1. الجيل القادم من المخزون تكنولوجيا التخزين: أربع تقنيات، مع فرص كبيرة.
مع صعود الأجهزة النقالة، وتطبيقات الشبكات، لتخزين بيانات موفرة للطاقة والتكنولوجيا ذاكرة زيادة حاليا الطلب على ذاكرة DRAM وتكنولوجيا ذاكرة فلاش NAND إلى التيار، ولكن ليس قراءة سريعة والكتابة بسرعة من DRAM لتخزين البيانات لفترة طويلة ؛. NAND فلاش يمكن حفظ البيانات ، ولكن سرعة القراءة والكتابة ليست جيدة.
في حين أن كلا الحوسبة، وسعة تخزين الذاكرة الجيل التالي، مثل الذاكرة magnetoresistive (وهي MRAM)، ذاكرة الوصول العشوائي مقاوم (RRAM)، تكنولوجيا 3D XPoint والذاكرة المغناطيسية ذات الإمكانات العالية تدور الإلكترونات (STT-MRAM)، وما إلى ذلك، لتصبح المقبل محبوب جديد من التكنولوجيا ذاكرة جيل.
سوف التكنولوجيا MRAM في سرعة الوصول الأكاديمية يتجاوز DRAM تصل قريبا من SRAM، وعدم فقدان البيانات بعد انقطاع التيار الكهربائي، وضعت في وقت مبكر من قبل شركة Everspin، وينظر إليها على أنها تكنولوجيا الجيل القادم الذاكرة المنافسين المهم. 2017 اندلاع التكنولوجيا MRAM هو سنوات، LSI التكنولوجيا تكنولوجيا LSI ثم عقد في اليابان في اليابان نظمت لتطبيقات ندوة والنظام الدولي، جلوبل أصدر بالاشتراك مع Everspin إزالة المغناطيسية الحرارية التكنولوجيا عمران التي تسمح البيانات مع مئوية البيانات المخزنة على 150 درجة، يمكن أن تصل إلى أكثر من عقد من عملية تقنية التصنيع 22 نانومتر، ومن المتوقع بحلول نهاية عام 2017، 2018 ودخلت حيز الإنتاج.
وقد تم وضع الذاكرة في R & D، لكنه خسر لسحب TSMC السوق الذاكرة مكلفة، TSMC 2017 منتدى تكنولوجيا، وفضح بالفعل جزءا لا يتجزأ من عملية 22 نانومتر الذاكرة magnetoresistive (eMRAM) تكنولوجيا الانتاج، والمقرر 2018 اختبار الإنتاج.
تتميز ميزة RRAM بانخفاض استهلاك الطاقة عن NAND ، ومعلومات الكتابة الخاصة بها أسرع بـ 10000 مرة من فلاش NAND ، واللاعبين الرئيسيين في البحث هم Micron و Sony و Samsung.
أعلنت TSMC التكنولوجيا eRRAM مع إنتاج 22 نانومتر. 3D XPoint الفن البائعين الرئيسيين كما انتل وميكرون، وذلك باستخدام هيكل ثلاثي الأبعاد لتكوين الأسلاك متعدد الطبقات، مقاومة السلك واستخدام صريف لتمثيل 0 و 1، على غرار من حيث المبدأ RRAM.
وهو بديل جيد لأجهزة التخزين ، وهو أسرع ب 1000 مرة تقريبًا من ذاكرة NAND المحمولة ويمكن استخدامه أيضًا للتطبيقات الحسابية مع متطلبات دورة التدريس المنخفضة.
STT-MRAM هو تطبيق لتقنية الزخم الزاوي للإسبنيل الكمومي ، وله أداء عالي واستهلاك منخفض للطاقة DRAM و SRAM ، وهو متوافق مع تقنيات وعمليات التصنيع CMOS الحالية.
وفي الوقت الحالي ، فإن موردي المدخلات الرئيسيين هم IBM و Samsung و SK Hynix و Toshiba ، ومن بينهم IBM و Samsung نشروا أوراق بحثية في IEEE ، مما يشير إلى أنهم حققوا بنجاح 10 nanoseconds من سرعة الإرسال وبنية فائقة لتوفير الطاقة.
على الرغم من أنه من المتوقع أن يحل الجيل المقبل من الذاكرة محل بعض أسواق الذاكرة الفلاشية DRAM و NAND في المستقبل ، فإنه سيحل محل التكنولوجيا القديمة ، ومع ذلك ، أعتقد أنه مع الذكاء الاصطناعي وأجهزة IoT والمزيد من متطلبات جمع البيانات والاستشعار ، سيكون الجيل التالي من تقنية الذاكرة هو الأول التركيز على احتياجات التطبيقات الجديدة ، مثل الذاكرة المدمجة التي يتم تأمينها من قبل TSMC ، والاستفادة الكاملة من مزايا الحوسبة والتخزين ، مما يقلل من حجم أكبر لتحقيق اختراق أعلى في السوق للمكونات.
ومع ذلك ، انطلاقاً من ديناميات البائعين ، فإن تقنية 22nm eMRAM سوف تنضج تدريجياً بعد عام 2018 ، وسوف تبدأ في الحصول على عدد كبير من تطبيقات السوق.
(المؤلف هو باحث في المعهد الوطني للعلوم التجريبية ومركز العلوم والمعلومات التكنولوجية)
2. تفشي الطلب الجديد ديناميكية الذاكرة القوية.
في المنتجات الإلكترونية الحديثة ، تلعب الذاكرة دوراً لا غنى عنه ، ففي عام 2017 ، تجاوزت قيمة إنتاج صناعة أشباه الموصلات 400 مليار دولار أمريكي للمرة الأولى ، وأحد الأسباب هو أن الطلب على الذاكرة قد ازداد كثيراً بحيث يمكن للشركات المصنعة زيادة سعر البيع. 50 في المئة ، سامسونغ كوريا الجنوبية هي أكبر مزود الذاكرة ، أكبر ربح.ومن المتوقع أن تستمر هذه الموجة من الطفرة في الذاكرة مدفوعة بالاحتياجات الناشئة ، إنترنت الأشياء ، الأجهزة القابلة للارتداء ، التخزين السحابي وكميات هائلة من حوسبة البيانات ستقود سوق الذاكرة الطاقة الحركية.
في خصائص ذاكرة التخزين الحالية وفقا للبيانات بعد أن اختفت قوة يمكن تقسيمها إلى الذاكرة المتطايرة وغير المتطايرة، ذاكرة متطايرة يمكن أن تحتفظ البيانات بعد انقطاع التيار الكهربائي، وارتفاع تكلفة ولكن سرعة عالية، وتستخدم عادة لتخزين البيانات مؤقتا، غير متقلبة المتطايرة سرعة الوصول إلى الذاكرة بطيئة، ولكن الحفاظ على المدى الطويل من البيانات.
تستخدم ذاكرة الوصول العشوائي الساكنة (SRAM) وذاكرة الوصول العشوائي الديناميكية (DRAM) على نطاق واسع في أنظمة الكمبيوتر والمنتجات الإلكترونية كذاكرة متقلبة لتخزين البيانات مؤقتًا ، ويستخدم DRAM حاليًا في الكمبيوتر الشخصي / NB والتطبيقات المتنقلة. بشكل رئيسي ، لكنها ستزيد أيضاً عاماً بعد عام لدعم المحاكاة الافتراضية والرسم وغير ذلك من تطبيقات العمل المعقدة في الوقت الحقيقي ، وقد تم تصنيع DRAM من قبل أكثر من 20 شركة في جميع أنحاء العالم منذ الثمانينيات ، ولا يوجد حاليًا سوى Samsung و SK Hynix و Micron وغيرها من الأسواق الاحتكارية الثلاثة الأخرى ، فئات التطبيقات من فئة الكمبيوتر الرئيسية والإلكترونيات الاستهلاكية (مثل iPod) ، والهواتف المحمولة ، وأجهزة الكمبيوتر اللوحية ، والأجهزة القابلة للارتداء ، والسيارات الذكية ، والسيارات التي تعمل بدون سائق الطلب على DRAM يتزايد أيضا.
يتم قطع A قراءة الذاكرة فقط (ROM) أو الذاكرة لإعادة الكتابة مثل قرص الصلب الميكانيكي التقليدي (الأقراص الصلبة)، محرك الأقراص الصلبة (في SSD)، ذاكرة فلاش (ذاكرة فلاش) وما شابه ذلك على الرغم من أن هناك قراءة مختلفة والكتابة الخصائص، ولكن كلها لا تزال في امدادات الطاقة يمكنه حفظ البيانات لفترة طويلة ، فسرعان سرعة تشغيل الفلاش أسرع من سرعة القرص الصلب العام ، بحيث يصبح الاتجاه السائد تدريجياً.
ويمكن تقسيم فلاش والهندسة المعمارية ذاكرة ROM إلى موازية (NOR) مع جنبا إلى جنب (NAND)، ذاكرة فلاش موازية (NOR-فلاش) أمر شائع في BIOS اللوحة الأم، جنبا إلى جنب من نوع ذاكرة فلاش (NAND فلاش) هو أمر شائع في العام منتجات الالكترونيات الاستهلاكية، مثل الهواتف النقالة، محركات أقراص فلاش، SSD، وما إلى ذلك، تواصل تكنولوجيا NAND فلاش تتطور مع هذه العملية، وحدة لا تزال تكاليف الطاقة في الانخفاض، وقد تم في الهواتف الذكية والأجهزة المدمجة والتطبيقات الصناعية الكثير من شعبيته في السنوات الأخيرة، وتستخدم في تخزين البيانات الكبيرة والمتنامية زيادة عدد دفتر سواقات الطلب، SSD التي أدلى بها NAND فلاش حلت محل تدريجيا القرص الصلب من وجود اتجاه عام لكبرى الشركات المصنعة سامسونج وتوشيبا وSK هاينكس.
DRAM وفلاش NAND ذات خصائص مكملة والتكلفة، عرض النطاق الترددي كبير سابق في الثانية الواحدة، وارتفاع تكلفة وحدة من أكبر استهلاك الطاقة، وسرعة انتقال الأخيرة، وانخفاض استهلاك الطاقة والتكلفة لكل وحدة هي منخفضة، وبالتالي كل من على تجزئة السوق والوظيفية الخصائص، ولكن أيضا تشكل منتجات الذاكرة حاليا معسكرين، ردا على الأشياء، وظهور البيانات الكبيرة والبيانات سحابة مثل هذا النمو الهائل للأجيال، إما بذاتها أو جزءا لا يتجزأ من الذاكرة، وسيكون عنصرا أساسيا في بنية النظام .
وبالنظر إلى عام 2020 ، سيكون سوق الذاكرة العالمية 79.51 مليار دولار أمريكي ، تمثل حسابات DRAM 38.9٪ منها ، وستمثل ذاكرة NAND فلاش 55.1٪ ، وسترتفع الذاكرة للجيل القادم إلى 2.0٪.
ومع ذلك ، بسبب اختناق وتأثير الذاكرة السائدة DRAM و NAND على عملية التصغير ، فإن إيجاد حلول بديلة أو تغيير الدوائر لتلبية احتياجات تخزين البيانات المستقبلية سيكون القضية الأكثر أهمية في صناعة الذاكرة الحالية.
تشتمل المقاييس الرئيسية الثلاثة لتطوير الجيل التالي من الذاكرة على التكلفة وأداء المكونات وقابلية التوسع والكثافة ، وما إلى ذلك ، حيث تشتمل التكاليف على جسيمات الذاكرة والوحدات ودوائر التحكم ، إلخ ؛ ويتضمن أداء المكون وقت الاستجابة والموثوقية ومتانة الاحتفاظ بالبيانات. وهلم جرا.
الجيل القادم من الذاكرة، هو الآن عموما نحو تغيير الطريقة السابقة التهمة المخزنة على الوصول إلى البيانات المخزنة عن طريق تغيير آلية لحل قيود الدولة على هذه العملية، وبالإضافة إلى ذلك، وانخفاض استهلاك الطاقة لتحقيق الهدف المشترك لمكونات الذاكرة الجيل القادم وحتى تايوان له العالم الأكثر مكونات العملية والدوائر المتقدمة وممتازة الموظفين R & D، يجب اغتنام ميزة يقف موقف طيب للغاية في تطوير الذاكرة، وتحسين سلسلة البيئية لصناعة الإلكترونيات، واحتكار المنتجين الأجانب لتجنب هذا الموضوع من السوق الذاكرة، موقفا حازما في العالم، للحفاظ على القدرة التنافسية للصناعة تايوان (الكاتب باحث السياسة في المركز الوطني للمختبرات البحوث والمعلومات)
STPI مقدمة
تم تأسيس المعهد الوطني لمركز الأبحاث التجريبية لسياسات العلوم والتكنولوجيا (STPI) في عام 1974. وهو مسؤول منذ فترة طويلة عن جمع البيانات وتحليلها ومعالجتها وخدماتها اللازمة لتطوير العلوم والتكنولوجيا في الصين. على أساس الموارد ، سوف نعزز تحليل الاتجاهات والقضايا الرئيسية ، وتحليل ذكاء براءات الاختراع ، وتشجيع الابتكار وتعزيز روح المبادرة ، ومساعدة الحكومة في رسم خريطة واستراتيجية تطوير العلوم والتكنولوجيا في الصين ، والمضي قدما نحو البحث المهني في مراكز أبحاث السياسات العلمية والتكنولوجية.
3. سوف يتعاون Immervision و Socionext لتوفير مجموعة تطوير PanomorphEYE ؛
مونتريال - (بزنيس واير): أعلنت اليوم شركة Immervision و Socionext عن تأسيس شراكة إستراتيجية للذكاء الاصطناعي (بالإنجليزية) والروبوتات للروبوتات والسيارات والطائرات بدون طيار وغيرها من الأجهزة الذكية. تطبيقات التعلم (ML) لتطوير نظام استشعار الرؤية الذكي الشامل الأول ، ومن المقرر إطلاق مجموعة تطوير PanomorphEYE وإطلاقها في يوليو 2018.
من خلال التعاون بين الشركتين لدينا ، كل شخص لديه القدرة على استخدام أنظمة الرؤية الذكية المطورة للأجهزة والأجهزة الذكية ، والمزيج الفريد للرؤية الذكية والتصميم المتقدم من نوع SoC مع أجهزة الاستشعار على متن السفينة يمكن لأي شخص أن يتخيل المنتجات الذكية.
تويت هذه
panomorphEYE منظور الانصهار 3D، 360 درجة حول الصورة، وTOF (TOF)، جيروسكوب، بوصلة وأجهزة استشعار أخرى، النماذج الأولية السريعة، أقصر وقت لتسويق ولديها القدرة على تعزيز المنتج لا تقدر بثمن.
Immervision الجوانب الإنسانية في الأجهزة العالمية من خلال التقاط الصور البانورامية بزاوية واسعة فريدة من نوعها، البيانات داخل صورة ومعالجة الصور القدرات لتحقيق رؤية ذكية، وتعزيز قدرة الإدراك البشري البيئة المحيطة.
يوفر Socionext النظام على رقاقة (شركة نفط الجنوب) نظام الخبرة التي لا تضاهى، يقدم التصوير، والشبكات والطاقة للمعدات الرائدة اليوم الحوسبة معا، تلتزم الشركات لتوفير قدرة رؤية متفوقة، والاستقلال الذاتي والاستخبارات لمساعدة الأجهزة اليوم لمعرفة لمزيد من المعلومات، انظر أكثر ذكاء.
وأوضح ImmerVision نائب الرئيس التنفيذي ورئيس قطاع الأعمال اليساندرو غاسباريني: "من خلال التعاون بين الشركتين، والجميع يمكن أن تنفق نظام الرؤية ذكي للأجهزة الذكية وتطوير الرؤية آلة ذكية وتصميم شركة نفط الجنوب متقدمة ومجلس الإدارة. مزيج فريد من أجهزة الاستشعار على متن يمكن لأحد أن يتصور منتجات أكثر ذكاء.
وقال ميتسوغو نايتو ، نائب رئيس Socionext: "إن التعاون الناجح بين Immervision و Socionext يقدم دائمًا حلولًا متطورة لمجموعة متنوعة من تطبيقات معالجة الكاميرا والصور. ويسعدني اليوم أن أعلن أن التعاون الاستراتيجي بين الطرفين قد دخل إلى مرحلة جديدة المرحلة، ونحن سوف مواصلة تحسين قدرة رؤية الإنسان والآلة إلى مساعدة الناس على العيش حياة أكثر كفاءة وأكثر أمنا. "بزنيس واير
4. إضفاء الطابع الشخصي على منظمة العفو الدولية واستهلاك طاقة أقل تقوم شركة IBM بتطوير رقائق الشبكة العصبية الجديدة
حققت نيتياس الأخبار الذكية 16 يونيو الأخبار على GPU تعمل على الشبكة العصبية بعض التقدم المذهل في مجال الذكاء الاصطناعي ، ولكن التعاون بين الاثنين ليست مثالية. IBM الباحثين في تصميم نوع تستخدم خصيصا لتشغيل شبكات جديدة من الشبكات العصبية لتوفير بدائل أسرع وأكثر كفاءة.
لم يدرك الباحثون حتى بداية هذا القرن أن وحدات معالجة الرسومات (GPUs) المصممة لألعاب الفيديو يمكن استخدامها كمعجلات للأجهزة لتشغيل شبكات عصبية أكبر من ذي قبل.
ويرجع ذلك إلى عدد كبير من هذه الرقائق يمكن حساب في موازاة ذلك، وليس في الترتيب الذي تتم معالجة مثل وحدة المعالجة المركزية التقليدية. وهذا مفيد بشكل خاص أثناء حساب عمق الصحيح تعلم الشبكات العصبية تتكون من مئات من الخلايا العصبية الثقيلة.
وقد وضعت مقدمة من GPU في هذا المجال، ولكن هذه الرقائق لا تزال بحاجة إلى فصل التجهيز والتخزين، وهو ما يعني الكثير من الوقت والجهد وينفق على نقل البيانات بين البلدين. وقد دفع هذا الشعب لبدء بحث جديد تقنيات التخزين التي يمكنها تخزين ومعالجة بيانات الوزن في نفس الموقع ، وبالتالي زيادة السرعة وكفاءة الطاقة.
جهاز تخزين جديد عن طريق ضبط مستوى مقاومتهم لمحاكاة البيانات المخزنة - وهذا هو، يتم تخزين البيانات في مجموعة المستمر، بدلا من الذاكرة الرقمية باعتبارها ثنائية 1 و 0. المعلومات في التخزين عند إجراء الخلية ، من الممكن ببساطة نقل الجهد الكهربي بين خلايا الذاكرة والسماح للنظام بإجراء الحسابات بالوسائل المادية.
ولكن هذه العيوب الجسدية الكامنة في الجهاز يعني أن سلوكهم غير متناسقة، مما أدى إلى التيار استخدامها لتدريب كانت دقة تصنيف الشبكة العصبية أقل بكثير من استخدام GPU.
وقال ستيفانو أمبروجو الباحث في أبحاث ما بعد الدكتوراه في IBM Research الذي قاد المشروع في مقابلة مع مجلة سينبريولاتي هوب "يمكننا أن نتدرب على نظام أسرع من GPU ، ولكن إذا لم يكن التدريب دقيقا ، فسيكون ذلك عديم الجدوى". حتى الآن ، لا يوجد دليل على أن استخدام هذه الأجهزة الجديدة يمكن أن يكون دقيقًا مثل استخدام وحدة معالجة الرسومات.
لكن الأبحاث حققت تقدمًا جديدًا ، ففي ورقة نشرت الأسبوع الماضي في دورية Nature ، وصف Ambrogio وزملاؤه كيف استخدموا ذكريات تمثيلية جديدة ومكونات إلكترونية أكثر تقليدية لإنشاء شريحة يمكنها مطابقة دقة وحدة معالجة الرسومات أثناء تشغيلها بشكل أسرع وبأقل استهلاك للطاقة.
إن السبب وراء صعوبة تقنيات التخزين الجديدة هذه في تدريب الشبكات العصبية العميقة هو أن هذه العملية تتطلب تحفيز كل عصبون صعودا وهبوطا لآلاف المرات حتى تتم محاذاة الشبكة بالكامل ، ويتطلب تغيير مقاومة هذه الأجهزة إعادة تشكيل هياكلها الذرية. وفي كل مرة تختلف فيها عملية العملية ، يقول أمبروجيو إن هذه المحفزات ليست دائما هي نفسها ، مما يؤدي إلى تعديل غير دقيق لوزن العصبونات.
لقد قام الباحثون بحل هذه المشكلة من خلال إنشاء "وحدات متشابكة" كل منها يتوافق مع خلية عصبية واحدة في الشبكة ذات ذاكرة طويلة المدى وقصيرة المدى ، وتتألف كل خلية من زوج من ذكريات التغير الطوري ( مزيج من خلية PCM) وثلاث ترانزستورات ومكثف ، يقوم PCM بتخزين بيانات الوزن في المقاوم ، ويقوم المكثف بتخزين بيانات الوزن كرسوم.
PCM هو نوع من "الذاكرة غير المتطايرة" ، مما يعني أنه حتى لو لم يكن هناك مصدر طاقة خارجي ، فإنه يمكن أن يحتفظ بالمعلومات المخزنة ، ويكون المكثف "متقلب" ، لذلك يمكنه فقط الحفاظ على شحنته في غضون بضعة ميلي ثانية. لكن المكثفات ليس لها أي تغيّر في أجهزة PCM وبالتالي يمكن برمجتها بسرعة وبدقة.
عندما يتم تدريب صورة الشبكة العصبية لأداء مهمة التصنيف، يتم تحديث فقط الأوزان مكثف الصحيحة. وبعد التصفح إلى عدة آلاف من الصور، وسيتم نقل البيانات الوزن إلى وحدة PCM للتخزين على المدى الطويل. تقلب PCM يعني أن الوزن نقل البيانات لا يزال من المحتمل أن تحتوي على أخطاء، ولكن لأن وحدة محدثة في بعض الأحيان فقط، لذلك يمكنك التحقق مرة أخرى الموصلية دون زيادة تعقيد النظام. وقال امبروجيو أنه إذا كان التدريب مباشرة على وحدة PCM، وهي ليست مجدية.
ومن أجل اختبار معداتهم ، أجرى الباحثون سلسلة من الاختبارات المرجعية الشائعة للتعرف على الصور على شبكاتهم ، وحققت النتائج دقة مماثلة مع برنامج الشبكات العصبية الرائد في Google ، TensorFlow ، ولكنهم توقعوا أنهم سوف يبنون في النهاية. وستكون الرقاقة أكثر كفاءة بمقدار 280 مرة من GPU ، وستكون الطاقة الحسابية لكل مليمتر مربع أكبر بـ 100 مرة من وحدة المعالجة المركزية ، ومن الجدير بالذكر أن الباحثين لم يقوموا ببناء الشريحة بالكامل.
على الرغم من استخدام وحدات PCM حقيقية في الاختبارات ، فقد تم محاكاة المكونات الأخرى على الكمبيوتر ، حيث صرح Ambrogio أنه يأمل في التحقق مما إذا كانت هذه الطريقة مجدية قبل استثمار الوقت والجهد في بناء شريحة كاملة. قررت استخدام معدات PCM حقيقية ، لأن محاكاة هذه المعدات ليست موثوقة حتى الآن ، ولكن التكنولوجيا التناظرية للمكونات الأخرى ناضجة بالفعل ، فهم واثقون من بناء شريحة كاملة تعتمد على هذا التصميم.
يمكن أن تتنافس فقط مع وحدات معالجة الرسوم على الشبكات العصبية المترابطة بشكل كامل ، ففي هذه الشبكة العصبية ، يتم توصيل كل عصبون مع الخلايا العصبية الموجودة في الطبقة العليا ، على سبيل المثال ، لكن في الواقع ، العديد من الشبكات العصبية غير متصلة بشكل كامل. أو ترتبط بعض الطبقات فقط ببعضها البعض.
ومع ذلك ، قال أمبروجيو إن الشريحة النهائية سوف تصمم للعمل مع وحدات معالجة الرسوميات (GPU) ، بحيث يمكنها أيضًا التعامل مع حسابات الطبقة الكاملة عند التعامل مع اتصالات أخرى ، كما يعتقد أيضًا أن هذه الطريقة الأكثر كفاءة للتعامل مع الطبقات المتصلة بالكامل يمكن أن تكون أكثر استخداما على نطاق واسع.
أي نوع من الأشياء ممكن مع مثل هذه الشريحة المخصصة؟
وقال أمبروجيو إن هناك تطبيقين رئيسيين: الأول ، تطبيق الذكاء الاصطناعي على الأجهزة الشخصية ، وثانيا ، جعل مراكز البيانات أكثر كفاءة ، وهذا الأخير هو مصدر قلق كبير لشركات التكنولوجيا الكبرى لأن خوادمها تستهلك الكثير من الكهرباء.
إذا تم تطبيق الذكاء الاصطناعي مباشرة على الأجهزة الشخصية ، يمكن للمستخدمين حفظ خصوصيتهم بعدم الحاجة إلى مشاركة بياناتهم في السحابة ، ولكن أمبروجيو قال إن الاحتمال الأكثر إثارة هو تخصيص الذكاء الاصطناعي.
قال: "من خلال تطبيق هذه الشبكة العصبية على سيارتك أو هاتفك الذكي ، يمكنهم الاستمرار في التعلم من تجربتك."
"سيتم تخصيص هاتفك المحمول لصوتك ، وستكون سيارتك أيضًا قائمة على عاداتك لتشكيل نمط فريد للقيادة".