Alif Semiconductorin perustaja Reza Kazerounian kertoo ETN:n haastattelussa, että generatiivisen tekoälyn todellinen läpimurto tapahtuu vasta, kun se tuodaan pilvestä pienille, äärimmäisen vähävirtaisille laitteille. Alifin visio on tuoda tekoäly mikro-ohjaimille, jolloin miljardit reunalaitteet älykelloista teollisuussensoreihin voivat tehdä päätöksiä paikallisesti, reaaliaikaisesti ja ilman jatkuvaa verkkoyhteyttä.
1. Mikä inspiroi AI-mikro-ohjaimen kehitystä ja mikä oli alkuperäinen suunta?
Alif halusi alusta asti nähdä, mihin markkinat ovat menossa. Generatiivinen tekoäly kasvoi nopeasti pilvessä ja suurissa tietokoneissa, mutta sen todellinen potentiaali on vasta, kun se toimii reunalla – pienissä, akkukäyttöisissä laitteissa. Ajatus oli murtaa esteet, jotka estivät kehittyneen AI:n hyödyntämisen esimerkiksi puettavissa laitteissa, teollisuussensoreissa ja lääkinnällisissä ratkaisuissa.
2. Mikä on Arm Ethos-U NPU:n rooli mikro-ohjaimessa?
NPU toimii kuin grafiikkaprosessori pienelle CPU:lle: se siirtää raskaan neuroverkkolaskennan pois ytimestä ja suorittaa sen rinnakkaisarkkitehtuurilla. Tämä tuo jopa yli 100-kertaisen suorituskyvyn parannuksen ja mahdollistaa sen, että laite voi siirtyä nopeammin lepotilaan ja säästää akkua.
3. Mitkä tekijät ovat tärkeimpiä ultra-alhaisen virrankulutuksen optimoimisessa?
Keskeistä on tasapaino suorituskyvyn ja virrankulutuksen välillä. Tietojen säilyttäminen nopeassa SRAMissa maksimoi suorituskyvyn, mutta kasvattaa kulutusta. Alif hyödyntää MRAM-muistia mallien vakiodatojen säilyttämiseen, jolloin saavutetaan hyvä kompromissi: dynaaminen data RAMissa, pysyvä data haihtumattomassa muistissa.
4. Kuinka tärkeä rooli kehitystyökaluilla, kuten Conductorilla, on?
Kaikki tuottavuutta parantavat työkalut ovat hyödyllisiä. Emme halua pakottaa kehittäjiä uusiin suljettuihin alustoihin, vaan mahdollistaa tutut Arm-ekosysteemin työkalut. Conductor yksinkertaistaa Alifin omien piirien matalan tason konfiguroinnin – ilman asennuksia.
5. Millainen oppimiskäyrä kehittäjillä on, kun AI tuodaan MCU:ille?
Neuroverkkojen kanssa työskentely tuo uusia vaiheita kuten mallien valinnan, optimoinnin ja koulutusaineiston rakentamisen sovelluskontekstin mukaan. Ääni- ja kuvapohjaisissa sovelluksissa esimerkiksi kieli, murteet tai kameran sijoittelu vaikuttavat ratkaisevasti mallin laatuun.
6. Mitkä sovellukset hyötyvät eniten laitepään AI:sta ja mikä niitä vielä rajoittaa?
Heti hyödynnettävissä olevia alueita ovat puettavat laitteet ja teollisuussovellukset, joissa viiveettömyys ja nopea reagointi ovat ratkaisevia. Puettavat laitteet hyötyvät nopeasta laskennasta pienillä akuilla, ja teollisuudessa päätöksiä voidaan tehdä reunalla ilman raskasta datansiirtoa. Uusina esimerkkeinä toimivat vaikkapa jopa lasten lelut, joissa generatiivinen AI luo dynaamisia kokemuksia.
7. Kuinka pitkälle AI sulautetuissa järjestelmissä voi realistisesti mennä?
Sulautetuilla laitteilla tulee aina olemaan rajoitteita verrattuna pilveen. Tulevaisuudessa ratkaisu on hybridimalli, jossa osa toiminnoista toteutetaan paikallisesti, osa pilvessä. Esimerkiksi älylasit voivat pitää paikallisesti hallussa vain maan kielen, mutta lähettää muun kielisen tekstin pilveen käännettäväksi. Teknologia kehittyy nopeasti. Olemme vasta raapaisseet pintaa.
