ຂ່າວອຸດສາຫະກຳ: ການລວມຕົວ ແລະ ການຊື້ກິດຈະການຂອງອຸດສາຫະກຳເຄິ່ງຕົວນຳທົ່ວໂລກກຳລັງເພີ່ມຂຶ້ນອີກຄັ້ງ

MCU+AI: ທ່າອ່ຽງທີ່ຫຼີກລ່ຽງບໍ່ໄດ້

STMicroelectronics ຊື້ກິດຈະການ Deeplite, ໂດຍສຸມໃສ່ edge AI

ໃນເດືອນເມສາປີນີ້, STMicroelectronics (ST) ໄດ້ຊື້ບໍລິສັດ startup AI ຂອງການາດາ Deeplite, ເຊິ່ງດຶງດູດຄວາມສົນໃຈຂອງອຸດສາຫະກໍາ. ດັ່ງທີ່ພວກເຮົາທຸກຄົນຮູ້, ສິ່ງທ້າທາຍອັນໃຫຍ່ຫຼວງທີ່ຮູບແບບການຮຽນຮູ້ເລິກກໍາລັງປະເຊີນຢູ່ໃນການນໍາໃຊ້ທາງການຄ້າແມ່ນຂະໜາດການດໍາເນີນງານ, ຄວາມຕ້ອງການຂອງໂປເຊດເຊີ, ແລະ ຄວາມເຂັ້ມຂຸ້ນຂອງການໃຊ້ພະລັງງານ. Deeplite ແກ້ໄຂບັນຫານີ້ໂດຍການສະໜອງເຄື່ອງຈັກຊອບແວອັດຕະໂນມັດເພື່ອເພີ່ມປະສິດທິພາບຮູບແບບ DNN (ເຄືອຂ່າຍປະສາດເລິກ), ຊ່ວຍໃຫ້ AI ສາມາດປະຕິບັດການປະມວນຜົນຂອບໃນອຸປະກອນໃດກໍໄດ້.

ກໍ່ຕັ້ງຂຶ້ນໃນປີ 2017, Deeplite ເປັນທີ່ຮູ້ຈັກກັນດີໃນການແກ້ໄຂບັນຫາ AI ທີ່ມີຂອບ DeepSeek, ໂດຍສຸມໃສ່ການເພີ່ມປະສິດທິພາບ, ການວັດແທກປະລິມານ ແລະ ການບີບອັດຂອງຮູບແບບ AI. ຕົວເພີ່ມປະສິດທິພາບທີ່ຂັບເຄື່ອນດ້ວຍ AI ທີ່ມີນະວັດຕະກໍາ Neutrino ຂອງມັນສາມາດບີບອັດຮູບແບບການຮຽນຮູ້ເລິກຂະໜາດໃຫຍ່ໃຫ້ເຫຼືອໜຶ່ງສ່ວນສິບຂອງຂະໜາດເດີມ ໃນຂະນະທີ່ຮັກສາຄວາມຖືກຕ້ອງຫຼາຍກວ່າ 98%. ຜ່ານສາມເຕັກໂນໂລຢີຫຼັກຄື: ການຕັດນ້ຳໜັກ (ການລຶບພາລາມິເຕີທີ່ຊໍ້າຊ້ອນ), ການວັດແທກປະລິມານ (ການຫຼຸດຜ່ອນຄວາມຕ້ອງການຄວາມຖືກຕ້ອງຂອງການຄິດໄລ່) ແລະ ການກະແຈກກະຈາຍ (ການເພີ່ມສັດສ່ວນຂອງນ້ຳໜັກທີ່ມີຄ່າສູນ), ຮູບແບບ AI ຂະໜາດໃຫຍ່ສາມາດເຮັດວຽກໄດ້ໄວຂຶ້ນ, ນ້ອຍລົງ ແລະ ປະຫຍັດພະລັງງານຫຼາຍຂຶ້ນໃນອຸປະກອນຂອບ. ແອັບພລິເຄຊັນທີ່ຕ້ອງການຄວາມສາມາດໃນການປະມວນຜົນແບບຄລາວໃນເມື່ອກ່ອນສາມາດເຮັດວຽກໄດ້ຢ່າງລຽບງ່າຍໃນອຸປະກອນຂອບເຊັ່ນ: ກ້ອງຖ່າຍຮູບໂທລະສັບສະຫຼາດ ແລະ ເຊັນເຊີອຸດສາຫະກຳ.

Deeplite ໄດ້ຮັບຄວາມສົນໃຈຢ່າງຫຼວງຫຼາຍໃນຊ່ວງຕົ້ນໆ ແລະ ໄດ້ຮັບການຂະໜານນາມໃຫ້ເປັນຜູ້ປະດິດສ້າງ AI ຊັ້ນນຳໂດຍ Gartner, Forbes, Inside AI, ແລະ ARM AI. ການຊື້ກິດຈະການນີ້ແມ່ນກ່ຽວຂ້ອງຢ່າງໃກ້ຊິດກັບການຫັນປ່ຽນຍຸດທະສາດຂອງ STMicroelectronics ໄປສູ່ edge AI, ເຊິ່ງລວມເອົາຮາດແວ ແລະ ຊອບແວໃນລັກສະນະ "double helix". ເທັກໂນໂລຢີການເພີ່ມປະສິດທິພາບຂອງ Deeplite ໄດ້ຖືກປະສົມປະສານຢ່າງເລິກເຊິ່ງກັບ MCU ຊຸດ STM32 ຂອງ STMicroelectronics ແລະ NPU ທີ່ອຸທິດຕົນເພື່ອສະໜັບສະໜູນການສ້າງວິທີແກ້ໄຂ AI ແບບ end-to-end. ຕົວຢ່າງ, ໃນສະຖານະການໂຮງງານອັດສະລິຍະ, ກ້ອງຖ່າຍຮູບທີ່ມີຊິບ STMicroelectronics ສາມາດກວດຫາຂໍ້ບົກພ່ອງໂດຍກົງໂດຍບໍ່ຕ້ອງອັບໂຫຼດຂໍ້ມູນໄປຍັງຄລາວ, ແລະ ຄວາມໄວໃນການຕອບສະໜອງເພີ່ມຂຶ້ນ 40 ເທົ່າ.

ໃນທາງກົງກັນຂ້າມ, Deeplite ມີທີມງານວິສະວະກອນອັລກໍຣິທຶມ AI ລະດັບໂລກ, ເຊິ່ງ ST ຈະລວມເອົາເຄື່ອງມືພັດທະນາ AI ຫຼາຍກວ່າ 200 ເຄື່ອງມືເພື່ອສ້າງລະບົບນິເວດການພັດທະນາແບບລວມສູນຂອງ "ເວທີຫ້ອງສະໝຸດແບບຈຳລອງ-ເຄື່ອງເພີ່ມປະສິດທິພາບ-ຮາດແວ". ສະຫຼຸບແລ້ວ, ການຊື້ກິດຈະການຂອງ Deeplite ບໍ່ພຽງແຕ່ເຮັດໃຫ້ສຳເລັດຊິ້ນສ່ວນສຸດທ້າຍຂອງປິດສະໜາຂອງ ST ໃນລະດັບຊອບແວ AI ເທົ່ານັ້ນ, ແຕ່ຍັງໝາຍເຖິງການປ່ຽນແປງແບບຢ່າງຂອງອຸດສາຫະກຳເຄິ່ງຕົວນຳຈາກ "ການຜະລິດຊິບ" ໄປສູ່ "ການຜະລິດສະໝອງ".

NXP ຊື້ບໍລິສັດ NPU Kinara ເພື່ອປັບຕຳແໜ່ງ Smart Edge ໃໝ່

ໃນເດືອນກຸມພາປີນີ້, NXP ໄດ້ປະກາດການຊື້ກິດຈະການ Kinara ເຊິ່ງເປັນບໍລິສັດ startup ຊິບ AI edge ຂອງສະຫະລັດໃນລາຄາ 307 ລ້ານໂດລາສະຫະລັດ. Kinara ຖືກສ້າງຕັ້ງຂຶ້ນໃນປີ 2013 ແລະ ໃນເບື້ອງຕົ້ນມີຊື່ວ່າ Core Viz, ຕໍ່ມາໄດ້ປ່ຽນຊື່ເປັນ Deep Vision, ແລະ ໄດ້ປ່ຽນຊື່ເປັນ Kinara ໃນປີ 2022. NPU ແບບແຍກສ່ວນຂອງ Kinara (ລວມທັງ Ara-1 ແລະ Ara-2) ນຳພາອຸດສາຫະກຳໃນດ້ານປະສິດທິພາບ ແລະ ປະສິດທິພາບດ້ານພະລັງງານ, ເຮັດໃຫ້ມັນເປັນທາງອອກທີ່ຕ້ອງການສຳລັບແອັບພລິເຄຊັນ AI ທີ່ເກີດຂຶ້ນໃໝ່ທີ່ຂັບເຄື່ອນໂດຍວິໄສທັດ, ສຽງ, ທ່າທາງ ແລະ ການຈັດຕັ້ງປະຕິບັດ AI ສ້າງສັນອື່ນໆ, ແລະ ຄວາມສາມາດໃນການຂຽນໂປຣແກຣມຂອງມັນຮັບປະກັນວ່າມັນສາມາດປັບຕົວເຂົ້າກັບອັລກໍຣິທຶມ AI ທີ່ພັດທະນາຢູ່ໄດ້.

NXP ກ່າວວ່າ ການຊື້ກິດຈະການນີ້ຈະລວມເອົາ NPU ເອກະລາດຂອງ Kinara ເຂົ້າກັບໂປເຊດເຊີ, ການເຊື່ອມຕໍ່ ແລະ ຊອບແວຄວາມປອດໄພຂອງຕົນເອງ, ເຊິ່ງຈະຊ່ວຍໃຫ້ແພລດຟອມ AI ທີ່ສົມບູນ ແລະ ສາມາດຂະຫຍາຍໄດ້ຕັ້ງແຕ່ TinyML ຈົນເຖິງ AI ທີ່ສ້າງສັນເພື່ອຕອບສະໜອງຄວາມຕ້ອງການ AI ທີ່ເຕີບໂຕຢ່າງໄວວາຂອງຕະຫຼາດອຸດສາຫະກຳ ແລະ ລົດຍົນ. ສິ່ງນີ້ຈະຊ່ວຍສ້າງລະບົບທີ່ຂັບເຄື່ອນດ້ວຍ AI ໃໝ່ໃນຂົງເຂດອຸດສາຫະກຳ ແລະ IoT, ຊ່ວຍລູກຄ້າຫຼຸດຜ່ອນຄວາມຊັບຊ້ອນ, ເລັ່ງເວລາໃນການເຂົ້າສູ່ຕະຫຼາດ, ແລະ ເສີມຂະຫຍາຍຄວາມສາມາດດ້ານເຕັກນິກໃນຂົງເຂດຕ່າງໆເຊັ່ນ: ລົດອັດສະລິຍະ, ກ້າວໄປສູ່ຂົງເຂດທີ່ມີມູນຄ່າເພີ່ມສູງ.

Edge AI: ສະໜາມຮົບສຳລັບຜູ້ຜະລິດ MCU

ມີຄວາມເຂົ້າໃຈຜິດມາດົນແລ້ວໃນຂົງເຂດປັນຍາປະດິດວ່າ "ຂະໜາດແມ່ນພະລັງ". ເຖິງແມ່ນວ່າຮູບແບບຂະໜາດໃຫຍ່ມີປະສິດທິພາບທີ່ດີເລີດ, ແຕ່ພວກມັນກໍ່ປະເຊີນກັບສິ່ງທ້າທາຍໃນການນຳໃຊ້ຕົວຈິງ - ການໃຊ້ພະລັງງານສູງຂອງພວກມັນແມ່ນຂັດກັບຄວາມຕ້ອງການນ້ຳໜັກເບົາໃນດ້ານຂອບ. ຜູ້ຊ່ຽວຊານດ້ານອຸດສາຫະກຳໄດ້ຊີ້ໃຫ້ເຫັນຊ້ຳແລ້ວຊ້ຳອີກກ່ຽວກັບຂໍ້ຈຳກັດທີ່ມີຢູ່ໃນສະຖານະການການນຳໃຊ້ຮູບແບບຂະໜາດໃຫຍ່: ໃນດ້ານໜຶ່ງ, ການຝຶກອົບຮົມ ແລະ ການດຳເນີນຮູບແບບຂະໜາດໃຫຍ່ຕ້ອງການຊັບພະຍາກອນການປະມວນຜົນຈຳນວນຫຼວງຫຼາຍ; ໃນທາງກົງກັນຂ້າມ, ຂົງເຂດສຳຄັນສຳລັບການສົ່ງເສີມອຸດສາຫະກຳຂອງປັນຍາປະດິດແມ່ນການປະມວນຜົນຂອບ ແລະ ອຸປະກອນປາຍທາງທີ່ມີຄວາມອ່ອນໄຫວຕໍ່ການໃຊ້ພະລັງງານ ແລະ ຄວາມຊັກຊ້າຫຼາຍກວ່າ.

ມັນບໍ່ຍາກທີ່ຈະເຂົ້າໃຈວ່າການຊື້ກິດຈະການຂ້າງເທິງສະແດງໃຫ້ເຫັນວ່າສະໜາມຮົບຫຼັກຂອງ MCU ກຳລັງປ່ຽນໄປສູ່ການປະມວນຜົນ AI ທີ່ທັນສະໄໝ. ຄາດວ່າພາຍໃນປີ 2025, 75% ຂອງຂໍ້ມູນຈະຖືກປະມວນຜົນຢູ່ edge, ເຊິ່ງເນັ້ນໃຫ້ເຫັນເຖິງທ່າແຮງອັນໃຫຍ່ຫຼວງຂອງຕະຫຼາດ MCU AI ທີ່ທັນສະໄໝ. ນີ້ສະແດງໃຫ້ເຫັນວ່າຄວາມຕ້ອງການສຳລັບການປະມວນຜົນ AI ທີ່ທັນສະໄໝກຳລັງເຕີບໂຕຢ່າງໄວວາ, ແລະ MCU, ໃນຖານະເປັນອົງປະກອບຫຼັກຂອງອຸປະກອນ edge, ຈະມີບົດບາດສຳຄັນໃນແນວໂນ້ມນີ້.

ໃນອະນາຄົດ, MCU ຈະບໍ່ຖືກຈຳກັດພຽງແຕ່ໜ້າທີ່ຄວບຄຸມແບບດັ້ງເດີມອີກຕໍ່ໄປ, ແຕ່ຈະຄ່ອຍໆລວມເອົາຄວາມສາມາດໃນການໃຊ້ເຫດຜົນຂອງ AI ແລະ ນຳໃຊ້ກັບສະຖານະການຕ່າງໆເຊັ່ນ: ການຮັບຮູ້ຮູບພາບ, ການປະມວນຜົນສຽງ, ແລະ ການບຳລຸງຮັກສາອຸປະກອນແບບຄາດເດົາ. MCU ທີ່ມີຄວາມສາມາດໃນການປະມວນຜົນແບບ edge computing ຈະກາຍເປັນຕົວນຳທີ່ສຳຄັນຂອງພະລັງງານການປະມວນຜົນແບບ edge computing ດ້ວຍການໃຊ້ພະລັງງານຕ່ຳ, ປະສິດທິພາບສູງ, ແລະ ການຕອບສະໜອງທັນທີ, ໃຫ້ການສະໜັບສະໜູນທີ່ເຂັ້ມແຂງກວ່າສຳລັບອຸປະກອນ ແລະ ລະບົບອັດສະລິຍະ.

ຜູ້ຜະລິດ MCU รายใหญ่ອື່ນໆກໍ່ກຳລັງຊື້ ແລະ ແຂ່ງຂັນກັນຢ່າງຫ້າວຫັນໃນຂົງເຂດນີ້, ເຊັ່ນ: ການຊື້ກິດຈະການ Reality AI ຂອງ Renesas Electronics, ການຊື້ກິດຈະການ Imagimob ຂອງ Infineon ຂອງຊູແອັດ, ແລະ ການເປີດຕົວຊອບແວການຮຽນຮູ້ຂອງເຄື່ອງຈັກ eIQ ແລະ ລະບົບຕ່ອງໂສ້ເຄື່ອງມື AI NANO ຂອງ NXP.

ສາມາດສະຫຼຸບໄດ້ວ່າ edge AI ຈະກາຍເປັນສະໜາມຮົບທີ່ສຳຄັນສຳລັບ MCU ໃນອີກສອງສາມປີຂ້າງໜ້າ.

ເຄື່ອງໃຊ້ໄຟຟ້າຍານຍົນ: ຈຸດສຸມຂອງການແຂ່ງຂັນດ້ານທຶນຮອນ

ບໍ່ດົນມານີ້, ການລວມຕົວ ແລະ ການຊື້ກິດຈະການຂອງເຄິ່ງຕົວນຳທີ່ກ່ຽວຂ້ອງກັບການນຳໃຊ້ໃນລົດຍົນໄດ້ປາກົດຂຶ້ນເລື້ອຍໆ. ນອກເໜືອໄປຈາກພະລັງງານຄອມພິວເຕີ, ວິວັດທະນາການຂອງລະບົບສົ່ງກຳລັງລົດຍົນ, ການເຊື່ອມຕໍ່ເຄືອຂ່າຍໃນລົດຍົນ, ສຽງໃນລົດຍົນ ແລະ ເຕັກໂນໂລຊີອື່ນໆຍັງໄດ້ຊຸກຍູ້ໃຫ້ມີການປັບປຸງ ແລະ ອັບເດດເຕັກໂນໂລຊີເຄິ່ງຕົວນຳ, ເຊິ່ງກະຕຸ້ນໃຫ້ບໍລິສັດທີ່ກ່ຽວຂ້ອງເສີມຮູບແບບເຕັກໂນໂລຊີຂອງຕົນເອງຜ່ານການລວມຕົວ ແລະ ການຊື້ກິດຈະການ.

ອຸດສາຫະກຳເຄິ່ງຕົວນຳແມ່ນອຸດສາຫະກຳທີ່ໃຊ້ເຕັກໂນໂລຊີຫຼາຍ ແລະ ໃຊ້ທຶນຫຼາຍ. ເມື່ອຫວນຄືນໄປເບິ່ງໃນໄລຍະສອງສາມທົດສະວັດທີ່ຜ່ານມາ, ການເຊື່ອມໂຍງ ແລະ ການລວມຕົວໄດ້ກາຍເປັນທ່າອ່ຽງທີ່ຫຼີກລ່ຽງບໍ່ໄດ້ໃນການພັດທະນາອຸດສາຫະກຳ.

ບໍລິສັດຍັກໃຫຍ່ດ້ານ AI ມັກຊື້ກິດຈະການເພື່ອປັບປຸງຮູບແບບເຕັກໂນໂລຢີຂອງເຂົາເຈົ້າ ແລະ ສ້າງປະໂຫຍດຈາກ "ຊິບ + ລະບົບ + ລະບົບນິເວດ". ຜູ້ຜະລິດ MCU ຫຼັກໆກຳລັງຄ່ອຍໆຫັນປ່ຽນໄປສູ່ AI ທີ່ທັນສະໄໝ, ພະຍາຍາມຍຶດເອົາຕະຫຼາດອຸປະກອນອັດສະລິຍະທີ່ມີການໃຊ້ພະລັງງານຕ່ຳ ແລະ ມີຄວາມຍືດຫຍຸ່ນສູງ. ໃນຂະແໜງຍານຍົນ, ການປະມວນຜົນໃນຍານພາຫະນະ, ການຂັບຂີ່ອັດຕະໂນມັດ ແລະ ການເຊື່ອມຕໍ່ຂໍ້ມູນໄດ້ກາຍເປັນຂົງເຂດຫຼັກຂອງການແຂ່ງຂັນທຶນ. ໃນເວລາດຽວກັນ, ອຸດສາຫະກຳ EDA ກຳລັງປ່ຽນຈາກການສະໜອງເຄື່ອງມືໄປສູ່ການສ້າງລະບົບນິເວດ. ບໍລິສັດຍັກໃຫຍ່ຕ່າງໆໄດ້ລວມເອົາ IP ແລະ ຂະບວນການອອກແບບ, ແລະ ສ້າງຄວາມໂດດເດັ່ນຂອງຕະຫຼາດຜ່ານສະຖາປັດຕະຍະກຳ "ເຄື່ອງມື-ສະຖາປັດຕະຍະກຳ-ມາດຕະຖານ".

ໃນຄື້ນຂອງການລວມຕົວ ແລະ ການຊື້ກິດຈະການນີ້, ການຮ່ວມມືດ້ານເຕັກໂນໂລຢີ, ການຂະຫຍາຍຕະຫຼາດ ແລະ ການຄອບງຳຂອງລະບົບນິເວດໄດ້ກາຍເປັນເຫດຜົນຫຼັກ. ບໍລິສັດຕ່າງໆຈຳເປັນຕ້ອງດຸ່ນດ່ຽງການເຊື່ອມໂຍງໄລຍະສັ້ນ ແລະ ການຄົ້ນຄວ້າ ແລະ ພັດທະນາໄລຍະຍາວ ທ່າມກາງການໄຫຼເຂົ້າຂອງທຶນ. ເນື່ອງຈາກອຸປະສັກດ້ານເຕັກໂນໂລຢີ ແລະ ລັກສະນະທີ່ໃຊ້ທຶນຫຼາຍຂອງອຸດສາຫະກຳເຄິ່ງຕົວນຳ, ການຫັນປ່ຽນນີ້ບໍ່ແມ່ນ "ທາງລັດ" ແຕ່ເປັນ "ການແຂ່ງຂັນມາຣາທອນ" ທີ່ຕ້ອງການການລົງທຶນໄລຍະຍາວ.