Arm tillkännagav på tisdagen sin nya riktning i "branschens mest skalbara, mångsidig ML-beräkningsplattform." De pratar om sin nya plattform som heter Project Trillium. Projektet involverar en ny Machine Learning (ML) processor och en Object Detection (OD) processor.

Arm ML-processorn (1) levererar mer än 4,6 biljoner operationer per sekund och (2) en effektivitet på över 3 biljoner operationer per sekund per watt (TOPs/W), med "oöverträffad" prestanda i "termiska och kostnadsbegränsade miljöer."

Project Trillium är ett kodnamn, inte ett kommersiellt varumärke, för Arm machine learning-teknik. Kodnamnet kommer att ersättas av ett kommersiellt varumärke.

Jem Davies, vice President, kollega och generaldirektör, Maskininlärning, Ärm, sade att projektet är "att kickstarta en ny våg av uppfinningar i världen av artificiell intelligens (AI), där maskininlärning är en nyckeldel."

MIT Technology Review sa, Arms "senaste mobila processorer är inställda för att knäcka maskininlärningsalgoritmer så effektivt som möjligt."

Så, vad betyder det för konsumenter som köper mobilprodukter? Pratar de om AI för telefoner? Som MIT Technology Review sa, AI kommer att ge oss hårdvara som gör att våra telefoner kan köra "algoritmer med artificiell intelligens."

ARMs nya processorer gjordes för att leverera förbättrad maskininlärning och neurala nätverksfunktioner.

Arms Jem Davies anmärkte, "Verkligen, mitt svar på frågan:'Varför skulle du införa mer intelligens i din enhet?' är 'Varför skulle du inte, '" i en Arm-blogg.

Processorerna är fokuserade på mobila enheter. "Användare kommer att njuta av hög upplösning, realtid, detaljerad ansiktsigenkänning på sina smarta enheter levererade på ett batterivänligt sätt, sa Arm.

Arm OD-processorn designades för att identifiera människor och andra objekt med "nästan obegränsade objekt per bildruta, " med "Realtidsdetektering med Full HD-bearbetning med 60 bilder per sekund."

Medan den första lanseringen fokuserar på mobila processorer, fastän, Arm sa att det kommer att finnas framtida Arm ML-produkter med förmågan "att flytta upp eller ner i prestandakurvan - från sensorer och smarta högtalare, till mobilen, hemunderhållning, och vidare."

Arms Jem Davies, vice President, kollega och generaldirektör, maskininlärning, klargjort vad svitens kapacitet kan tjäna i ett verkligt scenario. (Davies är en kvalificerad dykare.)

"Tänk dig att du är 30 meter ner, dyker ovanför ett rev omgivet av fantastiska varelser och undrar vilken art den lilla gula fisken med silverränderna är. Du kan famla runt efter ett fiskkort, om du har en, men det du verkligen vill ha är en enklare och snabbare lösning. Snabbspolning framåt till 2019, och tekniken har gett. Nu är din vattentäta smartphone aktiverad av Arm Machine Learning (ML) och Object Detection-processorer. Din upplevelse är väldigt annorlunda."

Dykmasken, sa Davies, skulle ge dig information via en heads-up-display. "Ett armbaserat chip inuti din smartphone är nu utrustat med en avancerad objektdetekteringsprocessor som filtrerar bort de viktigaste scendata medan ett operativsystem utför en kraftfull maskininlärningsprocessor med detaljerad identifiering av fisk, andra intresseområden och faror."

Jamie Condliffe in MIT Technology Review bedömde Arms nyheter. "För närvarande, de flesta små eller bärbara enheter som använder maskininlärning saknar hästkrafter för att köra AI-algoritmer, så de tar hjälp av stora servrar i molnet." Arms lösning har fördelen av snabbhet, med en mobil enhet som kör sin egen AI-programvara "som minskar fördröjningen som är inneboende i att skicka information fram och tillbaka."

Också, han sa, "Det gläder integritetsförespråkare, som tröstas av tanken på att data finns kvar på enheten."

Gary Sims diskuterade samma pluspoäng i Android Authority inklusive säkerhetsfördelar med att inte behöva skicka personuppgifter upp till molnet.

"Argumentet för att stödja slutledning (igenkänning) på en enhet, snarare än i molnet, är övertygande. Först och främst sparar det bandbredd. När dessa tekniker blir mer allmänt förekommande skulle det bli en kraftig ökning av data som skickas fram och tillbaka till molnet för igenkänning. För det andra sparar det ström, både i telefonen och i serverrummet, eftersom telefonen inte längre använder sina mobilradio (Wi-Fi eller LTE) för att skicka/ta emot data och en server inte används för att göra upptäckten."

När det gäller latens, Sims noterade också att resultat kommer att levereras snabbare om slutsatsen görs lokalt.

På samma gång, Condliffe påpekade att Arm inte är den enda spelaren som utforskar mobila AI-chips. Condliffe noterade (1) en neural motor i iPhone X som en del av sin huvudkretsuppsättning (2) Huaweis Mate 10-smarttelefon med ett chip som den kallar för neural bearbetningsenhet och (3) Pixel 2-telefonen med en chipset "för att hjälpa den att knäcka bildbehandling och maskininlärningsproblem."

Sims sa, "vi borde börja se SoCs med det inbyggt någon gång under 2019."

"Machine learning är verkligen det heta nya ämnet inom halvledarbranschen och har särskilt sett ett stort fokus i den mobila världen under de senaste månaderna, " sa Andrei Frumusanu in AnandTech , med tillkännagivanden från företag.

© 2018 Tech Xplore