AIの電力需要が高まる中、Extropicが熱力学コンピューティングに関するケースを公表

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)、GoogleとAlphabetのXで量子機械学習に取り組んだのちExtropicを設立した物理学者は、ExtropicがAIコンピューティングを熱力学を中心に再構築する主張を推し進めるなか、7月29日にXにネイティブ記事を公開した。

Extropicは、大規模化するAIが最終的に従来型データセンターの電力と冷却要件と衝突すると賭けている。Verdonと共同創業者Trevor McCourtはその制約をソフトウェア層の下で解決しようと、トランジスタ内の自然なノイズを利用してサンプリング操作を行う確率回路を設計している。

そのアプローチはExtropicが新しいハードウェアとソフトウェアスタックを構築することを必要とする。Extropicのチップは、調整可能なランダムな2値信号を生成する確率ビット、すなわちp-bitsを中心に設計されている。これらの回路のネットワークは、関係性をエネルギー関数で表現する機械学習の一種であるエネルギーに基づくモデル（energy-based models）が使う確率分布から直接サンプリングできる。

GPUは、決定論的な計算の連続で同じカテゴリのサンプリングを実行できる。Extropicは、自社回路の物理的挙動がその作業の多くを直接行うことを望んでおり、従来のプロセッサでエネルギーを消費するデータ移動と算術演算を削減しようとしている。

量子ソフトウェアからノイズを利用するトランジスタへ

VerdonとMcCourtは以前、量子コンピューティング研究をGoogleの機械学習フレームワークと結び付けるソフトウェアであるTensorFlow Quantumで共に働いた。VerdonはUniversity of Waterlooでの大学院研究中にこのプロジェクトの初期の作業を行い、その後Alphabet XのPhysics and AIチームで量子技術リードを務めた。McCourtはその後、MITで量子制御と計測学の研究を行った。

二人は量子システム（通常ノイズは抑えるべき誤差となる）から方針を転換し、ノイズを計算資源として利用する室温トランジスタ回路に注力するため、2022年にExtropicを設立した。Extropicは2023年にKindred Venturesが主導する$14.1 million seed roundを調達した。Buckley Ventures、HOF Capital、Julian Capital、Marque VC、OSS Capital、Valor Equity Partners、Weekend Fundが参加し、Aidan Gomez、Amjad Masad、Arash Ferdowsi、Garry Tan、Naval Ravikant、Tobias Lutkeらエンジェル投資家も名を連ねた。

以来、ExtropicはX0という試作チップを開発した。これは室温での全トランジスタ確率回路を検証することを目的としている。XTR-0（Extropicの開発プラットフォーム）は、2つのX0チップを低遅延インターフェースで従来のプロセッサに接続する。このハイブリッド設計により、研究者は制御やその他のワークロードを既存ハードウェアに任せたまま熱力学アルゴリズムをテストできる。

Extropicはまた、量産規模の熱力学サンプリングユニットであるZ1を開発中だ。Extropicは2026年の早期アクセスを掲示しているが、顧客名、価格、製造量、商用性能の結果はいまだ公表していない。

10,000倍の結果は依然としてモデルによる比較にとどまる

Extropicの効率性に関する主張を最も強く後押しする公開資料は、Extropicの研究者とMITのIsaac Chuang教授が共著で発表した2026年のnpj Unconventional Computingの論文だ。

研究者らは、denoising thermodynamic modelと呼ばれる新しいクラスの生成システムを動かすための全トランジスタ確率アーキテクチャを記述した。彼らの解析では、Extropicのアーキテクチャに基づく将来のデバイスが、binarized Fashion-MNISTの画像ベンチマークにおいてGPUベースのモデルと同等の性能を示しつつ、生成された各サンプルあたりのエネルギー消費が約10,000倍少ないと算出された。

この数値はExtropicの確率チップの測定値と回路モデルおよびシミュレーションを組み合わせたものだ。これは生産配備からの測定や最先端の言語モデルとの比較ではなく、単純な画像生成ベンチマークに対する推定値にすぎない。Extropicは、より大きなチップ、製造ばらつき、構成要素間の通信、商用市場を支えるに足る複雑なワークロードにおいてもその利点が持続することを示さねばならない。

そのアルゴリズムはハードウェア戦略の一部だ。Extropicのdenoising thermodynamic modelは生成をより単純なエネルギーに基づくモデルの連続へ分解し、確率回路が繰り返しサンプリングを行えるようにする。Extropicは現在のGPUクラスタを支配するtransformerワークロードを適応させるのではなく、自社ハードウェアに合うアルゴリズムを共設計している格好だ。

開発者はExtropicのオープンソースのPythonおよびJAXライブラリであるTHRMLを通じてそのアプローチを試すことができる。THRMLは従来のプロセッサ上で熱力学サンプリングユニットをシミュレートし、研究者がExtropicの量産ハードウェアが利用可能になる前に確率モデルを構築・訓練する手段を提供する。

Extropicは依然として新しいプリミティブを中心に市場を築く必要がある

Extropicが参入する市場では、NvidiaのGPUやGoogleのTPUが既に成熟したコンパイラ、充実した開発ツール、大きな導入基盤の恩恵を受けている。代替アクセラレータは、顧客が利益の不確かなソフトウェアの書き換えを強いられることや、チップ生産が長い開発期間と多大な資本を必要とすることから苦戦することが多い。

ある意味でExtropicの道はより困難だ。Extropicのアーキテクチャは、今日のtransformerモデル向けのより速いドロップインプロセッサとしてではなく、確率的かつエネルギーに基づくワークロード用に設計されている。したがって商業的採用は、Extropicがハードウェアを実証し、開発者に異なるモデルアーキテクチャが有用な結果をもたらすと納得させられるかどうかにかかっている。

Extropicは、確率計算向けの熱力学ハードウェアを開発したNormal Computingからの直接的な競争にも直面している。他にもフォトニックプロセッサ、compute-in-memoryチップ、ニューロモルフィックシステムなど、AI推論のコストを下げるための取り組みが進められている。

Verdonの賭けは、Extropicにその分野で独自の立ち位置を与えている。Extropicは決定論的計算を新しいサンプリングプリミティブで置き換え、それを中心にモデル、開発ツール、シリコンを構築しようとしている。公開された結果はそのアプローチの技術的根拠を示している。Z1と初期ユーザーが選ぶワークロードが、熱力学的コンピューティングが研究用ハードウェアを超えられるかどうかを決定するだろう。