Die Prozessorschmiede ARM kündigte gerade sowohl Software als auch Hardware für die durchaus umstrittene künstliche Intelligenz (KI) in Geräten wie Smartphones, IoT-Geräten, Wearables, Drohnen oder VR-Playern an.
Das Project Trillium besteht aus einem Satz von verschiedenen Software- und Hardware-Lösungen, die auf kleinstem Raum mit geringem Stromverbrauch für dedizierte KI-Anwendungen wie maschinelles Lernen oder die Objekterkennung optimierte Leistung bereitstellt.
Huawei liefert schon Smartphones mit eingebauter KI
Aktuell arbeiten mehrere große Technologiekonzerne wie Google, Intel oder IBM an Lösungen für künstliche Intelligenz. Zu den jüngsten Beispiele im Bereich Smartphone/IoT zählt der chinesische Handy- und Netzwerkhersteller Huawei. Mit dem Mate 10 hat Huawei schon ein Smartphone mit einer dedizierten KI-Komponente vorgestellt.
Doch bisher fehlte eine eigene „Plattform“ wie Trillium für KI-Lösungen von ARM, die ja seit Jahren den Prozessormarkt für Smartphones dominieren. Deshalb muss ARM nun endlich auch die große Nachfrage aus der Mobilfunk-Branche und von seinen Technologiepartnern mit entsprechenden Produkten bedienen.
Die neuen Produkte für KI-Anwendungen
Die gerade neu vorgestellten Modelle sind ein ML-Prozessor für Machine Learning und ein weiterer Prozessor für Object Detection (OD). Die für OD genutzte Technologie stammt von der 2016 durch ARM übernommenen Firma Apical.
Den OD-Prozessor will ARM noch im ersten Quartal 2018, also spätestens im kommenden Monat, an seine Partner ausliefern. Der ML-Prozessor soll dann Mitte des Jahres an die Hersteller ausgeliefert werden können, zielt aber in seiner ersten Auflage klar auf den Mobilfunkmarkt.
Wegen des SoC-Designs dürften die ersten KI-Prozessoren von ARM wohl erst 2019 oder 2020 in Smartphones verbaut werden. Alternativ zu SoCs können aber beide Designs auch zusammen mit der CPU in einen dynamischen Cluster integriert werden.
Schnelleres Lernen durch KI-Prozessoren
Mit dem ML-Prozessor sollen Anwender nun in der Lage sein, deutlich höhere Leistungen beim maschinellen Lernen zu erreichen, als bei der Ausführung solcher Operationen mit normalen CPUs oder GPUs.
Die ML-Workloads brauchen außerdem ein besonderes Speichermanagement, weil bestimmte Daten deutlich häufiger abgerufen werden müssen.
