- Advertisement -
首頁 標籤 Edge

Edge

- Advertisment -

宸曜推新Edge AI解決方案

強固嵌入式電腦品牌Neousys宸曜科技推出了功能強大的無風扇AI邊緣運算嵌入式平台NRU-120S,該平台內建 NVIDIA JETSON AGX Xavier GPU 開發套件、並具有緊湊尺寸的機箱設計,配備 4個支援螺絲鎖定的 PoE+埠口和 2個2.5英吋 HDD托盤。 邊緣AI技術的開發應用在人們日常生活中已逐漸普及,Neousys宸曜 NRU-120S僅30W低功耗的無風扇嵌入式平台能同時提供相當於主流 120W GPU圖像加速運算效能,為新興的邊緣AI應用提供了獨特的解決方案。 Neousys NRU-120S提供大量的I/O連接埠口,它具有四個千兆位802.3at PoE+埠口,可以為 PD受電設備提供 25.5W的功率;而在資料儲存上,除了Xavier模組上的32GB eMMC內嵌記憶體,NRU-120S還配備了專用於 SSD快速讀/寫的 M.2 2280NVMe插槽、以及兩個可熱插拔的2.5英吋 HDD硬碟托盤,便於即時更換儲存裝置;除此之外,NRU-120S還提供支援WiFi和4G模組的mini-PCIe插槽、可跨平台同步的 1xGPS...
0

專訪耐能智慧創辦人暨執行長劉峻誠 KNEO共享平台劍指Edge AI Net

AI發展持續落地,尤其是Edge AI呈現百花齊放的狀況,各式各樣的物聯網終端應用持續導入AI,Kneron創辦人暨執行長劉峻誠表示,該公司從2015年成立以來秉持普及AI的信念,並以構建終端AI網路為目標。推出KNEO平台,將以App Store的形式對產業開放,使用者可自行開發AI應用並上傳至該平台,或下載其他人的AI應用後再進行改良,實踐AI everywhere的願景。 Kneron創辦人暨執行長劉峻誠表示,KNEO平台將以App Store的形式對產業開放,使用者可自行開發AI應用並上傳,實踐AI everywhere的願景 以KNEO平台中的Kneo Stem AI USB加速棒為例,該產品內建耐能KL520 AI晶片,僅靠KNEO Stem驅動AI軟體,即可具備AI功能,只要把KNEO Stem插入單板計算機Raspberry Pi的USB埠,即可執行如執行物件偵測、人數統計、辦別年齡、性別,和透過攝影機輸入的數據進行人臉識別。 此外,KNEO Stem可促進不同感測器之間的通訊,把Raspberry Pi連接兩個KNEO Stem,一個連接到門鎖,另一個連接到安全攝影機,當兩個人先後接近門鎖時,與門鎖相連的KNEO Stem會辨別出第一人的臉是該鎖的授權使用者;與此同時,與安全攝影機連接的KNEO Stem同時偵測到門前有兩個人,而第二人並沒有授權進入。透過KNEO Stem的聯合智慧,安全攝影機和門鎖進行通訊,以識別門前出現異常並發出警告。 劉峻誠強調,Kneron的晶片設計架構就像是樂高積木,具備「可重組式人工智慧神經網路技術」,會根據不同任務進行重組,減少運算複雜度,在不同的卷積神經網路模型的使用上,無論是模型內核(Kernel)大小、模型規模,還是影像輸入大小的變化,都能保持高效率使用運算(MAC)單元。  
0

實踐AI無處不在 Kneron共享平台KNEO現身

終端人工智慧(Edge AI)廠商耐能智慧(Kneron)舉辦開發者大會,宣布推出AI共享平台KNEO,透過「Edge AI Net」的概念,能夠將生命賦予終端設備,實現去中心化、離線本地處理、主動智慧等目標。使用者可以將自己開發的AI應用上傳到該平台與其他開發者共享,實踐AI普及的目標。 Kneron創辦人暨執行長劉峻誠表示,Kneron的晶片設計架構就像是樂高積木,具備「可重組式人工智慧神經網路技術」,會根據不同任務進行重組 AI發展持續落地,尤其是Edge AI呈現百花齊放的狀況,各式各樣的物聯網終端應用持續導入AI,Kneron創辦人暨執行長劉峻誠表示,該公司從2015年成立以來秉持普及AI的信念,期望使AI民主化,並以構建終端AI網路為目標。推出KNEO平台,將以App Store的形式對產業開放,使用者可自行開發AI應用並上傳至該平台,或下載其他人的AI應用後再進行改良,做成個人喜歡的AI形式,實踐AI everywhere的願景。 以KNEO平台下Kneo Stem AI USB加速棒為例,該產品內建耐能KL520 AI晶片,僅靠KNEO Stem驅動AI軟體,即可具備AI功能,只要把KNEO Stem插入小型單板計算機Raspberry Pi的USB連接埠,即可執行如執行物件偵測、人數統計、辦別年齡、性別,和透過攝影機輸入的數據進行人臉識別。 Kneron開發者大會邀請產官學界貴賓共襄盛舉 此外,裝置了KNEO Stem可促進不同感測器之間的通訊,把Raspberry Pi連接到兩個KNEO Stem,一個連接到門鎖,另一個連接到安全攝影機,當兩個人先後接近門鎖時,與門鎖相連的KNEO Stem會辨別出第一人的臉是該鎖的授權使用者,與此同時,與安全攝影機連接的KNEO Stem同時偵測到門前有兩個人,而第二人並沒有授權進入,通過KNEO STEM的聯合智慧,安全攝影機和門鎖進行通訊,以識別門前出現異常並發出警告消息。 劉峻誠強調,與一般AI晶片只做單一功能垂直的應用不同,Kneron的晶片設計架構就像是樂高積木,具備「可重組式人工智慧神經網路技術」,會根據不同任務進行重組,減少運算複雜度,在不同的卷積神經網路模型的使用上,無論是模型內核(Kernel)大小、模型規模,還是影像輸入大小的變化,都能保持高效率使用運算(MAC)單元。以KL520為例,本身是智慧裝置之外,還可以數片疊加,也可加裝在舊型晶片上增加算力,直接與其他設備互相溝通。 Access Control內置耐能低功耗AI晶片的3D人臉智能鎖,續航長達1年,無需任何手動操作 綜觀目前世界上的AI應用,大多採技術至上的原則建構,而不是以使用者為導向,加上物聯網裝置連上雲端後,反倒引發使用者隱私、安全性、資料外洩以及設備製造商可及性的問題。另一方面,由於AI技術多掌握在大廠手中,消費者等於無償提供自身的行為給這些科技大廠分析。 為了避免這種情況,Kneron致力降低終端物聯網產品的技術門檻,讓物聯網裝置無需連上雲端,便可透過晶片自主學習,除了低資料外洩的可能性之外,KNEO平台更結合邊緣運算與區塊鏈的技術,提供一個安全的網路,讓消費者可以建立個人化的子網路,保障自己的隱私權,更能讓消費者拿回自己的行為自主權。 KNEO平台的特色包括:以邊緣運算AI構建而成,無需上雲,可在線下進行AI處理;為一開放的AI平台,吸引AI應用開發人員、消費者與服務供應商共同加入,打造AI生態圈;利用區塊鏈技術保存個人使用行為記錄,保存下來的AI數據(如購物習慣、駕駛行為、健康訊息等圖像或影片),可轉換為自行管理的數位資產;消費者對自己的數位資產擁有控制權,可自行決定是否要出售予大型科技公司或科技企業買家。 此外,KNEO平台也將成為美國加州大學洛杉磯分校(UCLA)、維吉尼亞大學、聖母大學,以及台灣、香港主要大學AI教育的核心標準。另外,Kneron更與台灣人工智慧學校合作,開設邊緣運算專班,協助企業培養專業AI人才,降低台灣中小企業數位轉型的門檻與客服導入AI的困難。
0

三向直搗技術/智慧應用難關 聊天機器人起腳射門

時至今日,全球各地,從制定相關決策的政府機關,大型上市公司與夾縫求生存的中小企業,無一不提出數位轉型、扶植新創、組織創意轉型等方向。而此篇文章將試圖探討在現今的技術條件與市場期待心理下,是否能夠因為使用新技術、或者開闢新賽道進行聊天機器人的市場突圍? 聊天機器人無法滿足使用者期待 科技的快速發展來自人追求快速、方便的本性,但人類的想法與思緒十分複雜,因此聊天機器人難以全面滿足使用者的需求。回想日常生活的溝通情境,當人們在日常溝通的時候,除了說出口的字句,對方的肢體動作與眼神有沒有影響到自身的判斷?讀者是否會自行腦補一些情境?尤其跟老闆、同事或下屬進行具目的性的談判對話時,語句之外的線索顯得更重要。 聊天機器人不夠聰明的原因,是它距離人類多模態交互的能力還很遙遠。現今最普遍和流行的生活應用,當屬智慧音箱(如Amazon的Echo),一般人在買回去的當下充滿興奮感,嘗試各種指令來挑戰智慧音箱的極限後,就將它放置在屋裡的某一角落,成為一個可有可無的家用品,無法實際融入使用者的生活情境中。即便仰賴大數據和人工智慧(AI)的相關技術持續更新,用戶體驗也漸入佳境,但仍缺乏具代表性的現象級App,無法滿足多數人的使用需求。另一方面,若人們嘗試降低自己對產品的期待,單純利用聊天機器人詢問明確的問題(如天氣),請它做一件明確的事情(如播放音樂),這樣的基本需求可以被滿足。 聊天機器人技術發展三向剖析 聊天機器人是一項技術整合的產物,其中牽涉的技術範圍有電腦視覺、自然語意、機器學習(Machine Learning, ML)與深度學習(Deep Learning, DL)等。本文根據市場調研機構Gartner所提供新興科技發展週期報告,來審視各個技術目前位處的位置、困境、與待解決的問題。 電腦視覺 電腦視覺(Computer Vision, CV)目前處於泡沫化的谷底階段,意即此技術無法滿足使用者的期待,導致大家對於它的創新了無興趣。CV從實驗室的前沿技術,到如今能夠聽懂人類的指令,花了整整半個多世紀,產生瞄準在新零售、醫療、工業製造和網路娛樂等應用的期待。然而,人工智慧情緒識別離開人類的干預,對複雜情感的理解和表達能力,仍須持續的技術突破。其中,利用AI判斷並理解實體環境的CV,不僅是辨識情緒的關鍵技術之一,也被公認為未來三至五年最重要的技術之一,不僅眾多新創企業投入,大企業也紛紛利用自己既有的優勢企圖先布局並搶占先機,現階段大約聚焦在下列4個發展方向: 1. 服務平台:提供機器學習開發工具和雲端服務的商業型平台,讓開發者毋需從頭自行建構。 2. 影音資料庫:利用海量資料進行機器學習的模型訓練,將使用者上傳的相片和影音資料,與個人特徵資訊進行連結,大量使用電腦視覺技術客製化廣告投放以增加營收。 3. 硬體製造:如NVIDIA、英特爾(Intel)的晶片製造。 4. 消費性產品:近期可期待者為手機人機互動的介面。 自然語意 自然語意(Natural Language Procession, NLP)與CV處於泡沫化谷底階段。自然語意發展分為兩大階段,一種是應用傳統的分詞執行自然語言處理,第二階段則是近年由於機器學習快速發展,大家開始應用機器學習執行NLP。透過NLP所能實現的功能包含神經機器翻譯(Neural Machine Translation)、智慧人機交互(就是所謂的聊天機器人,受限於技術,目前只能在特定場景實現多輪次的對話)、機器閱讀理解與機器創作。但如前言所述,現實狀況下,人與人當面溝通,仍會有語意上的誤解,在此情況下,如何期待科技可以奇蹟似地解決這一切?自然語言處理首先透過斷詞、理解詞,接下來是分析句子,包含語法和語義的自然解析這兩個步驟,再轉化為電腦容易處理與計算的形式。上述在處理時,需耗費大量的人力成本,除此之外,還牽涉建構者本身對於所屬領域的專業度、邏輯與理解能力(所謂的人工智慧訓練師)。此外,NLP毫無疑問的是一個未來巨大的市場,無論電腦視覺或是語音識別,想要實現更人性化的功能,就需要NLP的加持,同時可預期隨著NLP技術的不斷發展,將會逐漸呈現NLP、語音與視覺融合發展的趨勢。 機器學習/深度學習 機器學習與深度學習位處在過度期望的高峰階段,各方話題與議題熱度竄升。機器學習指的是可以從資料中歸納規則的方法,是第三波人工智慧發展的代表技術,而在眾多機器學習演算法中,深度學習則是近幾年成長最快,表現最好的技術。遺憾的是,截至目前為止,幾乎每個深度學習實踐者都認同的一件事是:深度學習模型數據效果有限。要實現真正的深度學習需要滿足下列三點,這三點可以協助讀者辨別此項技術到底是人工智慧還是科幻小說。 1. 大量的數據與活動:為了使神經網路能發現新的模型,就需要有大量的數據,這些數據可以透過反覆試驗來處理和分類。 2. 運算能力:假設已有一定量的有意義數據,則需要運算能力,所幸目前已有一系列更低成本的選擇,如微軟Azure等雲端託管服務。 3. 新的敏捷方法:最後,也是最重要的一點,需要採用新的敏捷方法思考和解決問題。 大型資料庫用於訓練精確模型的必要性已成為一個非常重要的問題,同時,需要低效的人工標注數據成為一個更大的挑戰。在當前的深度學習應用中,數據的問題無處不在,由於建基於大規模數據,當滿足所需環境和約束條件時,這些系統會產出令人驚豔的成果;但若不符合上述場景,它也可能完全失效。舉例來說,若有人試圖解決大量翻譯或無人駕駛的問題,則需花很長時間來思考重要數據中的所有因素,需先建構演算法,而在過程中有很高的失敗機率。雖說如此,深度學習和先進模型的興起仍是一次革命性的進步,加速了那些針對以前無法解決的問題之技術解決方案出現,在思維上邁出重要的一步。 聊天機器人短期內破局可能性具困難度 產業中的廠商若以業務角度分析,主要分為三類: 1. 2C公司:產品直接面對用戶,如Amazon的Echo,由於未能滿足人類對於AI的美好想像,距離規模化應用上有大段距離。 2. 2B公司:如金融領域的智慧監管系統、醫療領域的醫療問答和診斷助理等。但是實際效果仍牽涉上述自然語意建構的縝密度,與場景應用設計的順暢度而有不同。 3. 2G公司:為面向政府執行行政業務類的知識庫建構和問答業務,如政府服務大廳的引導型聊天機器人、一站式辦公機器人等。 從生態系統來看,聊天機器人可分為產品,框架(Framework)和平台三類;其中框架是為了加速產品的研發,以SDK或SAAS服務的型態,提供有市場敏感度,或創意點子的需求者可快速架構特定場景和領域的聊天機器人。 短期若要大規模地拓展市場,恐怕有一定的困難度,除非在上述的關鍵技術中突然有突破口,縱然如此,各式場景應用與垂直深化探索仍不斷地激起人們對未來的想像。相信未來的聊天機器人與虛擬生命,將會以更好的體驗和型態呈現在人們面前。 (本文作者任職於優拓資訊)  
0

NXP運用微軟Azure RTOS簡化裝置與安全邊緣至雲端開發

恩智浦半導體(NXP)日前宣布擴大與微軟(Microsoft)的合作關係,將全面即時操作系統(Real-time Operating System, RTOS)Microsoft Azure RTOS運用於EdgeVerse產品,組合成更廣泛的處理解決方案。透過本次合作,使用恩智浦產品的開發人員能夠透過MCUXpresso軟體和工具無縫存取Azure RTOS的功能,包含文件管理、圖形使用者介面、資訊安全、網路和有線/無線連接的全面整合中介軟體(Middleware)與工具。 Microsoft Azure IoT企業副總裁Sam George表示,非常高興能與恩智浦擴大合作,讓客戶能夠透過恩智浦的MCUXpresso SDK使用Azure RTOS。藉由本次合作,開發人員能夠將設備無縫連接至Azure雲端,快速建構創新的智慧邊緣運算解決方案並提交給客戶。 目前,Azure RTOS已經可以支援恩智浦的32位元LPC微控制器(Microcontroller Unit, MCU)以及i.MX RT系列等多項低功耗晶片。此次恩智浦將進一步擴大與微軟的合作關係,在其MCUXpresso軟體開發套件(Software Development Kit, SDK)中支援Azure RTOS,進而支援更廣泛的MCU產品組合。該全面性整合方案將簡化開發週期中的步驟,如選擇適合的處理器、研發並部署安全的邊緣運算智慧裝置、建構安全的區域網路(Local Area Network, LAN)和連接雲端。 恩智浦和微軟希冀透過本次合作,將能降低開發人員生產成本,並幫助他們更快地將全新工業和物聯網邊緣應用推向市場。
0

宸曜新推支援NVIDIA T4 GPU AI強固嵌入式電腦

宸曜科技(Neousys)日前宣布推出新一代邊緣運算Edge AI人工智慧推理平台Nuvo-7166GC、支援NVIDIA T4 GPU圖形加速運算卡,能在邊緣運算中執行高效率的 AI智慧推理以及資料處理,進而大幅度節省上傳到雲端主機的資料量。 NVIDIA的邊緣運算平台含括了低功耗的NVIDIA Jetson Nano以至於可處理大量工作負載的NVIDIA T4機架式伺服器,Nuvo-7166GC強固嵌入式智慧平台使用宸曜科技專利的擴充式卡槽設計,替高階的NVIDIA T4 GPU提供了優質的散熱導流技術,能確保在惡劣環境下維持穩定的系統運行;除此之外,Nuvo-7166GC的擴充式卡槽還提供了一個額外的 16倍速 PCIe插槽,可用於安裝第二張附加卡,以提高系統應用的靈活性。 NVIDIA T4能在即時推理中提供65 FP16 TFLOPS以及130 INT8 TOPS的高精度運算效能,憑藉NVIDIA T4 GPU加速運算的優勢,宸曜的Nuvo-7166GC嵌入式平台專為高階的人工智慧推理應用而設計。 Nuvo-7166GC強固嵌入式智慧平台整合GbE/PoE、USB 3.1 Gen2/Gen1等連接埠口,以及可選配的CameraLink/CoaXPress影像擷取卡,可用於圖形採集和基於深度學習的視覺應用。 而Nuvo-7166GC的緊湊尺寸適合智慧醫療應用,它能利用NVIDIA T4 GPU的性能進行基於深度學習的醫學成像,提供更精確的診斷見解。此外,Nuvo-7166GC更具有豐富的I/O連接埠口,專為高階智慧推理以及邊緣運算而設計,能為醫療系統提供多種周邊連結以及靈活的擴充性能。
0

AI應用紛起 推論晶片炙手可熱

近年人工智慧(Artificial Intelligence, Al)熱潮帶來演算法、軟體、硬體等新發展,為了加速AI運算,半導體產業也積極開發對應的晶片,雖然早前於2005年業界即提倡過往只用於遊戲的繪圖處理器(Graphic Processing Unit, GPU)能有更多運用,如視訊剪輯(影片編碼轉檔)、高效能運算(High-Performance Computing, HPC)等,期望從遊戲娛樂專用轉向廣泛性運算,稱為GPGPU(General-Purpose GPU),但直至近幾年方由NVIDIA的Tesla系列帶動AI加速晶片熱潮。 Tesla系列雖取得市場先機,但AI技術與市場逐漸演變出不同需求,一是依據布建位置的不同分成資料中心(Data Center, DC)、邊緣(Edge)兩類,前者位於集中且有密集設備的資訊機房內,後者則裝設在各種需求現場,例如視訊監控的攝影機、機箱閘道器及自駕車內等。 另一則是依據AI程式開發與運用兩階段區分,AI程式在開發過程中也稱為訓練學習(Training)階段,開發完成後用於辨識或預測則稱為推論(Inference,亦稱為推理、推算、推測)階段。 推論晶片成長潛力佳 因應上述需求,AI晶片也必須改變發展,由於資料中心有源源不絕的電力因而於AI晶片設計時以效能為優先,晶片與晶片加速卡可動輒數十、數百瓦功耗;邊緣則須在用電上有所節制,攝影機可能僅以網路線方式取得若干電力(Power over Ethernet, PoE),因此晶片多必須低於10瓦,甚至僅1瓦、2瓦,閘道器亦僅比攝影機寬裕些;自駕車則因有汽車電瓶支撐且需對外界變化快速反應運算,因此為數十瓦、上百瓦電能。 除因應布建環境對功耗設計要求外,AI晶片因訓練、推論兩階段的不同也須改變,訓練階段由於AI的特徵、演算法、權重參數等均未定,需多方嘗試與調整,所以需要較高精度、較高位元數的運算,如32位元浮點數;訓練完成後則有機會簡化,調整成較低位元數,或將浮點數轉成整數,如16位元浮點數或8位元整數等。 事實上AI演算法仍持續精進,過去訓練以32位元浮點數為主,也開始出現16位元、8位元的浮點數訓練,如IBM於2018年的研究發表,推論可降至8位元整數,甚至出現4位元整數、2位元整數(圖1)。 圖1 IBM研究顯示AI訓練、推論的精度需求均持續降低中。 雖然用於訓練的AI晶片也能用於AI推論,但以32位元浮點數為主的處理單元執行8位元整數,在電路面積與功耗等方面並不經濟,且多數認為未來AI推論的需求將遠大於AI訓練。一個AI應用程式在一年內僅會數次調整參數而重新訓練開發,但訓練完成後則是全年隨時在推論執行(如臉部辨識的門禁系統),因此經濟節能的推論運算成為晶片商新焦點,甚至其市場會大於訓練用AI晶片市場。再將資料中心、邊緣、訓練、推論四者交叉權衡考量,由於訓練必須耗用大量且長時間運算,幾乎只會在資料中心內進行;即便不在資訊機房,亦僅在研究單位的桌上型電腦系統上進行,依然屬於偏重度用電的後端系統,短期內訓練不易在邊緣端進行,除非演算法、軟體面有重大突破,或僅為簡易少量訓練,邊緣大致上為推論晶片市場。 至於資料中心,原有高位元、高精度的AI晶片將持續用於訓練,但將逐漸導入推論專用晶片以便提升資料中心的經濟效益,除非在所有推論晶片均已投入運算仍無法滿足需求時,方才調用訓練用AI晶片轉而投入推論運算,屬應急性調度。 在分析前後端、訓練推論的四種情境後,2019年1月麥肯錫(McKinsey)發表的專文對四個市場進行預測,認為後端推論市場將有最大成長潛能(圖2)。 圖2 McKinsey&Company對四類型AI硬體市場的預估。 機房AI訓練/推論晶片各有方案 機房AI推論晶片有可能為最大潛力市場,然而機房訓練與機房推論的分際為何,一是晶片商發表晶片時即明確定義市場取向,如英特爾(Intel)Nervana的NNP-T/NNP-I晶片,前者為機房訓練晶片,後者為機房推論晶片;又如Intel近期購併的以色列Habana Labs,其機房訓練晶片為GAUDI方案,機房推論晶片為GOYA HL-1000晶片。 或者百度(Baidu)的818-300為訓練晶片,818-100則為推論晶片;NVIDIA亦採訓練、推論分別推展策略,其T4/Tesla T4即為推論專用晶片,有別於Tesla V100訓練晶片。 不過也有業者只專注於機房訓練或機房推論,例如谷歌(Google)的Cloud TPU並未有推論專用版,仍為訓練、推論合一,Google僅在邊緣推展推論專用晶片,即Edge TPU;亞馬遜AWS(Amazon Web Services)只自主發展用於推論的Inferentia晶片,訓練仍屬意使用NVIDIA Tesla;高通(Qualcomm)Cloud AI...
0

SiFive攜手CEVA開發邊緣AI矽晶片

CEVA與商用RISC-V處理器IP和矽晶片解决方案供應商SiFive日前宣布合作,將為終端市場設計和創建低功耗特定領域Edge AI處理器。兩家公司此次合作是SiFive DesignShare計畫的一部分,將以RISC-V CPU、CEVA的DSP核心、人工智慧處理器和軟體為中心,這些組件將被設計成一系列以終端市場為目標的SoC,而這些目標市場中的設備需具備可支援成像、筆電視覺、語音識別和感測器融合應用的終端設備神經網路推論能力。初期應對的終端市場包括智慧家庭、汽車、機器人、安全和監控、擴增實境、工業和物聯網。 CEVA全球銷售執行副總裁Issachar Ohana表示,CEVA與SiFive的合作使Edge AI SoC的創建可快速且專業依據工作負載而量身打造,同時還保留支援機器學習創新的靈活性。該公司DSP和人工智慧處理器,再加上CDNN機器學習軟體編譯器,使這些AI SoC能夠簡化在智慧設備中部署經過雲端訓練的人工智慧模型的工作,並為使用Edge AI功能者提供產品。 SiFive和CEVA開發一系列領域特定的可擴展Edge AI 處理器設計,在處理、功率效率和成本之間取得最佳的平衡,直接克服這些挑戰。 Edge AI SoC已獲得CEVA的CDNN深度神經網路機器學習軟體編譯器的支援,此一編譯器可為CEVA-XM視覺處理器、CEVA-BX音訊DSP和NeuPro 人工智慧處理器創建完全最佳化的運作時軟體(Runtime Software)。以大眾市場中嵌入式設備為目標的CDNN,將網路最佳化的量化演算法、資料流程管理以及經過全面最佳化的計算CNN和RNN庫納入整體解決方案中,進而可將經過雲端訓練的人工智慧模型部署在邊緣設備,以進行推論處理。CEVA還將為建基於CEVA-XM和NeuPro架構的合作夥伴和開發人員提供完整開發平台,以支援使用CDNN且以任何高級網路為目標的深度學習應用之開發,同時也針對音訊和語音預處理和後處理的工作量提供DSP工具和庫。
0

雲端遊戲乘5G風潮起飛 流暢體驗不再仰仗高效能PC

5G具備快速、低延遲、大頻寬等特性,隨著各國開始陸續商轉,大家也引頸期待新興應用登場。目前許多企業都在布局雲端遊戲(Cloud Gaming)領域,遊戲串流要有好的使用體驗,關鍵因素之一就是網路速度。其中,在近日的E3 2019(電子娛樂展)就有兩大重要發表,一個是Google Stadia的Stadia Pro,另一個則是微軟(Microsoft)的Project xCloud。 Nokia台港澳業務銷售總監鄭志中表示,雲端遊戲將會帶來的影響是讓遊戲玩家不再需要依賴高效能的硬體設備,有了5G高速低延遲特性助力,雲端遊戲將運算放上雲端,不需高效能PC也可以享受流暢的遊戲體驗。同時,5G結合邊緣雲(Edge Cloud)的架構,在邊緣雲進行運算,不用將所有資訊都傳送到中央雲(Central Cloud),進而讓延遲再降低。 鄭志中指出,遊戲玩家對速度的需求比一般用戶更高,過去4G時代遊戲玩家被侷限於非使用高效能PC不可,否則就難以達到順暢的遊戲體驗。雲端遊戲雖可讓消費者不再需要仰賴高效能PC,但Edge Cloud的概念也非常重要。因為Central Cloud可能距離非常遙遠,加上用戶一多,就可能壅塞。因此將運算放到邊緣,可以讓5G低延遲的特性發揮得更淋漓盡致。 據悉,xCloud將會在2019年10月推出,玩家將可以在各種不同的平台上暢玩Xbox的遊戲。另外,Google的Stadia Pro則預計於11月推出。 鄭志中進一步說明,除了雲端遊戲,5G重要的應用還有AR/VR。包括微軟等大廠都認為AR將會是5G未來最大應用。例如可以將AR做在汽車擋風玻璃上,把資訊投放在擋風玻璃上,透過5G低延遲即時提供道路資訊等等,這也是可能出現的新興應用。
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -