边缘AI设备的生命周期可能长达数年甚至数十年，需要设备支持处理未来的机器学习（ML）算法。

尽管我们可能还不知道这些算法会是什么样子，但可以肯定的是，它们将比我们目前为边缘AI设备提供的工作负载更加复杂，要求更高。

如今，大多数边缘AI设备的每瓦功率约为4 TOPS至5 TOPS。这对于基本的ML例程已经足够了，但是与AI计算的数据中心产品相比无可比拟。

降低边缘AI的功率曲线

SiMa.ai的初衷是缩小这种性能鸿沟：重新定义当今与边缘AI相关的性能。然而，要在边缘AI设备中达到任何类似于云性能的性能，都需要显着降低功耗，或者说，是显着提高每瓦TOPS。

考虑到这一目标，我们开发了MLSoC（片上机器学习系统）平台，目标是每瓦10 TOPS的峰值。对于5瓦的嵌入式电源，我们的ML加速器最多可以达到50个TOPS。这足以支持传统上需要在被动冷却的边缘AI设备中实现云性能的AI工作负载。

我们将异构MLSoC设计为能够处理客户一段时间后创建的工作负载，但是还能够针对未来尚未确认的工作负载进行验证。与数据中心不同，数据中心可以随着新的组件迭代进入市场而进行升级，而内置在边缘AI设备中的硬件则是在将其放入芯片的那一天设置的。

我们针对这一挑战的解决方案将Arm的传统计算IP与我们自己的机器学习加速器和专用视觉加速器相结合。作为低功耗计算的市场领导者，Arm IP是构建MLSoC的安全平台的明显选择。在与客户紧密合作以定义其应用程序的计算要求之后，我们选择了Arm Cortex -A65 CPU：这是很大程度上取决于客户需求（从性能到软件工具链）的决策。

尽管SiMa.ai的MLSoC能够处理诸如自然语言处理（NLP）之类的各种ML工作负载，但最初已针对计算机视觉应用进行了优化。从终端摄像头到自拍，计算机视觉已经成为许多边缘AI用例的核心，并且我们相信，在高端监控，人群控制和热扫描等未来应用中，计算机视觉的应用只会增加。

计算机视觉为终端AI开启了未来的复杂用例

将视觉加速器与ML加速器结合使用还可以确保MLSoC能够处理复杂的工作负载，例如来自多个传感器的传感器融合，这使其能够在从工业自动驾驶到工业IoT环境中的自动驾驶系统中发挥作用，从消费者自动驾驶汽车到自动驾驶机器人。我们还预见了MLSoC在航空航天和国防领域中的作用。

当然，这些复杂的自主工作负载需要超过50个TOPS。这就是为什么我们将MLSoC设计为模块化的原因：通过专有互连将多个机器学习加速器镶嵌结合在一起，我们可以从5瓦的50 TOP扩展到40瓦的400 TOPS。

考虑到当今的5级自动驾驶汽车原型机耗电约4千瓦，这有可能将功耗降低100倍，并大大减少物理硬件的占地面积，同时减少对主动冷却的需求。

降低设备的功耗还有另一个很好的理由，这些设备很快将在成千上万的世界中占据一席之地。我们与之交谈的许多OEM和客户都非常清楚如何降低功耗，以便在2030年或更早之前实现碳中和。这就是我们想要设计低功耗的足够理由。

为开发人员提供所需的工具

我相信MLSoC将在边缘和边缘设备中实现低功耗AI方面发挥关键作用。但是我也知道，仅仅为以一定数量的TOPS为基准的解决方案提供Lisence是不够的。

当今市场上存在的许多解决方案都基于ResNet-50等基准来宣传其性能。但是，只有在实际条件下（即客户的工作量）可以达到的情况下，引用每秒帧数或每瓦TOPS才有意义。

我们的客户想要一件事：开发速度。他们可以多快上市。他们不想花费数月的开发周期来实现他们所承诺的性能，他们希望能够直接得到解决方案，然后使用简单而全面的工具添加自己的差异化特性。

我们计划在明年初发布MLSoC，以期在明年年底之前交付工程样品以及潜在的客户样品。但是，我们已经与客户紧密合作，以定义和构建他们的应用程序并将它们映射到我们的硬件，并且软件开发套件（SDK）将提前提供给客户。

这意味着他们将能够遍历整个流程，开发其应用程序并运行仿真，以便在芯片正式商用后，产品可以编译即用。

而且由于MLSoC以Arm技术为基础，因此我们的客户可以确保他们将拥有不仅需要构建下一代，而且还要构建许多后代的高性能，低功耗AI设备所需的软件，工具和持续支持。