Mythicのアナログ・コンピュート・イン・メモリがAIのエネルギー効率を100倍に
Mythic's analog compute-in-memory architecture
Mythicのアナログ・コンピュート・イン・メモリ（CIM）アーキテクチャは、AI推論のエネルギー効率を従来のGPU比で100倍に向上させる。フラッシュメモリ内にAIモデルの重みを格納し、アナログ領域で計算を実行することで、プロセッサとメモリ間のデータ移動によるエネルギー浪費を排除。120 TOPS/Wの業界最高効率を実現し、Hondaや米国防総省での採用実績を持つ。2026年1月にはドイツのAIプロセッサ企業Videantisを買収し、3000万台の量産車に搭載されるADASプラットフォームを獲得。エッジからデータセンターまでをカバーするチップレット設計で、最大1,024個のチップレットをスケーラブルに統合できる。
従来のチップはプロセッサとメモリの間で毎秒何十億回もデータを往復させ、そのエネルギーの大半を計算ではなく移動に費やしている。これは80年前から続くアーキテクチャ上の欠陥であり、業界はこれまで疑問を抱かなかった。Mythicは疑問を抱いた。
- phdelightful
私の理解（もしかすると古いかもしれません）では、製造ばらつきがアナログコンピューティングの主要な課題です。デジタル設計も根本的にはアナログですが、0か1だけを判別できれば、あらゆるノイズ源に対してはるかに寛容です。Mythicが実際にこれをどう実現しているか、もう少し詳しく聞いてみたいものです。2026年のEE Timesの記事[1]では、「補償」と「較正」の技術に言及しています。[1] https://www.eetimes.com/mythic-rises-from-the-ashes-with-125...
- MichaelNolan
彼らのLLMページをお探しなら、https://www.mythic.ai/enterprise-llm です。Taalasがchatjimmy.aiでやったように、単にNvidia/groqより50倍速いと主張するのではなく、直接モデルをホストして見せてくれればよかったのにと思います。彼らの主張は具体的には1兆パラメータのモデルに関するものです。だから、GLM 5.2かそれに類するモデルを取得してホストすればよかったのに。
- mdp2021
> Mythic M1は最大8000万のニューラルネットワークの重みパラメータをチップ上に直接格納する
つまり、Qwen 3.8 27bを実行するには30以上のチップレットを接続し、Qwen3.8-2.4T-A95Bを実行するには3000以上のチップレットを接続する必要がある。コストは？スペースは？実現可能性は？