硅微芯片制造商ARM是工作的一个新的半导体设计，它说，将让机器学习，大规模，小传感器设备。手臂已经完成了技术和预计的测试，以把它推向市场，明年。
人工智能，对“数十亿，并最终万亿”设备正在到来本地实现，该公司表示，在新闻稿。ARM控股公司，由日本软银集团拥有的说，它的合作伙伴已经出货超过160十亿基于ARM的芯片到目前为止，这4500万的微处理器设计的每天都被放在电子内。
新的机器学习硅将包括可用于识别语音模式并执行其他任务AI微神经处理单元（microNPU）。重要的是，该处理设备上的和较小的形状因子比迄今可用的完成。该芯片不需要云计算或任何网络。
在物联网，而不是 - ARM，这在历史上已经落后移动智能手机的微芯片的目标是这样的设计 - 在Cortex处理器的M55，具有民族精神，U55，臂的第一microNPU配对。
“启用AI处处需要设备制造商和开发商提供机上百亿本地学习，最终设备的万亿” Dipti Vachani，高级副总裁兼总经理ARM的汽车和物联网领域，在一份声明中说。“有了这些补充，我们的AI平台，没有设备被留下作为设备ML上最小的设备将成为新的常态，安全地跨越广阔的生活变化的应用中释放出AI的潜力。”
手臂要采取的基于芯片的数字运算的自治性质的优势，而不是在云做。隐私意识（和规范）医疗保健是一个垂直的一个例子可能像局部处理的想法。
运作AI无云的依赖并不是全新的。英特尔公司神经计算棒2，一个$ 69自足的计算机视觉和深度学习开发工具，并不需要它，例如。
ARM是也将用于节能与新的人工智能技术。不要求数据网络可以意味着更长的电池寿命传感器 - 只计算结果需要被发送，而不是每一个位。多的时间，原始传感器数据是不相关的，并且可以被丢弃。ARM公司的新端点ML技术将帮助微控制器开发人员“加速边缘推论通过规模和实力有限的设备，”吉奥夫·李斯，在物联网的半导体公司，边缘处理的高级副总裁NXP在公告。
使机器学习中功率受限的设置和消除了对网络连接的需求意味着可以放在那里没有一种耐寒电源的传感器。延迟优势和成本优势也能发挥作用。
“这些设备可以运行多年在电池上的神经网络模型，并直接在设备上提供低延时推论，”伊恩Nappier，TensorFlow精简版的微控制器在谷歌的产品经理说，以手臂的声明。TensorFlow是一个已经用于检测呼吸疾病，除其他事项外的开放源码的机器学习平台。