindre energi og kjører 100 ganger raskere enn konvensjonelle AI-prosessorer.

Bortsett fra hardwaret, adresserer Pulsar også den langvarige programvarebarrieren. Dets Talamo SDK, med innbygd PyTorch-integrasjon, gjør det mulig for mainstream-ingeniører å utvikle neuromorfiske nettverk, og muliggjør kompakte modeller under 5KB å kjøre i sub-milliwatt effektbudsjett. Ved å passe all dette inn i en 2,8 x 2,6 mm pakke, eliminerer Pulsar behovet for bulke multi-chip-oppsætninger, og gjør det til den første neuromorfiske prosessoren som er klar for bredt marked.

Tilgjengelighet er et stort tema for Innatera. Hvordan gjør Talamo SDK, spesielt med PyTorch-integrasjonen, det lettere for utviklere som er nye til neuromorfisk datamaskin? 

I flere tiår har den største barrieren for neuromorfisk adopsjon ikke vært på grunn av hardwaret, men på grunn av mangelen på utvikler-vennlige verktøy. Utviklere ble møtt med bratte læringskurver og ukjente arbeidsflyter, noe som i sin tur bremset innovasjonen. Talamo adresserer dette direkte ved å tilby en PyTorch-basert SDK som lar ingeniører designe, trene og deployere spikende neurale nettverk gjennom kjente arbeidsflyter. Kompakte modeller kan lett integreres i eksisterende sensor-arkitekturer, og muliggjør alltid-på-intelligens i selv de minste, mest strømbegrensede enhetene. Ved å fjerne kompleksitet og akselerere utviklingen, gjør Talamo det mulig for mainstream-utviklere å komme i gang med neuromorfisk datamaskin, og akselererer veien fra prototype til produkt.

Fra et teknisk ståsted, hvordan balanserer du de analoge og digitale spikende akseleratorene inni Pulsar for å håndtere diverse arbeidsbelastninger effektivt? 

Pulsars arkitektur kombinerer analoge og digitale spikende kjerne for å optimere energibruken og fleksibiliteten. De analoge kjerneene gir ultra-effektiv prosessering for kontinuerlige, alltid-på-sensor-arbeidsbelastninger hvor hver mikrowatt teller. De digitale kjerneene leverer programmerbarhet og presisjon for mer komplekse eller variable oppgaver, fortsatt innen en effektivt effektnivå. Arbeidsbelastninger distribueres over de to avhengig av applikasjonsbehov, og sikrer at energi bare forbrukes når data endres. Denne hendelsesbaserte tilnærmingen gjør det mulig for Pulsar å opprettholde sub-milliwatt-prestasjoner samtidig som den beholder fleksibiliteten til å støtte diverse virkelige applikasjoner.

Kan du gå gjennom en typisk utvikler-arbeidsflyt – fra å trene en modell til å deployere den på Pulsar – og hvor de største effisiens-gevinstene realiseres?

Arbeidsflyten begynner i PyTorch, der utviklere designer og trener sine modeller som de ville for konvensjonell AI. Ved å bruke Innateras Talamo SDK, konverteres modellen til et spikende neuralt nettverk optimalisert for Pulsars hardware. Utviklere kan deretter simulere, finjustere og deployere modellen direkte på chippen, ofte med fotavtrykk så små som 5KB. Modellutviklingssteget er integrert i en større applikasjonsutviklingsflyt som muliggjør utvikleren å bygge kode som målretter RISC-V, samt CNN-akseleratoren, på en enhetlig måte. Dette oversetter til en forbedret utvikleropplevelse og kortere utviklingstid.

De største effisiens-gevinstene skjer når modellen er i gang og kjører på Pulsars hendelsesbaserte spikende kjerne. I motsetning til konvensjonelle mikrokontrollere som forbruker strøm kontinuerlig, kjører Pulsar bare når inndata endres. Dette gjør det mulig for alltid-på-oppgaver som gest-gjenkjenning eller radar-basert nærværsgjenkjenning å kjøre kontinuerlig på sub-milliwatt-nivåer, og leverer flere størrelsesordener i energi-effektivitet samtidig som den opprettholder høy nøyaktighet og usedvanlig kort latency.

Hvilke sektorer viser den raskeste adopsjonen av din teknologi, og kan du dele eksempler på tidlige kunder eller partnere som allerede deployer Pulsar i produkter?

Adopsjonen av Pulsar skjer raskest i områder hvor alltid-på-sensing og ultra-lav strøm betyr mest, inkludert smarte hjem, wearables og industriell sikkerhet. Et godt eksempel på dette er Aaroh Labs, som har utviklet neste-generasjons røykdetektorer drevet av Innatera, nylig avduket på SEMICON India 2025. Disse enhetene gjør mer enn bare å gjenkjenne røyk ved å kombinere røykgjenkjenning med menneske-nærværsovervåking, og skaper en rikere situasjonsbevissthet og muliggjør smartere sikkerhetssystemer for bolig-, kommersielle og industrielle miljøer.

Den samme neuromorfiske tilnærmingen kan utvides til asset-tracking og miljøovervåking, med videimplikasjoner for tilkoblet helse og smarte byer. På SEMICON India viste CYRAN AI Solutions også hvordan Innateras teknologi integreres i kompakte sensorsystemer som elektromyografi (EMG)-wearables for gest-gjenkjenning, og høydepunktet potensialet for neuromorfisk AI til å muliggjøre intuitivt menneske-maskin-samarbeid.

Disse tidlige deployeringene er bare begynnelsen, og indikerer at neuromorfisk datamaskin skifter fra teori til praksis mens vi snakker, og tar raskt rot i virkelige applikasjoner.

I demonstrasjoner har vi sett eksempler som ultra-lav-strøm gest-gjenkjenning og radar-basert nærværsgjenkjenning som forbruker under en milliwatt. Hvordan validerer du nøyaktighet og pålitelighet i så begrensede miljøer?

Validering avhenger ofte av applikasjonen, og i tillegg til nøyaktighet, gir feil-positiv og feil-negativ detekteringsrater en kritisk indikasjon på løsningens pålitelighet. Ofte har kunder spesifikke KPI-er og testbetingelser for validering. Pulsars fleksibilitet er nøkkel til å muliggjøre omfattende løsninger som lar kundene sjekke alle boksene for deres brukstilfelle. Sammenligninger gjøres ved å benchmarke mot konvensjonelle mikrokontrollere og akseleratorer, som vanligvis forbruker 40-100 ganger mer strøm for samme oppgaver.

I virkelige demonstrasjoner, som radar-basert nærværsgjenkjenning og lyd-scene-klassifisering, leverer Pulsar konsekvent nøyaktigheter over 90% samtidig som den holder seg innen sub-milliwatt-budsjett. Dette muliggjør kontinuerlig drift uten å ofre pålitelighet, noe tradisjonelle alltid-på-systemer vanligvis måtte gå på kompromiss med ved å våkne fra søvn, throttle ytelse eller offloade til skyen.

De har posisjonert Pulsar som komplementær til mer konvensjonelle NPUs og CPUs. Hvordan ser du på neuromorfisk datamaskin som en del av den bredere silisium-staken i fremtidens smarte enheter?

Pulsar er designet som den første chippen som sensorer kommuniserer med. Den prosesserer data lokalt på ultra-lav strøm, og omgjør rå sensor-signaler til meningsfulle, handlebare informasjoner, direkte ved kilde. NPUs og CPUs kan deretter engasjeres bare når tyngre prosessering er nødvendig.

Dette gjør neuromorfiske prosessorer til en komplementær lag i silisium-staken; en alltid-oppmerksom, alltid-på grunnlag som utvider enhetens levetid, reduserer energibruken og forbedrer responsen. Pulsar tar oppgaven med sensor-data-prosessering vekk fra de tradisjonelt høyere-strøm-komponentene i systemet, og lar dem bli slått av i mange enheter, og i noen tilfeller, helt eliminert. Dette fører til smartere og lengre-varende enheter.

Hva rolle spiller samarbeid med partnere som Aaroh Labs og CYRAN AI Solutions i å akselerere virkelige adopsjoner av neuromorfisk AI?

Samarbeid fungerer som broen mellom gjennombruddsteknologi og bred adopsjon. Ved å arbeide med innovatører som Aaroh Labs og CYRAN AI Solutions, sikrer Innatera at Pulsar er valideret i virkelige miljøer og tilpasset for spesifikke vertikaler. Aaroh Labs bringer neuromorfisk intelligens inn i kritisk sikkerhets-infrastruktur, mens CYRAN AI Solutions demonstrerer dens potensiale i intuitivt menneske-maskin-samarbeid. Disse samarbeidene beviser teknologiens fleksibilitet, reduserer barrierer for andre adoptører og bygger tillit til å deployere neuromorfiske prosessorer i stor skala.

Våre samarbeid med sensor-leverandører som Socionext lar oss pakke intelligens inn i sensor-modulen, og forenkler oppakningen og deployeringen av intelligent sensing i enheter. Videre styrker disse samarbeidene vår allerede sterke og voksende økosystem, og akselererer spredningen av neuromorfisk datamaskin i industrien.

Ser du fremover, ser du Pulsar og dens etterfølgere bevege seg mot på-enhet-læring og adaptasjon, i stedet for bare inferens på kanten?

Absolutt. Med Pulsar har vi bare skrapet overflaten av hva neuromorfisk kan gjøre. Neuromorfiske prosessorer er innebygget godt egnet for online-læring og adaptasjon, og Pulsar legger grunnlaget for enheter som kan gjøre langt mer enn bare å gjenkjenne og reagere.

Neuromorfisk datamaskin er satt til å muliggjøre en ny generasjon av adaptive og autonome edge-enheter; systemer som lærer, selv-justerer og optimaliserer i sanntid mens de kjører på små batterier. Denne evolusjonen vil låse opp en rekke applikasjoner, fra wearables som justerer til ditt atferd på fly, til industrielle systemer som forutsier og forebygger feil med minimalt energibruken. Langsiktige målet er å skape enheter som er like intelligente som de er kontinuerlig adaptive og resilient, og omdefinere hva som er mulig på kanten.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Innatera.