על פי דיווחי המזל, ארם הציגה ביום שני את מעבד ה- Cortex-M האחרון (M55) ואת יחידת העיבוד העצבי המיניאטורי של Arm Ethos-U55 (NPU).
כמו הדור הקודם, Cortex-M55 החדש הוא המעבד המשובץ של ארם. עד כה, השותפים של ארם ייצרו יותר מ- 50 מיליארד שבבים על בסיס עיצובים של Cortex-M. המעבדים החדשים חזקים יותר ויעילים יותר בכוח, אך הדגש העיקרי של Arm הוא על יכולות הלמידה של המכונה של השבב. מובן כי ה- M55 הוא המעבד הראשון המבוסס על טכנולוגיית Arm Helium לחישובי וקטור מואצים, ומריץ דגמי ML מהר פי 15 מהדור הקודם.
בעבר, לעיתים קרובות חסרים שבבים כאלה בכוח מחשוב מספיק כדי לבצע פעולות למידה אוטומטית של מכונות. במקום זאת, יש להשלים את מרבית המשימות הללו בשבבים בעלי עוצמה גבוהה, כמו סדרת ה- Cortex-A של Arm, שמועברת על ידי רוב הסמארטפונים בעולם.
ה- Arm Ethos-U55 NPU נועד להאיץ את למידת המכונה, בעוד שתכנון ה- U55 יהיה יעיל יותר ויעבוד רק עם מעבדי Cortex-M חדשים יותר כמו M55, M33, M7 ו- M4. ארם אמר שעל ידי הפעלת שני השבבים הללו בשילוב, משימת הלמידה של המכונה יכולה לרוץ פי 480 יותר מהשבב Cortex M ששימש במבחן המבחן. (העלייה המהירה ביותר של פי 15 כפול מגיעה מה- M55, והשילוב עם ה- Ethos-U55 מביא לעלייה נוספת פי 32.) השימוש בשני שבבים אלה בו זמנית יכול גם להגדיל את יעילות האנרגיה פי 25, כלומר חשוב עבור ציוד המונע על סוללות רבות הוא קריטי.
Dipti Vachani, סמנכ"ל בכיר של ארם ומנכ"ל עסקי הרכב וה- IoT, אמר כי מאפשרת לבינה מלאכותית לפעול במכשירים בעלי הספק נמוך יחסית ולא להיות חייבים לשמור על קשר רציף עם מרכזי נתונים מבוססי ענן היא קריטית לאבטחת מידע ופרטיות. חשוב. נכון לעכשיו, רוב עומסי AI פועלים במרכזי נתונים אלה.
היא גם אמרה כי לאפשר בינה מלאכותית לעבוד על מכשירים שאינם מחוברים, בעלי הספק נמוך יחסית, הוא קריטי לייצור מכוניות מחוברות, לאפשר מכוניות בנהיגה עצמית ולהכניס למידת מכונות מכשירים רפואיים.
ארם אמר כי ה- M55 עצמו יוכל לבצע משימות למידת מכונות החל מגילוי רעידות פשוט מאוד (אפילו הדור הקודם Cortex-M) ועד גילוי יעד בתמונות. בשילוב עם Ethos U55, הוא יכול לבצע משימות ברמה גבוהה יותר, כמו איתור מחוות ספציפיות, קביעה אם טביעת האצבע או תווי הפנים שלך תואמים את הביומטריה שכבר הוחזקה במכשיר, או אפילו זיהוי קולי. עם זאת, משימות אינטנסיביות יותר חישוביות, כמו סיווג מגוון רחב של אובייקטים, או זיהוי פרצופים מסרטונים בזמן אמת, עדיין דורשות צ'יפס רב יותר ויקר יותר.