素材网站下载,好的网站具备的条件,惠州网,站长网站查询来源#xff1a;量子位概要#xff1a;ARM发布了两款针对移动终端的AI芯片架构#xff0c;物体检测#xff08;Object Detection#xff0c;简称OD#xff09;处理器和机器学习#xff08;Machine Learning#xff0c;简称ML#xff09;处理器。今天#xff0c;ARM发… 来源量子位概要ARM发布了两款针对移动终端的AI芯片架构物体检测Object Detection简称OD处理器和机器学习Machine Learning简称ML处理器。今天ARM发布了两款针对移动终端的AI芯片架构物体检测Object Detection简称OD处理器和机器学习Machine Learning简称ML处理器。以往ARM都是架构准备好了才发公告。这次一反常态没货却先发公告OD处理器计划在第一季度才能提供给合作伙伴ML处理器得等到年中。这也看出了ARM很焦急。毕竟在过去的几个月中尤其是在移动端圈子里机器学习在半导体行业中很热。好几家提供芯片架构的公司都宣布了提供消费者解决方案连华为都开始自主研发架构了。那么多玩家入场ARM却没啥动作。直到现在ARM才把重点放在了Armv8.2的CPU ISA扩展上该扩展借助半精度浮点和整数点产品来简化和加速神经网络的专用指令。除了CPU的改进之外还看到了G72中机器学习的GPU改进。虽然这两项改进都有所帮助但想要最大性能和效率这些改进还不够。在测试Kirin 970的NPU和Qualcomm的DSP时可以看出专用架构上运行推理的效率比在CPU上运行的效率高出一个数量级以上。正如ARM官方解释的那样Armv8.2和GPU的改进只是建立机器学习解决方案的第一步还必须研究对专用解决方案的需求。ARM也从合作的小伙伴那里感受到了行业的压力才熬出来ML处理器。下面简单介绍一下这次发布的两个新的架构机器学习ML处理器以及OD处理器。ML处理器是专门为加速神经网络模型推理所设计的。这种架构比传统的CPU和GPU架构有明显的优势。在执行机器学习任务时这款ML处理器可为数据优化内存管理。这款处理器具有数据可高度重复使用的特点能最大限度地减少数据的输入和输出从而实现高性能和高效率。ML处理器理论上可在1.5W功率下有超过4.6TOPs8位整数的理论吞吐量最高可达3TOPs / W。虽然TOPs值并不能完全体现处理器的性能不过它对于行业标准化仍然有用。作为一个完全独立的独立IP电路功能模块ML处理器具有自己的ACE-Lite接口可集成到SoC中也可以集成到DynamiQ中。此外ARM没有透露ML处理器更多的架构信息。OD处理器是针对物体检测的任务进行了优化。尽管ML处理器也能完成相同的任务但OD处理器可以更快。给单项任务提供专用架构才能够获得最大效率。ARM也考虑到了可能会出现OD和ML处理器集成在一起用的情况OD处理器负责把图像中的目标处理区分割出来然后把它们传递给ML处理器进行更细颗粒度的处理。ARM还提供大量软件帮助开发人员将他们的神经网络模型应用到不同的NN框架中。从今天开始这些软件大家可以在ARM开发者网站找到同时也在Github上提供。考虑到SoC开发的周期基于新架构的芯片大概得在2019年年中或年末才能发布。ARM这次可以说半导体及架构供应商中响应AI趋势比较慢的企业了。未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。由互联网进化论作者计算机博士刘锋与中国科学院虚拟经济与数据科学研究中心石勇、刘颖教授创建。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
