Arm在2018年2月推出自己的人工智能平臺：Project Trillium。在硬件IP層面，除了支持機器學習功能的Cortex -A/Cortex-M CPU與Mali GPU，Project Trillium平臺還帶來了全新的機器學習專用IP核，即面向通用機器學習應用的機器學習處理器（ML Processor），以及監(jiān)控、視頻識別場景專用的目標檢測處理器（OD Processor）。

在3月7日北京Arm全球技術發(fā)布會上，Arm資深市場營銷總監(jiān)Ian Smythe表示，Trillium項目是Arm一個全新的技術產品架構，該項目能夠為客戶帶來最靈活、最高可擴展的機器學習產品方案?！拔覀兿嘈臫rilium項目能夠為客戶帶去市場上最優(yōu)秀的機器學習專用芯片和目標檢測專用芯片?！?

據(jù)Ian介紹，Trillium項目中的機器學習處理器和目標檢測處理器均為全新設計，與原有CPU、GPU相比，新處理器在機器學習應用上的性能與效率均有大幅提升。機器學習處理器，可支持7納米工藝，具備每平方毫米4.6萬億次每秒（4TOPs）的計算力，效率可達3萬億次計算每秒每瓦（3TOPs/W），能否滿足移動設備對效率和成本的需求?！斑@款機器學習處理器專門為機器學習和神經網(wǎng)絡引用而設計，其性能密度非常高，能效比也非常好，在實際應用中優(yōu)化以后，性能還可以提高2到4倍。” Ian指出，機器學習首款芯片將在2018年中面世。

Arm的第一代目標檢測處理器已經投產，技術來源于2016年收購的Apical公司。跟隨Trillium推出的是第二代目標檢測處理器，性能上有了更大提升，在全高清分辨率下可以做到實時每秒60幀的檢測，而對目標物的檢測數(shù)量幾乎沒有限制。

在硬件IP之上，Arm也提供完整的機器學習軟件框架，其中有針對Arm所有硬件的專用計算庫，同時它也支持市場上所有主流人工智能框架。Arm 機器學習計算平臺能夠支持多樣化的機器學習使用場景，并且支持各式各樣的設備?！癆rm機器學習解決方案所應用的第一個市場細分，就是移動手機以及智能攝像頭的市場。但Trillium項目的目標是非常明確的，最終ML將會實現(xiàn)全場景的覆蓋。”

機器學習正在由數(shù)據(jù)中心走向邊緣設備，由于應用特性，在帶寬、功耗、基礎建設成本、用戶體驗、可靠性與安全方面，邊緣機器學習設備更有優(yōu)勢?！癆rm的機器學習平臺高可擴展的，從低至2到20GOPs，到高至70TOPs的應用，Arm都有相應產品。但是我們在做機器學習處理器時，首先要做到的是從小做起，從最低端的機器學習應用做起。”

附錄：Arm Trillium平臺簡介

性能

Arm全新的機器學習和目標檢測處理器不僅相比于獨立的CPU, GPU和各種加速器有了顯著的效率提升，而且遠勝像DSP這樣的傳統(tǒng)可編程邏輯處理器。

Arm 機器學習處理器是專門針對機器學習而重新設計的。它基于高度可擴展的Arm 機器學習架構， 并達到了機器學習應用場景要求的最高性能和效率：

• 在移動計算領域，Arm 機器學習處理器可以提供每秒超過4.6萬億次的運算能力。

• 憑借智能數(shù)據(jù)管理，每秒萬億次的運算(TOPs， Trillion Operations Per Second)在實際應用中可以進一步實現(xiàn)2~4倍的有效吞吐量的提升。

• 在散熱和和成本受限的環(huán)境下，Arm 機器學習處理器能夠以超過每瓦特每秒3萬億次運算操作的效能（TOPs/W）達到無以倫比的性能。有關Arm機器學習處理器的更多細節(jié)可在我們的網(wǎng)站上找到。

Arm 目標檢測處理器是專門為高效識別人或其他物體而設計的，它能夠在每幀圖像中識別出的物體對象的數(shù)目幾乎不受限制：

• 在全高清分辨率下可以做到實時每秒60幀的檢測。

• 性能可以達到傳統(tǒng)DSP的80倍，并且相對于以往的Arm技術，檢測質量有了顯著提高。有關Arm 目標檢測處理器的更多細節(jié)可在我們的網(wǎng)站上找到。

組合使用時，Arm深度學習處理器和目標檢測處理器性能表現(xiàn)會更好，它們搭配能夠提供高性能、高能效的人物檢測和識別解決方案。基于這些技術，用戶們將會在省電的模式下，在他們的智能設備上盡情體驗高分辨率的，且實時、精細的人臉識別功能。

當和Arm Compute Library和CMSIS-NN一起使用時, Arm神經網(wǎng)絡（NN）軟件庫專門為神經網(wǎng)絡運算（NN）進行了優(yōu)化，并且無縫的把如TensorFlow、Caffe和Android NN等神經網(wǎng)絡框架和全系列的Arm Cortex® CPU, Arm Mali? GPU, 和機器學習處理器高效連接在一起。這樣開發(fā)人員能夠充分利用底層Arm硬件的能力和性能，從而從ML應用中獲得最高的性能。關于Arm NN軟件的更多細節(jié)可在我們的網(wǎng)站上找到。