Sumeet Kumar, medgrundare och VD för Innatera – Intervjuserie

Sumeet Kumar är medgrundare och VD för Innatera Nanosystems, där han leder utvecklingen av ultraeffektiva neuromorfiska processorer för sensordataanalys i IoT, wearables och inbäddade enheter. Tidigare hanterade han EU-finansierad forskning vid TU Delft, inklusive det 50 miljoner euro stora PRYSTINE-projektet om autonoma fordonsteknologier, och hade roller på Intel (INTC ) och i akademisk forskning om avancerade processarkitekturer.

Innatera är ett halvledarföretag som fokuserar på att bringa ultra-lågeffektintelligens till “sensorranden”. Deras kärninovation ligger i spikande neurala processorer byggda på en analog-mixad signalsarkitektur som imiterar hjärnans händelsebaserade bearbetning. Dessa chip kan känna igen mönster i sensordata på sub-milliwatt effektnivåer och ultra-låg latens, vilket gör dem idealiska för alltid-på-applikationer.

Du grundade Innatera 2018 med en vision att bringa neuromorfiska processorer från labbet till verkliga enheter. Vad drev dig personligen att starta företaget, och hur har den visionen utvecklats under de senaste sju åren?

Innatera grundades med ett tydligt mål i åtanke: att bringa hjärnliknande intelligens direkt till sensorn. Tecknen var tydliga redan 2018, enheter integrerade alltmer komplexa sensorer, och behovet av alltid-på-sensing växte. Mikrokontroller saknade energieffektiva AI-funktioner, och även det skulle bara flytta nålen så långt när det gäller kontinuerlig bearbetning i enheter som drivs av små batterier. Det var tydligt att sättet som sensordata bearbetas i dessa enheter behövde ändras, och det decennium av forskning vi hade gjort vid TUDelft om neuromorfisk datorning och energieffektiv bearbetning tycktes ha ett svar på den utmaningen.

Vår vision har förblivit konsekvent – en smartare, renare och säkrare värld driven av omgivande intelligens. Genom att bringa intelligens till sensorer kommer våra chip att möjliggöra att världens sensordata bearbetas direkt vid källan, vilket leder till en radikal minskning av energiförbrukningen för modern AI. Vi siktar på att göra en miljard sensorer intelligenta till 2030.

Pulsar är det första steget på den resan – det är världens första neuromorfiska mikrokontroller designad för bred adoption. Det gör hjärninspirerad intelligens praktisk i wearables, smarta hemmenheter och industriella system, bland andra användningsområden, samtidigt som det lägger grunden för adaptiva, autonoma teknologier i framtiden.

Pulsar bygger på en grundläggande ny tillvägagångssätt för bearbetning vid sensorn, som realiserats under 7 års hårt arbete och ingenjörskap. Det som började som ett företag med fyra personer har under den tiden vuxit till ett globalt team på 100, i 15 länder, enade av en människoorienterad kultur byggd på motståndskraft, kreativitet och ambition.

Pulsar beskrivs som den första riktigt massmarknadsneuromorfiska mikrokontrollern. Vad gör den annorlunda än tidigare neuromorfiska chip som förblev till stor del begränsade till forskningslaboratorier?

Fokus för akademisk forskning är ofta på att utveckla innovativa nya tillvägagångssätt för att lösa svåra problem. Som en följd tenderar fördelarna med lösningarna att mätas i isolering. Men när dessa nya teknologier deployeras i produktion, måste de interagera med andra delar av systemet, vilket ofta resulterar i att fördelarna bleknar. Detta är också fallet för många neuromorfiska och konventionella AI-accelereringsteknologier – de integreras i system som inte är utformade med samma grundprinciper i åtanke, och detta leder till ett resultat som bleknar i effektivitet. Pulsar, å andra sidan, är en komplett, fristående mikrokontroller, utformad för effektiv bearbetning av sensordata vid den yttersta randen.

Den utformades från grunden för att integrera allt som behövs för sensordatabearbetning inom en enda chip: analog och digital spikande neurala kärnor, CNN- och FFT-acceleratorer, samt ett fullständigt 32-bitars RISC-V-system för systemhantering och sensorstyrning. Denna heterogena arkitektur tillåter Pulsar att omvandla rå sensordata till meningsfulla, agerbara insikter direkt i enheten, samtidigt som den förbrukar upp till 500 gånger mindre energi och kör 100 gånger snabbare än konventionella AI-processorer.

Förutom hårdvaran adresserar Pulsar också den långvariga programvarubaren. Dess Talamo SDK, med nativ PyTorch-integration, gör neuromorfisk utveckling tillgänglig för mainstream-ingenjörer och möjliggör kompakta modeller under 5KB för att köras i sub-milliwatt effektbudgetar. Att få allt detta att passa i en 2,8 x 2,6 mm stor paket, eliminerar Pulsar behovet av bulka multi-chip-konfigurationer, vilket gör det till den första neuromorfiska processorn redo för riktig massmarknadsdistribution.

Tillgänglighet är ett stort tema för Innatera. Hur sänker Talamo SDK, särskilt med dess PyTorch-integration, tröskeln för utvecklare som är nya till neuromorfisk datorning? 

Under decennier har den främsta barriären för neuromorfisk adoption inte varit hårdvaran, utan snarare bristen på utvecklarvänliga verktyg. Utvecklare stod inför branta inlärningskurvor och ovanliga arbetsflöden, vilket i sin tur bromsade innovationen. Talamo adresserar detta direkt genom att tillhandahålla ett PyTorch-baserat SDK som låter ingenjörer designa, träna och distribuera spikande neurala nätverk genom bekanta arbetsflöden. Kompakta modeller kan enkelt integreras i befintliga sensorarkitekturer, vilket möjliggör alltid-på-intelligens i sogar de minsta, mest energibegränsade enheterna. Genom att ta bort komplexitet och påskynda utvecklingen, gör Talamo neuromorfisk datorning tillgänglig för mainstream-utvecklare och accelererar vägen från prototyp till produkt.

Ur ett tekniskt perspektiv, hur balanserar du de analoga och digitala spikande acceleratorerna inuti Pulsar för att hantera olika arbetsbelastningar effektivt? 

Pulsars arkitektur blandar analog och digital spikande kärnor för att optimera energiförbrukning och flexibilitet. De analoga kärnorna tillhandahåller ultraeffektiv bearbetning för kontinuerliga, alltid-på-sensordataarbetsbelastningar där varje mikrowatt räknas. De digitala kärnorna levererar programmerbarhet och precision för mer komplexa eller variabla uppgifter, fortfarande inom en effektiv effekthölje. Arbetsbelastningar distribueras över de två beroende på applikationsbehov, vilket säkerställer att energi endast förbrukas när data ändras. Detta händelsebaserade tillvägagångssätt tillåter Pulsar att upprätthålla sub-milliwattprestanda samtidigt som det behåller flexibiliteten att stödja olika verkliga applikationer.

Kan du gå igenom en typisk utvecklararbetsflöde – från att träna en modell till att distribuera den på Pulsar – och var de största effektivitetsvinsterna realiseras?

Arbetsflödet börjar i PyTorch, där utvecklare designar och tränar sina modeller som de skulle för konventionell AI. Med hjälp av Innateras Talamo SDK konverteras modellen till ett spikande neuralt nätverk optimerat för Pulsars hårdvara. Utvecklare kan sedan simulera, finslipa och distribuera modellen direkt på chipet, ofta med fotavtryck så små som 5KB. Modellutvecklingssteget är integrerat inom en större applikationspipelineutvecklingsflöde som möjliggör för utvecklaren att bygga kod som riktar sig till RISC-V, samt CNN-acceleratorn, på ett enhetligt sätt. Detta översätter till en förbättrad utvecklingsupplevelse och kortare utvecklingstid.

De största effektivitetsvinsterna sker när modellen är igång och kör på Pulsars händelsebaserade spikande kärnor. Till skillnad från konventionella mikrokontroller som bränner energi kontinuerligt, beräknar Pulsar endast när indata ändras. Detta tillåter alltid-på-uppgifter som gestigenkänning eller radarpresensdetektering att köras kontinuerligt på sub-milliwattnivåer, vilket levererar flera storleksordningar förbättringar i energieffektivitet samtidigt som det upprätthåller hög noggrannhet och otroligt kort latens.

Vilka sektorer visar den snabbaste adoptionen av er teknik, och kan du dela exempel på tidiga kunder eller partners som redan distribuerar Pulsar i produkter?

Adoptionen av Pulsar sker snabbast i områden där alltid-på-sensing och ultra-låg effekt är viktigast, inklusive smarta hem, wearables och industriell säkerhet. Ett bra exempel på detta är Aaroh Labs, som har utvecklat nästa generations rökdetektorer som drivs av Innatera, nyligen presenterade på SEMICON India 2025. Dessa enheter gör mer än att bara upptäcka rök genom att kombinera rökdetektering med människopresensövervakning, vilket skapar en rikare situationsmedvetenhet och möjliggör smartare säkerhetssystem för bostäder, kommersiella och industriella miljöer.

Detsamma neuromorfiska tillvägagångssätt kan utvidgas till tillgångsspårning och miljöövervakning, med breda implikationer för ansluten hälsovård och smarta städer. På SEMICON India visade CYRAN AI Solutions också hur Innateras teknik integreras i kompakta sensorsystem, såsom elektromyografi (EMG)-wearables för gestigenkänning, vilket belyser potentialen för neuromorfisk AI för att möjliggöra intuitiv människa-maskin-interaktion.

De här tidiga distributionerna är bara början, vilket signalerar att neuromorfisk datorning flyttar från teori till praktik och snabbt tar rot i verkliga applikationer.

I demonstrationer har vi sett exempel som ultra-lågeffektsgestigenkänning och radarbaserad presensdetektering som förbrukar under en milliwatt. Hur validerar du noggrannhet och tillförlitlighet i sådana begränsade miljöer?

Validering beror ofta på applikationen, och utöver noggrannhet ger falska positiva och falska negativa upptäcktsfrekvenser en kritisk indikation på lösningens tillförlitlighet. Ofta har kunderna specifika KPI:er och testvillkor för validering. Pulsars flexibilitet är nyckeln till att möjliggöra omfattande lösningar som möjliggör kunder att checka alla rutor för sin användningsfall. Jämförelser görs genom att benchmarka mot konventionella mikrokontroller och acceleratorer, som vanligtvis förbrukar 40-100 gånger mer energi för samma uppgifter.

I verkliga demonstrationer, som radarbaserad presensdetektering och ljudscenklassificering, levererar Pulsar konsekvent noggrannheter över 90% samtidigt som den håller sig inom sub-milliwattbudgetar. Detta möjliggör kontinuerlig drift utan att offra tillförlitlighet, något som traditionella alltid-på-system traditionellt hade att kompromissa med genom att vakna från sömn, bromsa prestanda eller offloada till molnet.

Du har positionerat Pulsar som komplementär till mer konventionella NPU:er och CPU:er. Hur ser du neuromorfisk datorning passa in i den bredare kretsuppsättningen för framtida smarta enheter?

Pulsar är utformad som den första chipen som sensorer kommunicerar med. Den bearbetar data lokalt på ultra-låg effekt, omvandlar rå sensordata till meningsfulla, agerbara insikter direkt i enheten. NPU:er och CPU:er kan sedan engageras endast när tyngre bearbetning krävs.

Detta gör neuromorfiska processorer till ett komplementärt lager i kretsuppsättningen; en alltid-medveten, alltid-på-grund som förlänger enhetslivslängd, minskar energiförbrukning och förbättrar svarstid. Pulsar tar bort uppgiften att bearbeta sensordata från de traditionellt högre effektkomponenterna i systemet, vilket tillåter dem att stängas av i många enheter och i vissa fall, till och med elimineras helt. Detta leder till smartare och längre livslängd för enheter.

Vilken roll spelar samarbeten med partners som Aaroh Labs och CYRAN AI Solutions för att påskynda verkliga adoptionen av neuromorfisk AI?

Samarbeten fungerar som bron mellan banbrytande teknik och bred adoption. Genom att arbeta med innovatörer som Aaroh Labs och CYRAN AI Solutions säkerställer Innatera att Pulsar valideras i verkliga miljöer och anpassas för specifika vertikaler. Aaroh Labs bringar neuromorfisk intelligens in i kritisk säkerhetsinfrastruktur, medan CYRAN AI Solutions demonstrerar dess potential i intuitiv människa-maskin-interaktion. Dessa samarbeten bevisar teknikens mångsidighet, minskar barriärer för andra adoptörer och bygger förtroende för att distribuera neuromorfiska processorer i stor skala.

Våra samarbeten med sensorleverantörer som Socionext tillåter oss att packa intelligens i sensormodulen, vilket förenklar upptaget och distributionen av intelligent avkänning i enheter. Dessutom stärker sådana samarbeten vår redan starka och växande ekosystem och accelererar spridningen av neuromorfisk datorning inom branschen.

Om vi ser framåt, ser du Pulsar och dess efterföljare röra sig mot in-enhet-lärande och anpassning, snarare än bara inferens vid kanten?

Absolut. Med Pulsar har vi bara börjat skrapa på ytan av vad neuromorfisk kan göra. Neuromorfiska processorer är inneboende väl lämpade för online-lärande och anpassning, och Pulsar lägger grunden för enheter som kan göra långt mer än bara upptäcka och svara.

Neuromorfisk datorning är på väg att möjliggöra en ny generation av adaptiva och autonoma edge-enheter; system som lär sig, självjusterar och optimerar i realtid medan de körs på små batterier. Denna utveckling kommer att låsa upp en mängd olika applikationer, från wearables som anpassar sig till ditt beteende på flyget, till industriella system som förutser och förhindrar fel med minimal energiförbrukning. Långsiktigt är målet att skapa enheter som är lika intelligenta som de är kontinuerligt anpassningsbara och motståndskraftiga, omdefinierar vad som verkligen är möjligt vid kanten.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Innatera.