- Advertisement -
首頁 標籤 Kneo

Kneo

- Advertisment -

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

AIoT應用含苞待放 邊緣推論晶片迎來戰國時代

相較於AI雲端訓練領域的蓬勃發展,邊緣推論則像是一片含苞待放的花園,各式各樣爭奇鬥艷的花朵準備盛開,智慧物聯網AIoT應用破碎化,很少有一個應用可以像過去主流應用一樣每年創造數億或10幾億出貨量的產業規模,每個應用的需求又各自不同;不過,業界估算整體AIoT產業的規模至少數十億甚至上百億,邊緣推論晶片未來幾年產業發展潛力十足。 目前人們生活中的絕大部分應用都需要機器學習(Machine Learning, ML)及邊緣運算解決方案,如語音辨識、人臉識別、符號偵測與定位、車牌辨識等。大多數應用場景需要即時的用戶互動與反應,強調能在地處理解決問題,而毋需將數據傳遞到雲端並進行運算,透過邊緣運算可以降低雲端運算的負擔,也可以解決延遲性、安全性和可靠性的問題。 AI聲音/影像應用推陳出新 由於AI演算法與處理器能力持續提升,超高影像解析度(Super Resolution)、準確的物件偵測(Object Detection)、影像分類功能(Images Classification)、快速的語音翻譯功能(Speech Translation)在過去一年獲得大幅進展。Arm首席應用工程師沈綸銘(圖1)提到,AI為使用者帶來更好的使用體驗。例如超高影像解析度能讓使用者掌握影像細節,大幅提升觀賞影片的體驗;Avatars效果能讓使用者在自拍時使用有趣的即時動畫效果;相機的智慧夜拍模式,則讓光源控制更輕鬆,在低光源下拍攝也能媲美日拍一般清晰;此外運用生物辨識技術的臉部辨識與解鎖功能,能讓消費者使用手機付款時更安全更便利。 圖1 Arm首席應用工程師沈綸銘 沈綸銘進一步提到,除了超高影像畫質能提升觀影體驗,AI也能強化整體的聲光環境,例如偵測影視內容所需,調整或放大聲量,或者對應室內光線環境,調校顏色對比與鮮明度;還能為家中有小朋友的家長把關,當偵測到電視前方有小朋友,電視會自動停止播放不適合的影視內容,以上這些功能或多或少都有AI的協助。 觀察AI專用晶片進程,沈綸銘認為,未來產品將朝向分眾市場發展,根據各式需求,像是算力、功耗、軟體大小、軟體開發框架等而有不同的發展趨勢。以嵌入式系統為例,市場上需要在少量功耗增加下提供有效率的運算處理。相對的,以自駕車系統為例,市場上則需要可延展的AI運算加速器,以及通用性的軟體開發。 邊緣推論講算力拼省電 卷積神經網路(Convolutional Neural Network, CNN)是這波人工智慧技術發展的起點之一,也是目前發展成熟度最高的技術,其對影像辨識效果最佳,應用也非常廣泛;過去幾年在指紋辨識領域取得領先地位的神盾(Egis Technology),也將原先的核心技術與AI結合,神盾新技術研發處副總經理林郁軒(圖2)表示,以智慧型手機指紋辨識功能為例,透過邊緣AI的協助,在辨識時毋須喚醒應用處理器也無須聯網,對整個系統的耗電與反應速度大有幫助。 圖2 神盾新技術研發處副總經理林郁軒 神盾從指紋辨識起家,為了優化指紋辨識的效能而導入AI,再從指紋的影像辨識往人臉、行為、動作等各式影像辨識技術發展,林郁軒解釋,邊緣運算尤其是行動終端或AIoT類的產品,除了算力還會比較每瓦的TOPS,導入AI也不能犧牲電源效率,這應該也是未來邊緣推論晶片競爭的重點。以神盾現在的解決方案來看,每瓦約可提供1~2TOPS算力,預計年底將提升到3TOPS,2021年則將推出20TOPS的解決方案。 未來幾年,對於ASIC廠商而言,與客戶深入溝通,將需求明確定義,是非常重要的關鍵,林郁軒認為,這樣才可以透過專用演算法與電路的設計,提高晶片的每瓦TOPS。而在推論的精度上,一般而言精度越低效率越好,所以也有滿多設計會導入可調式精度架構,讓精度與效率可以依應用調整。 AI系統效能為更可靠指標 針對AI算力已經成為效能指標的代名詞,在台灣可以被稱得上是人工智慧「獨角獸」的耐能智慧(Kneron),該公司董事長劉峻誠(圖3)指出,算力就跟CPU的處理速度一樣,只是AI晶片的運算能力,並不能代表整個系統效能,一味追求TOPS或是每瓦TOPS的數字表現,容易陷入迷思。耐能於2019年推出KL520晶片,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,保證在不同的卷積神經網路模型上的使用,無論是模型內核(Kernel)大小的變化、模型規模的變化,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。 圖3 耐能智慧董事長劉峻誠 劉峻誠並提出「Edge AI Net」的概念,透過AI晶片,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。一般而言,目前的AI網路如CNN、遞歸神經網路(Recurrent Neural Network, RNN)或長短期記憶(Long Short-term Memory, LSTM)網路,都是由卷積、剪枝(Pruning)與矩陣乘法器組成,耐能的晶片可以因應不同應用需求進行網路重組,所以一款晶片可支援多個不同網路架構,並組成Edge AI Net,讓算力共享,而能達成1TOPS算力,創造3TOPS效率的效果。 2020年下半年耐能計畫推出新款的AI晶片KL720,具備可堆疊式設計,可因應網路效能需求大幅提高算力,也不放棄個別晶片的每瓦TOPS,同時進一步將Edge AI Net概念具體實現,以「Kneo」的名稱推廣其智慧物聯網AIoT概念。從2019年發表KL520開始,已經有數百萬顆晶片的出貨量,未來這些產品都將是一個網路節點,有機會成為AI時代最具影響力的架構。 邊緣推論晶片大發生 在PC與行動通訊時代,最後都只剩少數晶片大廠主導市場,如英特爾(Intel)、AMD與高通(Qualcomm)、聯發科(MTK)。AI目前是百花齊放的時期,會不會延續之前的發展模式還很難研判,但競爭的激烈程度可以想見;恩智浦(NXP)AI晶片專注於邊緣運算晶片和終端產品晶片。恩智浦半導體大中華區業務行銷資深經理黃健洲表示,於邊緣運算和閘道,提供如i.MX處理器和Layerscape處理器並加強NN/ML加速器運作為目標,提供更快的反應時間,而毋需連接到網際網路執行機器學習推論並提高隱私和安全。 除了開發人工智慧晶片外,恩智浦還打算為使用者提供完整的生態系統,建立開發環境,推出邊緣智慧(eIQ)SDK工具,用於收集資料庫和開發工具,建構MCU/MPU的機器學習應用程式,如i.MXRT10xx與i.MX8M Plus應用處理器。 而在行動通訊時代取得重大成功的Arm,同樣積極發展AI解決方案,沈綸銘說,Arm...
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -