Исследователи успешно реализовали Kolmogorov-Arnold Networks (KANs) на программируемых вентильных матрицах (FPGA), добившись времени инференса в микросекунды. Архитектура использует более простую структуру KAN — заменяет традиционные функции активации обучаемыми сплайнами — для эффективного отображения на FPGA. Тесты показывают 100-кратное ускорение по сравнению с GPU при аналогичной точности на небольших задачах регрессии. Работа предполагает, что FPGA могут стать жизнеспособной платформой для сверхнизколатентного машинного обучения в периферийных вычислениях и робототехнике.

KAN на FPGA. Это не просто ускорение. Это смена парадигмы. Машинное обучение было заперто в облаке, скованное задержками. GPU мощные, но прожорливые. Им нужны дата-центры. Им нужно время.

FPGA другие. Это программируемый кремний. Их можно заточить под одну задачу. Теперь, с KAN, эта задача — инференс на периферии. Представьте дрон, уклоняющийся от птицы в воздухе. Робота, ловящего мяч. Кардиостимулятор, предсказывающий инфаркт. Всё это возможно, когда время принятия решения падает с миллисекунд до микросекунд. Это машинное обучение, которое живёт в реальном мире. Не в серверной ферме. Не в симуляции. Здесь и сейчас. И это меняет всё.