NANDAN Nayampally گفت پردازنده حال حاضر نه تنها دستگاه های تلفن همراه که قابلیت، حتی میکروکنترلر بسیار کوچک (MCU)، با AI قابلیت پردازش انجام اساسی، مانند هسته ARM Cortex-M0، ARM قشر M3 ارائه سری، در حال حاضر شما می توانید مدل های ویدئویی و یا یادگیری ماشین صدای در شرایط بالا را اجرا کنید.
همانطور که پردازنده های بیشتری از پردازنده های تلفن همراه که ویژگی ها یا ویژگی های AI را معرفی می کنند معرفی شده است، او می گوید که پردازنده های AP بیشتر و بیشتر استفاده می شود که پردازنده و پردازنده های GPU را ترکیب می کنند و برای مدیریت عملیات AI از انواع مختلف برنامه ها استفاده می شود. به عنوان مثال، تشخیص شی، تشخیص گفتار یا تشخیص چهره. این پردازنده های کاربردی نه تنها از معماری ARM استفاده می کنند بلکه بسیاری از دستگاه های هوشمند با قابلیت های AI در بازار نیز دارای معماری ARM مانند دستگاه های گفتار هوشمند، دوربین های هوشمند یا او گفت، این یک تلویزیون هوشمند و غیره است، حتی در ابر، و اکنون معماری آن در چین، سوپر کامپیوترهای ژاپن برای انجام برنامه های مختلف استفاده شده است.
NANDAN Nayampally تاکید کرد که پس از AI بیشتر و بیشتر محبوب دستگاه های تلفن همراه خواهد بود، "تقریبا همه را می توان بر روی تمام دستگاه انجام می شود." همانطور که برای چه نوع از برنامه های کاربردی AI برای اجرا بر روی آن، او گفت، بر روی دستگاه های سخت افزاری بستگی دارد. او توضیح بیشتر، یادگیری ماشین (ML) و هوش مصنوعی هستند، نرم افزار، در حال اجرا بر روی سخت افزار، اگر آن یک برنامه ساده هوش مصنوعی است، آیا محاسبه بیش از حد نیاز ندارد، به یک CPU یا GPU تنها کافی است برای دیدار؛ پردازش عملیات بسیار پیچیده اگر شما نیاز به رفتن را از طریق زمانی که باید با شبکه های عصبی (شتاب دهنده شبکه عصبی) شتاب دهنده، برای سرعت بخشیدن به عملیات، به عنوان برنامه های کاربردی AI به پیشرفته تر است.
NANDAN Nayampally گفت که در آینده این شرکت ادامه خواهد برای تقویت CPU، GPU و یا یادگیری قدرت پردازش AI از دستگاه، نه تنها در معماری طراحی خواهد مجموعه دستورالعمل بیشتر، و یا ابزار، اضافه کردن به ارائه یادگیری ماشین، یادگیری عمیق حتی قوی تر پشتیبانی نیز از طریق نرم افزار برنامه ریزی به منظور بازی بهره وری بالاتر بهینه شده است، او، برای مثال، به تازگی راه اندازی هسته های Cortex-A76 معماری CPU، در اجرای وظیفه یادگیری ماشین، شما می توانید از A75 نسل قبلی از 4 برابر افزایش عملکرد، در حالی که از Mali-G76 GPU، بیش از حد، G72 3 برابر بیشتر از اثر کامل از عملکرد.
نه تنها توسعه تراشه و طراحی در رابطه با AI، ARM در این سال نیز شروع به تمرکز شتاب دهنده شبکه عصبی، آن را راه اندازی پروژه تریلیوم پردازنده جدید یادگیری ماشین معماری (MLP) و پردازنده تشخیص شی (ODP) دو سری IP جدید، که منتشر شده است در اوایل سال جاری ARM خانواده جدید هوش مصنوعی (AI) تراشه.
عملیات 3Teraflops از اولی برای سرعت بخشیدن به ماشین یادگیری، هر یک از شناور عملکرد پردازنده نقطه تا 4.6Teraflops، اما قدرت بیشتری به، مصرف برق را می توان به دست آورد کارایی عدد اعشاری در هر وات. دوم شتاب است برای بینایی کامپیوتر در مقایسه با DSP سنتی ASIC سیگنال دیجیتال، افزایش عملکرد تا 80 بار، و می تواند تا 60 فریم در ثانیه را در HD کامل ویدیو کیفیت بالا.
نه تنها این، Nandan Nayampally در مورد کاربرد تشخیص ابعاد در برنامه های AR و VR بسیار خوش بین است. او حتی گفت که این شرکت 2 سال پیش آپیکال را به عنوان یک شرکت فن آوری متمرکز بر برنامه های دیداری کامپیوتری و تصویربرداری تعبیه کرد. برای کمک به سرعت بخشیدن به ورود آن به بازار AR، VR علاوه بر محصولات ARM موجود که قبلا از محاسبات چشم انداز (Computing Vision) پشتیبانی می کنند، گفت که نسل بعدی Vision راه حل خواهد بود.