Der Umsatz mit IoT AI Chipset soll bis 2030 7,3 Mrd. USD überschreiten
Während NPUs für TinyML in persönlichen und beruflichen Geräten etabliert wurden, haben sie erst kürzlich begonnen, in IoT-Anwendungen Einzug zu halten.
Embedded-Chipset-Hersteller konzentrieren sich zunehmend auf Neural Processing Units (NPUs) für Internet-of-Things-(IoT)-Anwendungen, dank der effizienten Ausführung von neuronalen Netzwerklasten durch diese Architektur. Da Nutzer mehr Erkenntnisse und Intelligenz am Netzwerkrand suchen, werden NPUs einen zunehmenden Anteil an den Gesamtversandmengen ausmachen, zulasten bestehender Mikrocontroller (MCUs). Der Chipset-Umsatz für AI-spezifische Chips für IoT-Anwendungen wird bis 2030 laut ABI Research 7,3 Milliarden US-Dollar übersteigen.
„NPUs für TinyML-Anwendungen in persönlichen und beruflichen Geräten (PWD) sind gut etabliert. Allerdings befinden sie sich außerhalb dieses Gerätebereichs noch in ihren Anfängen, wobei große Hersteller wie STMicroelectronics, Infineon und NXP Semiconductors diese Art von ASIC erst kürzlich in ihre Embedded-Portfolios aufgenommen haben“, sagte Paul Schell, Branchenanalyst bei ABI Research. „Die Analyse von PWDs bietet tiefere Einblicke in die Modellierung von IoT-Anwendungen in 15 verschiedenen Branchen, einschließlich der wichtigsten Bereiche Smart Home und Fertigung.“
Auf der Softwareseite sind umfassende MLOps-Toolchains heute ein „Must-have“ für Anbieter aller Größenordnungen, darunter Startups wie Syntiant, GreenWaves, Aspinity und Innatera. Bei größeren Formfaktoren werden Investitionen in Softwareprodukte oft mit Hardware-F&D-Ausgaben kombiniert, wobei der Anbieter Eta Compute mit NXP zusammenarbeitet, um dessen Aptos-Softwareplattform zu lizenzieren. Diese Innovationen demokratisieren auch die Bereitstellung von TinyML, indem sie den Bedarf an internem Data-Science-Personal reduzieren.
Die Integration hochleistungsfähiger Architekturen wie NPUs und einiger FPGAs in eingebettete Geräte wird das Anwendungsspektrum erweitern, das auf diesen Geräten ausgeführt werden kann – von der Objekterkennung bis zur einfachen Objektklassifizierung für Machine-Vision-Anwendungsfälle sowie einigen NLP-Anwendungen für audio-basierte Analysen. „Mit dem Trend hin zu größeren Edge-Formfaktoren wie PCs und Gateways wird dies die Skalierbarkeit von KI unterstützen, indem es Netzkosten reduziert und die Abhängigkeit von der Cloud verringert. Daher erwarten wir, dass der TinyML-Markt mit diesen Innovationen wächst, vorangetrieben hauptsächlich durch die Aufrüstung ihrer IoT-Implementierungen durch große industrielle Basen, die zunehmende Intelligenz von Fahrzeugen und Smart-Home-Geräte.“
Übernommen aus: International Electronic Commerce, automatisch übersetzt von Google