印那特拉（Innatera）联合创始人兼CEO苏米特·库马尔（Sumeet Kumar）- 采访系列

苏米特·库马尔（Sumeet Kumar） 是印那特拉（Innatera）纳米系统公司的联合创始人兼CEO，他领导了开发超高效的神经形态处理器的工作，用于物联网、可穿戴设备和嵌入式设备中的传感器数据分析。之前，他在代尔夫特理工大学（TU Delft）管理了欧盟资助的研究项目，包括5,000万欧元的PRYSTINE项目，研究自动驾驶车辆技术，并在英特尔公司和学术研究中从事高级处理器架构的工作。

印那特拉（Innatera） 是一家专注于将超低功耗智能技术带到“传感器边缘”的半导体公司。他们的核心创新是基于模拟-混合信号架构的脉冲神经处理器，模仿大脑的事件驱动处理。这些芯片可以在亚毫瓦功耗和超低延迟下识别传感器数据中的模式，使其非常适合始终开启、功耗受限的应用。

您在2018年联合创立了印那特拉，目标是将神经形态处理器从实验室带到现实世界的设备中。是什么驱使您个人创立这家公司，您的愿景在过去七年中如何演变？

印那特拉成立时有一个明确的使命，即将类脑智能直接带到传感器上。即使在2018年，设备也越来越多地集成了复杂的传感器，始终开启的传感需求也在增长。微控制器缺乏功耗高效的AI能力，即使有了这些能力，也只能在小型电池供电的设备中实现有限的连续处理。很明显，需要改变这些设备中传感器数据的处理方式，我们在代尔夫特理工大学进行的十年神经形态计算和能量高效处理的研究似乎为这一挑战提供了答案。

我们的愿景始终保持一致，即通过环境智能实现更智能、更清洁、更安全的世界。通过将智能带到传感器上，我们的芯片将使世界的传感器数据能够直接在源头处理，从而大大减少现代AI的能耗。我们旨在到2030年使10亿个传感器变得智能。

脉冲星（Pulsar） 是我们实现这一目标的第一步，它是为主流采用而设计的世界上第一个神经形态微控制器。它使脑灵感智能在可穿戴设备、智能家居设备和工业系统等应用中变得实用，同时为未来自适应、自治技术奠定了基础。

脉冲星基于对传感器处理的根本性新方法，经过7年的艰苦研究和工程开发。最初由四人创立的公司，如今已发展成为一个全球性的团队，拥有100多名员工，分布在15个国家，团队成员以坚韧、创造力和雄心为文化基础。

脉冲星被描述为第一款真正的面向大众的神经形态微控制器。它与之前的大多数仍然停留在研究实验室的神经形态芯片有什么不同？

学术研究通常专注于开发创新方法来解决棘手的问题。因此，解决方案的好处往往被单独衡量。当这些新技术被部署到生产环境中时，它们必须与系统的其他部分交互，这通常会导致它们的好处被削弱。这也是许多神经形态和传统AI加速技术的共同问题——它们被集成到没有考虑相同基本原则的系统中，这导致结果效率不佳。另一方面，脉冲星是一款完整的独立微控制器，专门为高效处理传感器数据而设计。

它从头开始设计，集成了单个芯片中所有必要的传感器数据处理组件，包括模拟和数字脉冲神经核心、CNN和FFT加速器，以及用于系统管理和传感器控制的完整32位RISC-V子系统。这种异构架构使脉冲星能够直接将原始传感器数据转换为有意义的、可执行的信息，同时消耗的能量最多可减少500倍，运行速度快100倍，远超传统AI处理器。

除了硬件之外，脉冲星还解决了长期存在的软件障碍。其Talamo SDK具有原生PyTorch集成，使神经形态开发对主流工程师来说变得可访问，并能够在亚毫瓦功耗预算下运行小于5KB的紧凑模型。将所有这些功能集成到2.8 x 2.6 mm的封装中，脉冲星消除了对大规模多芯片设置的需求，使其成为第一款准备好进行真正大规模部署的神经形态处理器。

可访问性是印那特拉的一个大主题。Talamo SDK，特别是其PyTorch集成，如何降低开发人员对神经形态计算的门槛，尤其是对于新手开发人员？

几十年来，神经形态采用的主要障碍并不是硬件，而是开发人员友好的工具的缺乏。开发人员面临着陡峭的学习曲线和不熟悉的工作流程，这反过来又减慢了创新步伐。Talamo直接解决了这个问题，通过提供基于PyTorch的SDK，让工程师能够使用熟悉的工作流程设计、训练和部署脉冲神经网络。紧凑的模型可以轻松集成到现有的传感器架构中，实现即使在最小、最耗电的设备中也能实现始终开启的智能。通过消除复杂性和加速开发，Talamo使神经形态计算对主流开发人员来说变得可访问，并加速了从原型到产品的路径。

从技术角度来看，您如何在脉冲星内部平衡模拟和数字脉冲加速器，以高效地处理多样化的工作负载？

脉冲星的架构混合了模拟和数字脉冲核心，以优化能耗和灵活性。模拟核心为连续的、始终开启的传感器工作负载提供了超高效的处理，在这些工作负载中，每个微瓦都很重要。数字核心为更复杂或可变的任务提供了可编程性和精度，仍然在高效的功耗封装中。根据应用需求，将工作负载分布在两个核心之间，确保只在数据更改时消耗能量。这种事件驱动的方法使脉冲星能够在亚毫瓦功耗水平下维持性能，同时保持支持多样化的现实世界应用的灵活性。

您能否带我们了解开发人员的典型工作流程，从训练模型到在脉冲星上部署模型，以及在哪里实现最大的效率增益？

工作流程从PyTorch开始，开发人员在那里设计和训练他们的模型，就像他们为传统AI所做的那样。使用印那特拉的Talamo SDK，模型被转换为针对脉冲星硬件的脉冲神经网络。开发人员然后可以模拟、改进和直接将模型部署到芯片上，通常具有小于5KB的脚印。模型开发步骤集成到一个更大的应用程序开发流程中，允许开发人员以统一的方式构建代码以针对RISC-V以及CNN加速器。

最大的效率增益是在模型在脉冲星的事件驱动脉冲核心上运行时实现的。与传统的MCU不同，传统的MCU会连续消耗功率，脉冲星仅在输入数据更改时计算。这使得始终开启的任务（如手势识别或雷达存在检测）可以在亚毫瓦功耗水平下连续运行，实现了数十倍的能效改善，同时保持高精度和超低延迟。

哪些行业正在最快地采用您的技术，您能否分享一些早期客户或合作伙伴的例子，他们已经在产品中部署了脉冲星？

脉冲星的采用速度在智能家居、可穿戴设备和工业安全等领域最快，因为在这些领域始终开启的传感和超低功耗至关重要。一个很好的例子是Aaroh Labs，它开发了由印那特拉提供动力的下一代烟雾探测器，最近在SEMICON India 2025上亮相。这些设备不仅仅检测烟雾，还可以通过将烟雾检测与人员存在监测相结合，创建更丰富的环境感知，并实现更智能的安全系统，适用于住宅、商业和工业环境。

同样的神经形态方法也可以扩展到资产跟踪和环境监测，具有广泛的连接医疗保健和智能城市的影响。在SEMICON India上，CYRAN AI Solutions还展示了如何将印那特拉的技术集成到紧凑的传感器系统中，例如用于手势识别的肌电图（EMG）可穿戴设备，突出了神经形态AI在实现直观的人机交互方面的潜力。

这些早期的部署只是开始，表明神经形态计算正在从理论转向实践，并迅速在现实世界的应用中扎根。

在演示中，我们看到了一些例子，例如超低功耗的手势识别和雷达基准检测，功耗低于一毫瓦。您如何在这些受限的环境中验证准确性和可靠性？

验证通常取决于应用，在准确性之外，假阳性和假阴性检测率也提供了对解决方案可靠性的关键指标。通常，客户有特定的KPI和测试条件用于验证。脉冲星的灵活性是使客户能够检查其用例的所有复选框的关键因素。通过将其与传统的MCU和加速器进行比较，后者通常会消耗相同任务的40-100倍的功耗，可以进行比较。

在实际演示中，例如雷达基准检测和音频场景分类，脉冲星始终保持在亚毫瓦功耗预算内，准确率超过90%。这使得设备可以连续运行而不牺牲可靠性，这是传统的始终开启系统通常不得不通过唤醒、降低性能或卸载到云端来实现的。

您将脉冲星定位为与更传统的NPU和CPU互补。您如何看待神经形态计算在未来智能设备的硅栈中的地位？

脉冲星被设计为传感器首先与之交互的芯片。它在超低功耗下处理数据，将原始传感器信号直接转换为有意义的、可执行的信息。NPU和CPU只在需要更重的处理时才会被调用。

这使得神经形态处理器成为硅栈中的一个互补层；始终开启、始终在线的基础层，延长了设备的寿命，减少了能耗，提高了响应速度。脉冲星将传感器数据处理任务从系统中的传统高功耗组件中分离出来，使得这些组件可以在许多设备中关闭，甚至在某些情况下完全消除。这导致了更智能、更持久的设备。

与Aaroh Labs和CYRAN AI Solutions等合作伙伴的合作在加速神经形态AI在现实世界中的采用方面发挥了什么作用？

合作伙伴关系是将突破性技术与广泛采用的桥梁。通过与创新者如Aaroh Labs和CYRAN AI Solutions合作，印那特拉确保脉冲星在现实世界环境中得到验证，并针对特定的垂直行业进行定制。Aaroh Labs将神经形态智能技术应用于关键的安全基础设施，而CYRAN AI Solutions则展示了其在直观的人机交互方面的潜力。这些合作伙伴关系证明了该技术的多样性，降低了其他采用者的障碍，并在大规模部署神经形态处理器时建立了信心。

我们与传感器供应商如Socionext的合作伙伴关系使我们能够将智能技术紧密集成到传感器模块中，从而简化了将智能传感技术集成到设备中的过程。这些合作伙伴关系进一步加强了我们已经强大且不断增长的生态系统，并加速了神经形态计算在行业中的传播。

展望未来，您是否认为脉冲星和其后续产品会朝着在设备上进行学习和适应的方向发展，而不仅仅是在边缘进行推理？

绝对是这样。有了脉冲星，我们才刚刚开始触及神经形态技术的表面。神经形态处理器天生适合在线学习和适应，脉冲星为设备能够做的远不止检测和响应奠定了基础。

神经形态计算有望使新一代自适应和自治的边缘设备成为可能；这些设备可以实时学习、自我校准和优化，同时运行在微小的电池上。这一演变将解锁一系列应用，从可穿戴设备（可根据用户行为实时调整）到工业系统（可预测和防止故障，功耗最小）。长期目标是创建与其持续适应性和恢复力一样智能的设备，重新定义边缘设备的可能性。

感谢这次精彩的采访，希望读者能够通过访问 印那特拉（Innatera） 的网站来了解更多信息。