如果能夠擁有一部智能個人助理，它能聽懂我們說的話并做出智能反應，然后處理日常任務，那感覺一定很棒。鑒于機器學習(ML)領域近期取得的進展，Arm相信這一天很快就會到來。機器學習已經遠遠越過移動市場的邊界，延伸到醫療保健、零售、汽車和服務器等領域，從只能識別貓的圖片發展到可以解決現實問題的水平。
現在主要的難點是如何將這種能力轉移到邊緣，解決如今普遍存在的隱私、安全、帶寬和延遲問題，Arm機器學習處理器朝這個方向邁出了一大步。
移動性能
機器學習處理器是專門為移動和相鄰市場（例如智能相機、AR/VR、無人機、醫療和消費性電子產品等）推出的全新設計，性能為4.6TOP/s，能效為3TOPs/W。計算能力和內存的進一步優化大大提高了它們在不同網絡中的性能。
其架構包括用于執行卷積層的固定功能引擎以及用于執行非卷積層和實現選定原語和算子的可編程層引擎。網絡控制單元管理網絡的整體執行和網絡的遍歷，DMA負責將數據移入、移出主內存。板載內存可以對重量和特征圖進行中央存儲，減少流入外部存儲器的流量，從而降低功耗。
物流分揀機器人設計案例有了固定功能和可編程引擎，機器學習處理器變得非常強大、高效和靈活，足以應對未來的挑戰，不僅保留了原始性能，還具備多功能性，能夠有效運行各種神經網絡。
主要特點
大幅提升CPU、GPU、DSP和加速器效率。
自動分揀機器人的工作原理采用開源軟件，無鎖定。
與現有軟件框架緊密集成：TensorFlow、TensorFlowLite、Caffe、Caffe2。
物流分揀機器人發展前景經優化后適用于ArmCortexCPU和ArmMaliGPU。
Arm機器學習處理器架構
為應對多個市場帶來的挑戰，滿足不同的性能需求，從物聯網的每秒幾GOP到服務器的每秒數十TOP，機器學習處理器采用了全新的可擴展架構。
對于物聯網或嵌入式應用，該架構的性能可降低至約每秒2GOP，而對于ADAS、5G或服務器型應用，性能可提高至每秒150TOP。這些多重配置的效率可達到現有解決方案的數倍。
由于與現有的ArmCPU、GPU和其他IP兼容，且能提供完整的異構系統，該架構還可通過TensorFlow、TensorFlowLite、Caffe和Caffe2等常用的機器學習框架來獲取。
隨著機器學習的工作負載不斷增大，計算需求將呈現出多種形式。Arm已經開始采用擁有不同性能和效率等級的增強型CPU和GPU，運行多種機器學習用例。我們推出Arm機器學習平臺的目的在于擴大選擇范圍，提供異構環境，滿足每種用例的選擇和靈活性需求，開發出邊緣智能系統。
湖北食品分揀機器人分揀機器人發展趨勢湖北省藥品分揀機器人快遞分揀機器人設計畢業設計