Extropic publica su caso de computación termodinámica mientras aumenta la demanda de energía de la IA

Why it matters

Extropic is testing whether AI's power constraint can create room for a new computing architecture, but its 10,000x result still comes from a simple benchmark and modeled hardware.

Guillaume Verdon (@GillVerd), el físico que fundó Extropic después de trabajar en quantum machine learning en Google y Alphabet's X, publicó un artículo nativo en X el 29 de julio mientras Extropic presenta su caso para reconstruir la computación de IA en torno a la termodinámica.

La apuesta de Extropic es que la escalabilidad de la IA eventualmente chocará con los requisitos de electricidad y enfriamiento de los centros de datos convencionales. Verdon y el cofundador Trevor McCourt intentan abordar esa limitación por debajo de la capa de software, diseñando circuitos probabilísticos que usan el ruido natural dentro de los transistores para realizar operaciones de muestreo.

Ese enfoque requiere que Extropic construya una nueva pila de hardware y software. Los chips de Extropic están diseñados alrededor de bits probabilísticos, o p-bits, que producen señales binarias aleatorias ajustables. Redes de esos circuitos pueden muestrear directamente desde distribuciones de probabilidad usadas por modelos basados en energía, una clase de sistemas de aprendizaje automático que representa relaciones a través de una función de energía.

Las GPU pueden realizar la misma categoría general de muestreo mediante secuencias de cálculos deterministas. Extropic quiere que el comportamiento físico de sus circuitos haga gran parte de ese trabajo directamente, reduciendo el movimiento de datos y la aritmética que consumen energía en los procesadores convencionales.

From quantum software to noisy transistors

Verdon y McCourt trabajaron previamente juntos en TensorFlow Quantum, software que conectó la investigación en computación cuántica con el marco de aprendizaje automático de Google. Verdon desarrolló los trabajos iniciales detrás del proyecto durante su investigación de posgrado en la University of Waterloo y más tarde sirvió como líder de tecnología cuántica en el equipo de Physics and AI de Alphabet X. McCourt continuó investigando control cuántico y metrología en el MIT.

La pareja fundó Extropic en 2022 después de cambiar su enfoque desde sistemas cuánticos, donde el ruido suele ser un error a suprimir, hacia circuitos de transistores a temperatura ambiente que usan el ruido como recurso computacional. Extropic recaudó una ronda semilla de $14.1 millones liderada por Kindred Ventures en 2023. Buckley Ventures, HOF Capital, Julian Capital, Marque VC, OSS Capital, Valor Equity Partners y Weekend Fund participaron junto con inversionistas ángeles que incluyen a Aidan Gomez, Amjad Masad, Arash Ferdowsi, Garry Tan, Naval Ravikant y Tobias Lutke.

Desde entonces Extropic ha producido X0, un chip prototipo destinado a validar sus circuitos probabilísticos totalmente basados en transistores a temperatura ambiente. XTR-0, la plataforma de desarrollo de Extropic, conecta dos chips X0 a un procesador convencional mediante interfaces de baja latencia. Ese diseño híbrido permite a los investigadores probar algoritmos termodinámicos mientras dejan el control y otras cargas de trabajo en hardware establecido.

Extropic también está desarrollando Z1, su unidad de muestreo termodinámico planificada a escala de producción. Extropic ha listado acceso temprano para 2026, aunque no ha publicado nombres de clientes, precios, volúmenes de producción ni resultados de desempeño comercial.

The 10,000x result remains a modeled comparison

El respaldo publicado más sólido a la tesis de eficiencia de Extropic proviene de un artículo de 2026 en npj Unconventional Computing, coautoría de investigadores de Extropic y del profesor del MIT Isaac Chuang.

Los investigadores describieron una arquitectura probabilística totalmente basada en transistores para ejecutar una nueva clase de sistema generativo llamado modelo termodinámico de eliminación de ruido. Su análisis encontró que un dispositivo futuro basado en la arquitectura de Extropic podría igualar a modelos basados en GPU en una referencia de imágenes Fashion-MNIST binarizadas mientras consumía aproximadamente 10,000 veces menos energía por muestra generada.

Esa cifra combina mediciones del chip probabilístico de Extropic con modelos de circuitos y simulaciones. Es una estimación para un benchmark simple de generación de imágenes, más que una medición de un despliegue de producción o una comparación contra un modelo de lenguaje de vanguardia. Extropic aún tiene que demostrar que la ventaja sobrevive a chips más grandes, a la variación en la fabricación, a la comunicación entre componentes y a cargas de trabajo lo bastante complejas como para sostener un mercado comercial.

El algoritmo es parte de la estrategia de hardware. Los modelos termodinámicos de eliminación de ruido de Extropic dividen la generación en una secuencia de modelos basados en energía más simples, permitiendo que los circuitos probabilísticos realicen pasos de muestreo repetidos. Extropic está, en efecto, codiseñando algoritmos que encajen con su hardware en lugar de adaptar las cargas de trabajo de transformers que dominan los clústeres GPU actuales.

Los desarrolladores pueden experimentar con ese enfoque a través de THRML, la biblioteca open-source de Extropic para Python y JAX. THRML simula unidades de muestreo termodinámico en procesadores convencionales, dando a los investigadores una manera de construir y entrenar modelos probabilísticos antes de que el hardware de escala de producción de Extropic esté disponible.

Extropic still has to build a market around a new primitive

Extropic está entrando en un mercado donde las GPU de Nvidia y los TPUs de Google ya se benefician de compiladores maduros, amplias herramientas para desarrolladores y una gran base instalada. Los aceleradores alternativos a menudo tienen dificultades porque los clientes deben reescribir software para ganancias inciertas y porque la producción de chips requiere ciclos de desarrollo largos y capital sustancial.

El camino de Extropic es más difícil en un aspecto: su arquitectura está diseñada para cargas de trabajo probabilísticas y basadas en energía, más que como un procesador de reemplazo directo más rápido para los modelos transformer actuales. La adopción comercial, por lo tanto, depende de que Extropic demuestre el hardware y convenza a los desarrolladores de que una arquitectura de modelo diferente puede ofrecer resultados útiles.

Extropic también enfrenta trabajo directo de Normal Computing, que ha desarrollado hardware termodinámico para computación probabilística. Otros esfuerzos persiguen procesadores fotónicos, chips de computación en memoria y sistemas neuromórficos para reducir el costo de la inferencia de IA.

La apuesta de Verdon da a Extropic una posición distintiva en ese campo. Extropic intenta reemplazar la computación determinista con una nueva primitiva de muestreo y construir los modelos, las herramientas para desarrolladores y el silicio en torno a ella. Los resultados publicados establecen una base técnica para ese enfoque. Z1 y las cargas de trabajo que elijan sus primeros usuarios determinarán si la computación termodinámica puede ir más allá del hardware de investigación.