ARM：人工智慧應用不侷限高階設備，將更快於中階、入門機種普及化

在此次北京活動裡，除了針對新款Mali多媒體IP套件更新項目做說明外，ARM再次針對稍早前推出的終端裝置學習設計平台Project Trillium進一步做說明，強調將會針對小至物聯網設備，大到雲端伺服器設備的端點學習應用做優化，並且以此將人工智慧應用推廣到更多元市場應用層面。

就稍早ARM方面說明，Project Trillium設計平台的目標是將更多人工智慧應用帶進各類終端裝置，甚至可讓規模大至雲端伺服器的裝置也能藉由機器學習方式達成更具效率的運算效果，而就連小至行動裝置或物聯網設備也能藉由人工智慧技術應用加快運作反應速度。

以Project Trillium設計平台細節來看，其中包含藉由包含Cortex-A系列、Cortex-M系列及Mali系列既有ARM架構處理器的配置模式，或是搭配獨立學習運算元件ARM ML架構處理器，以及ARM OD架構處理器，分別對應數據推理或影像識別為主的機器學習應用，搭配市場常見的TensorFlow、Caffe或Android NN等軟體端學習框架，藉此發揮更大機器學習效率，同時也能針對裝置設計需求，或是實際應用需求配置不同組合，例如藉由既有硬體，或是額外搭配ARM ML架構處理器、ARM OD架構處理器對應特定領域運算需求。

ARM資深市場營銷總監Ian Smythe表示，市場開始越來越重視端點運算的原因包含藉由網路頻寬進行協同運算方式仍可能帶來延遲、增加額外開銷，以及包含額外增加電力損耗、建置成本、可靠度與安全等考量，因此開始有廠商開始藉由既有硬體搭配學習框架，或是透過額外獨立學習運算元件達成裝置端學習應用效果，藉此讓裝置端整體運算效率可進一步做提昇，並且產生不同運算應用。

因此，就ARM本身基於技術授權供應角色立場，自然也會針對此類應用需求提供最佳設計方案，而Project Trillium設計平台便是為了提供更具彈性的應用需求所打造，讓合作夥伴能更容易打造各類基於機器學習應用的終端設備，藉此將人工智慧技術推廣至更多裝置使用情境。

而針對部分合作夥伴如Qualcomm認為裝置端的學習運算模式將會先在高階硬體設備普及應用，之後才會陸續推廣置中階或入門機種，ARM方面的看法則認為並不盡然，主要還是看實際應用模式，例如在物聯網設備端的學習應用雖然不比智慧型手機需要更複雜運算模式，但同樣可藉由簡單或特定模式的機器學習方式推動更具效率的運算效果，因此認為裝置端的學習應用將會更快廣泛普及。

至於導入機器學習應用設計是否讓裝置端的設計成本額外增加，Ian Smythe表示這部份主要還是取決終端裝置實際應用需求，並且在設計成本與最終效益間進行考量，而當然在未來更加普及應用之後，也將使整體設計研發成本可具體降低，進而讓人工智慧成為未來主要運算使用模式。

在未來學習應用處理器發展模式，Ian Smythe表示最主要還是會觀察市場應用趨勢、客戶需求，以及ARM本身對於未來發展看法研究，藉此推展更多學習應用處理器規格，並且比照既有Cortex-A、Cortex-M等處理器有更多元應用設計，而不僅侷限在既有設計框架。