Categories: MobileSmartphone

ARM bringt mit Project Trillium künstliche Intelligenz in Smartphones

ARM kündigt Software und Hardware für künstliche Intelligenz in Smartphones, IoT-Geräten, Wearables, Drohnen oder virtuelle Realität an. Project Trillium ist eine Gruppe von verschiedenen Software-Lösungen und Hardware, die auf kleinen Raum mit geringem Stromverbrauch für spezielle KI-Operationen wie das maschinelle Lernen oder Objekterkennung optimierte Leistung liefert.

Maschinelle Erkennung von Objekten mit dem OD-Chip von ARM (Bild: ARM).

Derzeit arbeiten verschiedene große Technologieunternehmen wie Google, Intel oder IBM an Lösungen für künstliche Intelligenz. Eines der jüngsten Beispiele im Bereich Smartphone/IoT ist Huawei, das mit dem Mate 10 ein Smartphone mit einer dedizierten KI-Komponente vorgestellt hat.

ARM dominiert nach wie vor mit den eigenen Chip-Designs den Mobilfunk-Markt und kommt daher vergleichsweise spät mit einem dedizierten KI-Angebot. Einen kleinen Vorgeschmack allerdings gab es bereits mit einer Erweiterung für ARMv8.2, das mit einem besonderen Instruction-Set die Implementierung von neuralen Netzwerken erleichtern sollte. Auch in Mali-G72, einer GPU, unterstützt ARM Installationen für künstliche Intelligenz.

Doch bislang fehlte eine eigene „Plattform“ für KI von ARM. Die genannten Erweiterungen haben sozusagen die weiteren Entwicklungen ermöglicht. Allerdings muss ARM nun die Nachfrage aus der Branche und von Technologiepartnern mit einem entsprechenden Produkt bedienen.

Die KI-Prozessoren ML und OD können auch gemeinsam eingesetzt werden. OD erkennt ein spezielles Objekt und leitet die Informationen an ML weiter, der dann die Informationen weiter verarbeitet (Bild: ARM).

Die frisch vorgestellten Modelle sind ein ML-Prozessor für Machine Learning und ein weiterer für Object Detection (OD). Die Technologie für OD stammt aus der Übernahme von Apical, die ARM 2016 getätigt hatte.

Der OD-Prozessor soll noch im ersten Quartal 2018 an Partner ausgeliefert werden. Der ML-Prozessor werde Mitte des Jahres an die Hersteller ausgeliefert, richtet sich jedoch in der ersten Auflage an den Mobilmarkt. Aufgrund des SoC-Designs werden erste Prozessoren wohl erst 2019 oder 2020 in Smartphones verbaut werden. Parallel dazu können die beiden Designs auch in einem dynamischen Cluster mit der CPU integriert werden.

Mit dem ML-Prozessor sollen Anwender nun in der Lage sein, deutlich höhere Leistungen für Machine Learning zu erreichen, als bei der Ausführung von Operationen über die CPU oder die GPU. ML-Workloads machen zudem ein besonderes Speichermanagement nötig, da bestimmte Daten häufiger abgerufen werden. Daher sei es für eine Leistungssteigerung besonders wichtig.

HIGHLIGHT

Report: State of Digital Transformation EMEA 2019

Zu den größten Hürden der digitalen Transformation zählen der mobile Zugriff auf Unternehmensdaten und Anwendungen, die Nutzung unsicherer Netzwerke und nicht verwalteter Geräte. Das geht aus dem Report „State of Digital Transformation EMEA 2019“ von Zscaler hervor. Jetzt den vollständigen Report herunterladen!

ARM verspricht mit dem ML-Prozessor einen theoretischen Durchsatz von über 4,6 TOPs (8-bit integer) bei einem Verbrauch von etwa 1.5W, was laut ARM 3 TOPs/W bedeutet. Diese Schätzungen basieren auf einer Implementierung in einem 7 Nanometer-Verfahren. Allerdings haben solche Aussagen ohne einen branchenweit verbindlichen Standard-Benchmark wenig Aussagekraft.

Der OD hingegen deckt traditionelle Bilderkennung ab. Grundsätzlich kann auch der ML-Prozessor diese Aufgaben über ein neuronales Netz abdecken, OD ist hier jedoch leistungsfähiger. Es zeigt sich also, dass die entsprechende Hardware auf sehr eng gefasste Arbeitslasten hin optimiert sind. Es bleibt ohnehin abzuwarten, welche Entwicklungen der Bereich künstliche Intelligenz im mobilen Umfeld nimmt.

Für Entwickler stellt ARM jedoch eine Reihe von Software-Tools bereit, die Entwicklern bei der Schaffung neuer Anwendungen für diese Prozessoren helfen sollen. Diese Werkzeuge sind über ARMs Entwicklerseiten oder über GitHub verfügbar.

ANZEIGE

So lassen sich Risiken bei der Planung eines SAP S/4HANA-Projektes vermeiden

Ziel dieses Ratgebers ist es, SAP-Nutzern, die sich mit SAP S/4HANA auseinandersetzen, Denkanstöße zu liefern, wie sie Projektrisiken bei der Planung Ihres SAP S/4HANA-Projektes vermeiden können.

Martin Schindler

Recent Posts

Microsoft verschiebt erneut Copilot Recall

Die Entwickler arbeiten noch an weiteren „Verfeinerungen“. Windows Insider erhalten nun wohl eine erste Vorschau…

4 Stunden ago

GenKI im Job: Mitarbeitende schaffen Tatsachen

Laut Bitkom-Umfrage werden in jedem dritten Unternehmen in Deutschland private KI-Zugänge genutzt. Tendenz steigend.

6 Stunden ago

97 Prozent der Großunternehmen melden Cyber-Vorfälle

2023 erlitten neun von zehn Unternehmen in der DACH-Region Umsatzverluste und Kurseinbrüche in Folge von…

6 Stunden ago

„Pacific Rim“-Report: riesiges, gegnerisches Angriffs-Ökosystem

Der Report „Pacific Rim“ von Sophos beschreibt Katz-und-Maus-Spiel aus Angriffs- und Verteidigungsoperationen mit staatlich unterstützten…

9 Stunden ago

DeepL setzt erstmals auf NVIDIA DGX SuperPOD mit DGX GB200-Systemen

NVIDIA DGX SuperPOD soll voraussichtlich Mitte 2025 in Betrieb genommen und für Forschungsberechnungen genutzt werden.

10 Stunden ago

Latrodectus: Gefährlicher Nachfolger von IcedID

Latrodectus, auch bekannt als BlackWidow, ist auch unter dem Namen LUNAR SPIDER bekannt.

10 Stunden ago