Արդյունաբերական նորություններ. Համաշխարհային կիսահաղորդչային արդյունաբերության միաձուլումներն ու ձեռքբերումները կրկին աճում են

MCU+AI. անխուսափելի միտում

STMicroelectronics-ը ձեռք է բերում Deeplite-ը՝ կենտրոնանալով եզրային արհեստական ​​բանականության վրա

Այս տարվա ապրիլին STMicroelectronics-ը (ST) ձեռք բերեց կանադական արհեստական ​​ինտելեկտի ստարտափ Deeplite-ը, որը գրավեց արդյունաբերության ուշադրությունը: Ինչպես բոլորս գիտենք, առևտրային տեղակայման մեջ խորը ուսուցման մոդելների առջև ծառացած հիմնական մարտահրավերներից մեկը դրանց գործառնական մասշտաբն է, պրոցեսորի պահանջները և էներգիայի սպառման ինտենսիվությունը: Deeplite-ը լուծում է այս խնդիրը՝ ապահովելով ավտոմատացված ծրագրային շարժիչ՝ DNN (խորը նեյրոնային ցանց) մոդելները օպտիմալացնելու համար, որը թույլ է տալիս արհեստական ​​ինտելեկտին կատարել եզրային հաշվարկներ ցանկացած սարքի վրա:

Հիմնադրված 2017 թվականին, Deeplite-ը հայտնի է իր եզրային արհեստական ​​ինտելեկտի DeepSeek լուծմամբ, որը կենտրոնանում է արհեստական ​​ինտելեկտի մոդելների օպտիմալացման, քվանտացման և սեղմման վրա: Դրա նորարարական արհեստական ​​ինտելեկտով աշխատող Neutrino օպտիմիզատորը կարող է սեղմել խորը ուսուցման մեծ մոդելները մինչև դրանց սկզբնական չափի մեկ տասներորդը՝ պահպանելով ավելի քան 98% ճշգրտություն: Երեք հիմնական տեխնոլոգիաների՝ քաշի կրճատման (ավելորդ պարամետրերի հեռացում), քվանտացման (հաշվողական ճշգրտության պահանջների նվազեցում) և սպարսիֆիկացիայի (զրոյական արժեք ունեցող կշիռների համամասնության ավելացում) միջոցով, արհեստական ​​ինտելեկտի մեծ մոդելները կարող են աշխատել ավելի արագ, ավելի փոքր և ավելի էներգաարդյունավետ եզրային սարքերի վրա: Այն ծրագրերը, որոնք նախկինում պահանջում էին ամպային հաշվարկման հնարավորություններ, այժմ կարող են սահուն աշխատել եզրային սարքերի վրա, ինչպիսիք են սմարթֆոնների տեսախցիկները և արդյունաբերական սենսորները:

Deeplite-ը մեծ ուշադրություն է գրավել իր սկզբնական շրջանում և Gartner-ի, Forbes-ի, Inside AI-ի և ARM AI-ի կողմից անվանվել է առաջատար արհեստական ​​ինտելեկտի նորարար։ Այս ձեռքբերումը սերտորեն կապված է STMicroelectronics-ի ռազմավարական վերափոխման հետ դեպի եզրային ինտելեկտ, որը համատեղում է սարքավորումները և ծրագրային ապահովումը «կրկնակի պարույրի» եղանակով։ Deeplite-ի մոդելի օպտիմալացման տեխնոլոգիան խորապես ինտեգրված է STMicroelectronics-ի STM32 շարքի միկրոմետրային միավորների և նվիրված NPU-ների հետ՝ աջակցելու համար ամբողջական ինտելեկտի լուծումների կառուցմանը։ Օրինակ, խելացի գործարանային սցենարներում STMicroelectronics չիպերով հագեցած տեսախցիկները կարող են անմիջապես հայտնաբերել թերությունները՝ առանց տվյալները ամպային տեխնոլոգիաներ վերբեռնելու, և արձագանքման արագությունը մեծանում է 40 անգամ։

Մյուս կողմից, Deeplite-ը ունի արհեստական ​​բանականության ալգորիթմների ինժեներների համաշխարհային մակարդակի թիմ, որի միջոցով ST-ն կմիավորի ավելի քան 200 եզրային արհեստական ​​բանականության մշակման գործիքներ՝ ձևավորելու համար «մոդելային գրադարան-օպտիմալացնող-ապարատային հարթակ» միասնական մշակման էկոհամակարգ: Ամփոփելով՝ Deeplite-ի ձեռքբերումը ոչ միայն լրացնում է ST-ի ապզուլալի վերջին կտորը արհեստական ​​բանականության ծրագրային մակարդակում, այլև նշանավորում է կիսահաղորդչային արդյունաբերության պարադիգմային անցումը «չիպեր պատրաստելուց» դեպի «ուղեղներ պատրաստելը»:

NXP-ն ձեռք է բերում NPU Kinara ընկերությունը՝ Smart Edge-ը վերատեղադրելու համար

Այս տարվա փետրվարին NXP-ն հայտարարեց ԱՄՆ-ում արհեստական ​​ինտելեկտի չիպերի արտադրության Kinara ստարտափի ձեռքբերման մասին՝ 307 միլիոն ԱՄՆ դոլարով կանխիկ։ Kinara-ն հիմնադրվել է 2013 թվականին և սկզբնապես անվանվել է Core Viz, հետագայում վերանվանվել է Deep Vision, իսկ 2022 թվականին՝ Kinara։ Kinara-ի առանձին NPU-ն (ներառյալ Ara-1-ը և Ara-2-ը) առաջատարն է ոլորտում արտադրողականության և էներգաարդյունավետության առումով, ինչը այն դարձնում է տեսողության, ձայնի, ժեստերի և այլ տարբեր գեներատիվ արհեստական ​​ինտելեկտի իրականացումներով կառավարվող արհեստական ​​ինտելեկտի ի հայտ եկող կիրառությունների համար նախընտրելի լուծում, իսկ դրա ծրագրավորելիությունը ապահովում է, որ այն կարող է հարմարվել զարգացող արհեստական ​​ինտելեկտի ալգորիթմներին։

NXP-ն նշել է, որ այս ձեռքբերումը կմիավորի Kinara-ի անկախ NPU-ն սեփական պրոցեսորի, կապի և անվտանգության ծրագրային ապահովման պորտֆոլիոյի հետ, ինչը կօգնի ապահովել ամբողջական և մասշտաբային արհեստական ​​բանականության հարթակ՝ TinyML-ից մինչև գեներատիվ արհեստական ​​բանականություն՝ արդյունաբերական և ավտոմոբիլային շուկաների արագ աճող արհեստական ​​բանականության կարիքները բավարարելու համար: Սա կօգնի ստեղծել նոր արհեստական ​​բանականության վրա հիմնված համակարգեր արդյունաբերական և իրերի ինտերնետի ոլորտներում, կօգնի հաճախորդներին պարզեցնել բարդությունը, արագացնել շուկա մուտք գործելու ժամանակը և բարելավել տեխնիկական հնարավորությունները այնպիսի ոլորտներում, ինչպիսիք են խելացի մեքենաները՝ շարժվելով դեպի բարձր արժեք ավելացնող ոլորտներ:

Edge AI. Մարտադաշտ MCU արտադրողների համար

Արհեստական ​​բանականության ոլորտում վաղուց ի վեր գոյություն ունի այն սխալ պատկերացումը, որ «մասշտաբը ուժ է»։ Չնայած մեծ մոդելներն ունեն գերազանց կատարողականություն, դրանք բախվում են մարտահրավերների իրական տեղակայման ժամանակ. դրանց բարձր էներգիայի սպառումը հակասում է եզրային կողմի թեթև քաշի պահանջներին։ Արդյունաբերության մասնագետները բազմիցս նշել են մեծ մոդելների կիրառման սցենարների բնորոշ սահմանափակումները. մի կողմից, մեծ մոդելների ուսուցումը և գործարկումը պահանջում են հսկայական հաշվողական ռեսուրսներ, մյուս կողմից, արհեստական ​​բանականության արդյունաբերականացման խթանման հիմնական ոլորտները հենց եզրային հաշվարկներն ու տերմինալ սարքերն են, որոնք ավելի զգայուն են էներգիայի սպառման և լատենտության նկատմամբ։

Հեշտ է հասկանալ, որ վերը նշված ձեռքբերումները ցույց են տալիս, որ MCU-ի հիմնական մարտադաշտը տեղափոխվում է եզրային արհեստական ​​բանականության (AI) հաշվարկման ոլորտ: Ակնկալվում է, որ մինչև 2025 թվականը տվյալների 75%-ը կմշակվի եզրային միջավայրում, ինչը ընդգծում է եզրային արհեստական ​​բանականության MCU շուկայի հսկայական ներուժը: Սա ցույց է տալիս, որ եզրային արհեստական ​​բանականության (AI) հաշվարկման պահանջարկը արագորեն աճում է, և MCU-ն, որպես եզրային սարքերի հիմնական բաղադրիչ, կարևոր դեր կխաղա այս միտման մեջ:

Ապագայում միկրոկոնտրոլները այլևս չեն սահմանափակվի ավանդական կառավարման գործառույթներով, այլ աստիճանաբար կմիավորեն արհեստական ​​բանականության դատողության հնարավորությունները և կկիրառվեն այնպիսի սցենարներում, ինչպիսիք են պատկերի ճանաչումը, ձայնի մշակումը և սարքավորումների կանխատեսողական սպասարկումը: Եզրային հաշվարկման հնարավորություններով միկրոկոնտրոլները կդառնան եզրային հաշվարկման հզորության կարևոր կրող՝ իրենց ցածր էներգիայի սպառման, բարձր արդյունավետության և ակնթարթային արձագանքի շնորհիվ, ապահովելով ավելի ուժեղ աջակցություն խելացի սարքերի և համակարգերի համար:

Այլ խոշոր միկրոկոնտրոլային արտադրողներ նույնպես ակտիվորեն գնումներ են կատարում և մրցակցում են այս ոլորտում, ինչպիսիք են Renesas Electronics-ի կողմից Reality AI-ի ձեռքբերումը, Infineon-ի կողմից շվեդական Imagimob-ի ձեռքբերումը, և NXP-ի կողմից eIQ մեքենայական ուսուցման ծրագրային ապահովման և NANO արհեստական ​​ինտելեկտի գործիքների ցանցի թողարկումը։

Կարելի է եզրակացնել, որ եզրային արհեստական ​​բանականությունը կդառնա MCU-ների համար հիմնական մարտադաշտ առաջիկա մի քանի տարիների ընթացքում։

Ավտոմոբիլային էլեկտրոնիկա՝ կապիտալի մրցակցության կիզակետում

Վերջերս հաճախակի են ի հայտ եկել կիսահաղորդչային ընկերությունների միաձուլումներն ու ձեռքբերումները, որոնք կապված են ավտոմոբիլային կիրառությունների հետ։ Հաշվողական հզորությունից բացի, ավտոմոբիլային շարժիչի, տրանսպորտային միջոցների ցանցային կապի, տրանսպորտային միջոցների աուդիոհամակարգի և այլ տեխնոլոգիաների զարգացումը նույնպես խթանել է կիսահաղորդչային տեխնոլոգիայի արդիականացումը և թարմացումը՝ դրդելով կապակցված ընկերություններին լրացնել իրենց սեփական տեխնոլոգիական դասավորությունը միաձուլումների և ձեռքբերումների միջոցով։

Կիսահաղորդչային արդյունաբերությունը տիպիկ տեխնոլոգիապես և կապիտալով ինտենսիվ արդյունաբերություն է։ Վերջին մի քանի տասնամյակների ընթացքում ինտեգրացիան և միաձուլումները դարձել են արդյունաբերության զարգացման անխուսափելի միտում։

Արհեստական ​​բանականության հսկաները հաճախ գնումներ են կատարում՝ իրենց տեխնոլոգիական դասավորությունը բարելավելու և «չիպ + համակարգ + էկոհամակարգ» լիարժեք առավելություն ստեղծելու նպատակով: Հիմնական միկրոկոնտրոլների արտադրողները աստիճանաբար վերածվում են եզրային արհեստական ​​բանականության՝ փորձելով գրավել խելացի տերմինալների շուկան՝ ցածր էներգիայի սպառմամբ և բարձր ճկունությամբ: Ավտոմոբիլային ոլորտում տրանսպորտային միջոցների ներսում հաշվարկները, ինքնավար վարորդությունը և տվյալների փոխկապակցվածությունը դարձել են կապիտալի մրցակցության հիմնական ոլորտներ: Միևնույն ժամանակ, էլեկտրոնային ավտոմատացված կառավարման (ԷԱ) ոլորտը գործիքներ տրամադրելուց անցնում է էկոհամակարգ կառուցելուն: Հսկաները ինտեգրում են մտավոր սեփականության և նախագծման գործընթացները և շուկայում գերիշխող դիրք են գրավում «գործիք-ճարտարապետություն-ստանդարտ» ճարտարապետության միջոցով:

Այս միաձուլումների և ձեռքբերումների ալիքում տեխնոլոգիական համագործակցությունը, շուկայի ընդլայնումը և էկոհամակարգի գերիշխանությունը դարձել են հիմնական տրամաբանությունը: Ընկերությունները պետք է հավասարակշռեն կարճաժամկետ ինտեգրումը և երկարաժամկետ հետազոտությունն ու զարգացումը կապիտալի հոսքի պայմաններում: Հաշվի առնելով կիսահաղորդչային արդյունաբերության տեխնոլոգիական խոչընդոտները և կապիտալատար բնույթը, այս փոխակերպումը «կարճ ճանապարհ» չէ, այլ «մարաթոն», որը պահանջում է երկարաժամկետ ներդրումներ: