Kina vælger low-tech og vinder: analoge chips slår digitale chips med 200 gange lavere energiforbrug

Ingen blanke AI-superchips – bare beige bokse fra en svunden tid

Ingen skinnende AI-superchips, ingen vanvittige kølesystemer. Bare beige apparater, der ser ud som om de er smuglet direkte ud af 1980'erne. En ung ingeniør bøjer sig over et printplade fyldt med analoge komponenter, potentiometre og snoede ledninger. Det ligner et retrohobby-projekt – ikke en højteknologisk revolution.

Og alligevel måler hans kolleger noget, der giver hele chipbranchen mavepine: en analog chip, der udfører de samme beregninger som en digital, men bruger op til 200 gange mindre energi. Ingen marketingsnak – hårde laboratoriedata. Stemningen er ikke triumferende. Den er stille og koncentreret. Som om alle allerede mærker, at noget er ved at tippe, uden at nogen tør sige det højt.

Det mest futuristiske spring kommer pludselig fra den lavteknologiske ende.

Hvorfor Kina pludselig satser stort på "gammeldags" analoge chips

Forestiller du dig et kinesisk chiplab fuldt af skinnende EUV-maskiner og vestligt udseende supercomputere, vil du nok blive overrasket i dag. Der er loddesationer, analoge måleinstrumenter og printplader, der snarere minder om et teknisk museum. Og alligevel kommer prototyperne herfra – dem der holder AI-forskere vågne verden over.

Kina har accepteret en smertefuld virkelighed: adgangen til de nyeste digitale chips strammes gradvist af eksportrestriktioner. I stedet for at kæmpe imod på gammelmåden vælger forskerne en omvej. Ikke at løbe hurtigere på den samme bane – men at skifte bane helt. Ingen 2-nanometer-drøm, men analoge regnblokke, der skærer strømforbruget ned med en faktor 100 til 200.

Valget ser lavteknologisk ud, men føles pludselig mere som skak end sprint.

Tag eksemplet med en analog AI-accelerator, der for nylig dukkede op i kinesiske fagblade. Apparatet bruger gammeldags spændingsniveauer og strømme til at udføre matematiske operationer. Hvor en klassisk GPU kræver fuld digital præcision, regner denne chip med "vage" analoge værdier – præcis gode nok til neurale netværk.

I tests klarede systemet en standard neuralnetværksopgave med 150 til 200 gange lavere energiforbrug end en sammenlignelig digital løsning. Ikke en procent mere effektivt, ikke et markedsvenligt 3x – men et tal, der får selv erfarne ingeniører til at holde vejret. For et datacenter betyder det tons mindre strøm om året. For en drone, en solcelle-bil eller en smart sensor betyder det simpelthen: muligt i stedet for science fiction.

Analogt regneri så interessant ud på papiret for årtier siden. Men nu sker det pludselig i stor skala – på den anden side af jordkloden.

Naturens egen regnemaskine: Sådan fungerer analog logik

Logikken bag er forræderisk enkel. Digitale chips er bygget til at sige præcist ja eller nej, bit for bit. Det indebærer et enormt spild – især når man arbejder med mønstre og sandsynligheder, som man gør i AI. Analoge kredsløb bruger naturen selv som regnemaskine: spændinger, strømme, modstande.

I stedet for millioner af transistorer, der råber "1 eller 0", lader man en lille strøm repræsentere et tal. Det er støjfølsomt, mindre præcist og ikke altid pænt at kontrollere. Men mange AI-opgaver kræver slet ikke den absolutte præcision. Brugeren opdager ikke forskellen mellem 99,3 og 99,4 procent genkendelse. En chip, der er groft korrekt men næsten ikke bruger energi, bliver pludselig uovervindelig.

Netop den ufuldkommenhed, vi i årevis ville polere væk, viser sig nu at være en fordel.

Kina griber det pragmatisk an: ikke den smukkeste teori, men den bedst fungerende praksis.

Sådan opbygges det analoge forspring i praksis

Bag enhver skinnende overskrift om "200 gange lavere energiforbrug" gemmer sig noget meget kedeligt: endeløs finjustering, måling og tilpasning. Ingeniører i Nanjing og Shenzhen arbejder med hybride designs, hvor digitale blokke styrer systemet, mens analoge kerner håndterer den tunge regneopgave. På den måde fanger man det bedste fra begge verdener.

En typisk arbejdsgang ser sådan ud: træn først en AI-model på klassisk digital hardware, komprimer derefter modellen og map den over på en analog chip. Så følger dage med at justere spændinger, måle tolerancer og kortlægge temperaturdrift. Det er ikke glamourøst arbejde. Men hver gang rettes lidt mere fejl, spildes lidt mindre energi og vindes lidt mere stabilitet.

Det er den egentlige grund til, at Kina tager tempo: der bliver simpelthen lagt enormt mange timer i dette seje, næsten håndværksmæssige ingeniørarbejde.

For beslutningstagere og virksomhedsledere ligger der en implicit lære her. Den der kun stirrer på nanometre og FLOPS, overser den alternative vej: arkitektur, energiprofil og "godt nok"-præcision. I mødelokaler tales der stadig ofte, som om kun de allernyeste digitale chips har betydning. Samtidig ser man kinesiske universiteter bygge små, modulære analoge acceleratorer til helt konkrete opgaver: billedgenkendelse ved kanten, taledetektion i billige apparater, AI-styring i robotter.

Det er værd at bemærke, at unge studerende, der er vokset op med smartphonechips, i starten griner af spoler og operationsforstærkere. Efter et par måneder indser de, at et simpelt analogt kredsløb kan overtage en opgave, der ellers ville kræve en dyr GPU. Det vendepunkt – fra foragt til respekt – er måske den største mentale forskydning af alle.

Der ligger også noget menneskeligt i det: at lære, at fremskridt ikke altid behøver at være glansfuldt, mindre og mere komplekst. Nogle gange er det grovere, mere lokalt og mere energieffektivt.

Hvad du konkret kan lære af Kinas analoge satsning

For alle, der arbejder med chips, AI eller hardware i Europa, er der overraskende praktiske pointer at hente. Det første skridt er mentalt: stil dig selv ét simpelt spørgsmål ved hvert nyt projekt. Skal dette virkelig køre på den dyreste digitale hardware, eller kan det løses slankere, tættere på sensoren – måske halvt analogt?

Det handler om at starte småt. En sensornode i et drivhus, der skal styre intelligent vanding. Et industrielt kamerasystem, der kun behøver at rapportere afvigelser. En wearable, der vil have AI ombord hele dagen, men ikke kan bære et stort batteri. I alle disse situationer kan en analogt inspireret tilgang – mindre præcision, mere energieffektivitet – pludselig vise sig at være guld værd.

Pointen er ikke, at du selv skal designe analoge AI-chips i morgen, men at du giver denne type løsninger seriøs plads i dine strategiske valg.

For virksomheder og teams føles det sommetider som et skridt tilbage. Analog elektronik er i mange organisationer synonymt med "gammelt skrammel" eller nicheekspertise. Alligevel kan det betale sig at have mindst én ingeniør eller partner, der virkelig mestrer dette felt. Mange fejl opstår allerede i samtalen: projekter hugges direkte op i digitale blokke, uden at nogen spørger, om opgaven kan skæres anderledes.

Vær mild over for dig selv, hvis din refleks stadig er "mere cloud, mere GPU". I årevis var det netop den hellige gral. Nu forskydes virkeligheden langsomt mod energibudgetter, geopolitiske risici og forsyningssikkerhed. Det er præcis dér, den tilsyneladende gammeldags løsning pludselig bliver den klogeste vej frem.

Det føles lidt som at lære at se på teknologi igen – noget du troede, du forstod for længe siden.

"Digitale chips er fantastiske, men vi har i alt for lang tid behandlet dem som den eneste tænkelige fremtid," fortalte en kinesisk professor via en krypteret videoforbindelse. "Analoge arkitekturer forsvandt aldrig rigtig – vi valgte bare i årtier ikke at lytte til dem."

Den sætning hænger ved. For den rammer et bredere valg, som heller ikke europæiske aktører kan komme uden om. Bliver vi ved med at deltage i kapløbet om stadig mindre digitale noder – eller tør vi, ligesom Kina, flytte en del af vores indsats over på arkitekturer, der er radikalt mere energieffektive?

• Genopdag analog og mixed-signal ekspertise inden for din organisation.
• Vurder pr. anvendelse, hvad der egentlig er nødvendigt: præcision, hastighed eller energieffektivitet.
• Eksperimenter med små pilotprojekter ved kanten: sensornoder, droner, wearables.
• Søg samarbejde med universiteter og nichevirksomheder, der er foran på dette felt.
• Integrer energibudget og forsyningsrisiko som hårde designkrav – ikke som en eftertanke.

En stille forskydning med højrøstede konsekvenser

Kinas valg af lavteknologisk udseende analoge chips handler om noget større end blot teknik. Det er en strategisk omvej langs en blokeret motorvej. Mens Vesten diskuterer eksportforbud og "friendshoring" i det uendelige, bygger en hær af ingeniører roligt videre på systemer, der simpelthen kræver langt mindre strøm. Det er ikke kun et spørgsmål om omkostninger – det er også et magtspørgsmål.

Forestil dig en verden, hvor AI er overalt: i landbrugskøretøjer, simple apparater, billige robotter, medicinske sensorer. Kampen handler så mindre om, hvem der har det største datacenter, og mere om, hvem der kan køre sin intelligens mest effektivt, robust og lokalt. Analoge chips passer næsten smerteligt godt ind i det billede. Mindre cloud, mere edge. Mindre forbrug, mere autonomi. Mindre hype, mere fysisk virkelighed.

Måske er det derfor, denne udvikling skaber ubehag. Vi har i årevis lært, at fremskridt er ensbetydende med højere opløsninger, tykkere specifikationer og glansfulde chips. Nu viser det sig, at en del af fremtiden ligger i støj, unøjagtighed og gammeldags analoge spændinger. Det føles ubehageligt. Og netop derfor er samtalen om det så nødvendig – i virksomheder, i politik og i uddannelse.

Den, der tør se på lavteknologi med friske øjne, kan snart ende højt oppe i det nye hierarki af energieffektiv AI. Og den, der fortsat holder fast i kun den allernyeste digitale drøm, opdager måske for sent, at den egentlige revolution allerede er begyndt i stilhed – på en arbejdsbænk fuld af ledninger, spoler og langsomme, tikkende måleinstrumenter.

Nøglepunkter på et øjeblik

Ofte stillede spørgsmål

• Er analoge AI-chips allerede kommercielt tilgængelige? Der findes første prototyper og nicheprodukter, men massemarketsløsninger er stadig i sin vorden. Forvent de kommende år primært hybride systemer, hvor analog og digital blandes.
• Betyder 200x lavere energiforbrug også 200x mindre regnekraft? Nej – det handler om sammenlignelige opgaver med langt lavere forbrug. Regnekraften pr. opgave er stadig brugbar, netop fordi AI-modeller er tolerante over for unøjagtigheder.
• Er dette kun interessant for store virksomheder og stater? Slet ikke. Startups, SMV'er og forskningsinstitutioner kan faktisk hurtigt eksperimentere med analoge og mixed-signal koncepter i små, målrettede anvendelser.
• Skal jeg afskrive hele min digitale infrastruktur? Absolut ikke. Se analog teknologi som et supplement til opgaver, hvor energi, latenstid eller omkostninger er afgørende – ikke som en erstatning for alt digitalt.
• Hvor kan jeg lære mere om analoge AI-arkitekturer? Søg efter publikationer om "analog AI accelerators", "in-memory computing" og "mixed-signal neuromorphic chips", og følg universiteter og laboratorier i Kina, USA og Europa, der arbejder aktivt med dette felt.