A startup propõe a substituição de multiplicações computacionalmente caras por somas de logaritmos em uma tentativa de superar a eficiência das GPUs tradicionais.
A Tensordyne está buscando desafiar a dominância da Nvidia no setor de aceleradores de hardware por meio de uma mudança fundamental na forma como os cálculos são processados. A estratégia da empresa abandona as operações tradicionais de multiplicação, que exigem alto poder de processamento, em favor do uso de logaritmos. A premissa técnica é substituir cálculos complexos por simples operações de adição.
A arquitetura convencional de unidades de processamento gráfico (GPUs) depende fortemente de multiplicações em ponto flutuante para treinar e executar modelos de inteligência artificial. Segundo a proposta da Tensordyne, o uso de matemática logarítmica permite que o hardware realize as mesmas funções matemáticas com um custo computacional significativamente menor, otimizando o fluxo de dados e reduzindo o consumo de recursos.
Essa abordagem representa uma tentativa de quebrar o modelo atual de desenvolvimento de semicondutores para IA, no qual a Nvidia se consolidou como líder absoluta. Ao alterar a base matemática do processamento, a Tensordyne mira a criação de chips capazes de oferecer maior eficiência energética e desempenho superior, contornando as limitações físicas e térmicas que afetam os aceleradores padrão.
O mercado de tecnologia tem acompanhado o surgimento de diversas startups que visam disputar espaço com a Nvidia, mas a inovação da Tensordyne foca especificamente na camada de lógica matemática em vez de apenas aumentar a contagem de transistores ou a largura de banda de memória. A viabilidade dessa tecnologia dependerá de sua capacidade de ser adotada pelos principais frameworks de aprendizado de máquina sem perda de precisão nos resultados das redes neurais.
A Tensordyne propõe uma mudança na base matemática do processamento, substituindo as operações tradicionais de multiplicação em ponto flutuante por somas de logaritmos. Isso reduz o custo computacional e busca maior eficiência energética nos chips.
O uso de logaritmos permite que o hardware realize cálculos complexos através de simples operações de adição. Isso otimiza o fluxo de dados, reduz o consumo de recursos e contorna as limitações físicas e térmicas das GPUs tradicionais.
A viabilidade da tecnologia dependerá de sua capacidade de ser integrada aos principais frameworks de aprendizado de máquina sem causar perda de precisão nos resultados das redes neurais.