· 小巧的Ceva-NeuPro-Nano NPU帶來(lái)了超低功耗與最佳性能的優(yōu)化平衡，可在消費(fèi)、工業(yè)和通用 AIoT 產(chǎn)品中高效執(zhí)行 TinyML 工作負(fù)載

· 用于 Ceva-NeuPro NPU 系列的 Ceva-NeuPro Studio完善了 AI SDK，支持包括TensorFlow Lite for Microcontrollers和 microTVM的開(kāi)放式 AI 框架，可加快開(kāi)發(fā) TinyML 應(yīng)用

· Ceva 憑借在物聯(lián)網(wǎng)連接方面的市場(chǎng)領(lǐng)導(dǎo)地位以及在音頻和視覺(jué)傳感方面的強(qiáng)大專業(yè)知識(shí)，開(kāi)發(fā)針對(duì)嵌入式設(shè)備的優(yōu)化 NPU，幫助半導(dǎo)體企業(yè)和 OEM廠商發(fā)揮邊緣人工智能的潛力

幫助智能邊緣設(shè)備更可靠、更高效地連接、感知和推斷數(shù)據(jù)的全球領(lǐng)先半導(dǎo)體產(chǎn)品和軟件IP授權(quán)許可廠商Ceva公司(納斯達(dá)克股票代碼：CEVA) 宣布推出Ceva-NeuPro-Nano NPU以擴(kuò)展其Ceva-NeuPro Edge AI NPU產(chǎn)品系列。這些自給自足的高效NPU可為半導(dǎo)體企業(yè)和OEM廠商提供所需的功耗、性能和成本效益，以便在用于消費(fèi)、工業(yè)和通用 AIoT 產(chǎn)品的SoC 中集成TinyML模型。

TinyML是指在低功耗、資源受限的設(shè)備上部署機(jī)器學(xué)習(xí)模型，從而將人工智能引入物聯(lián)網(wǎng) (IoT)。物聯(lián)網(wǎng)設(shè)備對(duì)高效、專業(yè)的人工智能解決方案的需求日益增加，推動(dòng)了TinyML市場(chǎng)快速增長(zhǎng)。根據(jù)研究機(jī)構(gòu)ABI Research預(yù)測(cè)，到 2030 年，超過(guò)40% 的TinyML出貨量將采用專用 TinyML 硬件，而非由通用MCU驅(qū)動(dòng)。Ceva-NeuPro-Nano NPU解決了TinyML所面臨的特定性能難題，以實(shí)現(xiàn)無(wú)處不在和經(jīng)濟(jì)實(shí)用的人工智能，廣泛應(yīng)用于消費(fèi)和工業(yè)物聯(lián)網(wǎng)應(yīng)用中的語(yǔ)音、視覺(jué)、預(yù)測(cè)性維護(hù)和健康感知等領(lǐng)域。

新型 Ceva-NeuPro-Nano 嵌入式AI NPU架構(gòu)完全可編程，可高效執(zhí)行神經(jīng)網(wǎng)絡(luò)、特征提取、控制代碼和 DSP 代碼，并支持最先進(jìn)的機(jī)器學(xué)習(xí)數(shù)據(jù)類(lèi)型和運(yùn)算符，包括原生變換器計(jì)算、稀疏性加速和快速量化。與需要結(jié)合CPU或DSP并且基于 AI 加速器架構(gòu)的現(xiàn)有TinyML 工作負(fù)載處理器解決方案相比，這種優(yōu)化的自給自足架構(gòu)使得Ceva-NeuPro-Nano NPU具有更高的能效、更小的硅片尺寸以及更佳性能。此外，Ceva-NetSqueeze AI壓縮技術(shù)可直接處理壓縮模型權(quán)重，省去中間的解壓縮階段，這減少了80%的Ceva-NeuPro-Nano NPU內(nèi)存占用，從而解決了阻礙AIoT處理器廣泛應(yīng)用的關(guān)鍵瓶頸問(wèn)題。

Ceva副總裁兼?zhèn)鞲衅骱鸵纛l業(yè)務(wù)部門(mén)總經(jīng)理Chad Lucien表示：“Ceva-NeuPro-Nano將TinyML應(yīng)用集成到低功耗物聯(lián)網(wǎng)SoC和MCU中，并且以我們的企業(yè)戰(zhàn)略為基礎(chǔ)，通過(guò)先進(jìn)的連接、傳感和推理能力為智能邊緣設(shè)備賦能，為企業(yè)開(kāi)創(chuàng)了難能可貴的機(jī)會(huì)。Ceva-NeuPro-Nano系列NPU使得更多公司能夠?qū)⑷斯ぶ悄軒脒吘墤?yīng)用，從而制造具有先進(jìn)功能集的智能物聯(lián)網(wǎng)設(shè)備，為客戶創(chuàng)造更多的價(jià)值。我們?cè)跓o(wú)線物聯(lián)網(wǎng)連接方面具有行業(yè)領(lǐng)先地位，在音頻和視覺(jué)傳感方面亦擁有強(qiáng)大專業(yè)技術(shù)，具備獨(dú)一無(wú)二的市場(chǎng)條件，能夠幫助客戶發(fā)揮TinyML的巨大潛力，實(shí)現(xiàn)創(chuàng)新的解決方案，從而增強(qiáng)用戶體驗(yàn)、提高效率，并為建設(shè)更智能、更互聯(lián)的世界做出貢獻(xiàn)?！?

ABI Research 行業(yè)分析師 Paul Schell 表示：“對(duì)于在智能邊緣物聯(lián)網(wǎng)設(shè)備上實(shí)現(xiàn)人工智能，Ceva-NeuPro-Nano可以滿足電池供電設(shè)備對(duì)功耗、性能和成本的要求，實(shí)現(xiàn)語(yǔ)音、視覺(jué)和傳感用例在廣泛終端市場(chǎng)的始終在線應(yīng)用，令人刮目相看。從 TWS 耳機(jī)、耳塞、可穿戴設(shè)備和智能揚(yáng)聲器到工業(yè)傳感器、智能電器、家居自動(dòng)化設(shè)備、攝像頭等，Ceva-NeuPro-Nano可以在能源受限的 AIoT 設(shè)備中實(shí)施 TinyML?！?

Ceva-NeuPro-Nano NPU提供兩款配置，包括配備32個(gè)int8 MAC的Ceva-NPN32和配備64個(gè)int8 MAC的Ceva-NPN64，兩種配置都通過(guò)Ceva-NetSqueeze獲得直接處理壓縮模型權(quán)重功能。Ceva-NPN32 針對(duì)語(yǔ)音、音頻、物品檢測(cè)和異常檢測(cè)用例的大多數(shù) TinyML工作負(fù)載進(jìn)行了高度優(yōu)化;Ceva-NPN64則利用權(quán)重稀疏性、更大內(nèi)存帶寬、更多MAC和4位權(quán)重支持提供2倍性能加速，從而提供更強(qiáng)大的性能，在設(shè)備上實(shí)現(xiàn)更復(fù)雜的人工智能用例 (如物品分類(lèi)、人臉檢測(cè)、語(yǔ)音識(shí)別和健康監(jiān)測(cè)等) 。

這些NPU隨附完整的人工智能SDK - Ceva-NeuPro Studio，這是為整個(gè)Ceva-NeuPro NPU系列提供一套通用工具的統(tǒng)一人工智能堆棧，支持包括TensorFlow Lite for Microcontrollers (TFLM) 和 microTVM (μTVM)的開(kāi)放式人工智能框架。

Ceva-NeuPro-Nano 主要特性

靈活的可擴(kuò)展NPU 架構(gòu)

· 完全可編程，高效執(zhí)行神經(jīng)網(wǎng)絡(luò)、特征提取、控制代碼和 DSP 代碼

· 設(shè)計(jì)具備可擴(kuò)展性能，滿足廣泛用例需求

o 具有每周期最多 64 個(gè) int8 MAC的MAC 配置

· 面向未來(lái)的架構(gòu)，支持最先進(jìn)的 ML 數(shù)據(jù)類(lèi)型和運(yùn)算符

o 支持 4 位至 32 位整數(shù)

o 原生變換器計(jì)算

· 利用先進(jìn)的機(jī)制為所有用例提供終極 ML 性能

o 稀疏性加速

o 非線性激活類(lèi)型加速

o 快速量化

超低內(nèi)存需求邊緣 NPU

· 用于NN計(jì)算、特征提取、控制代碼和DSP代碼的高效單核設(shè)計(jì)，可讓這些計(jì)算密集型任務(wù)省去配套MCU

· 通過(guò) Ceva-NetSqueeze 直接處理壓縮模型權(quán)重，省去中間的解壓縮階段，最多可減少 80% 的內(nèi)存占用

通過(guò)創(chuàng)新能源優(yōu)化技術(shù)實(shí)現(xiàn)超低能耗

· 自動(dòng)化的即時(shí)能源調(diào)整

· 通過(guò)使用權(quán)重稀疏性加速對(duì)計(jì)算進(jìn)行提煉，大幅降低能耗和帶寬需求

易于使用的完備人工智能 SDK

· Ceva-NeuPro Studio為所有Ceva-NeuPro NPU (從全新Ceva-NeuPro-Nano到功能強(qiáng)大的Ceva-NeuPro-M) 提供統(tǒng)一的人工智能堆棧，具有簡(jiǎn)便的點(diǎn)擊運(yùn)行使用體驗(yàn)

· 加速軟件的開(kāi)發(fā)和部署，從而縮短產(chǎn)品上市時(shí)間

· 經(jīng)過(guò)優(yōu)化，可與包括 TFLM 和 μTVM 在內(nèi)的領(lǐng)先開(kāi)放式人工智能推理框架無(wú)縫協(xié)作

· Model Zoo包含預(yù)訓(xùn)練和優(yōu)化的TinyML 模型，涵蓋語(yǔ)音、視覺(jué)和傳感用例

· 靈活適應(yīng)新的模型、應(yīng)用和市場(chǎng)需求

· 全面的優(yōu)化運(yùn)行時(shí)間程序庫(kù)和現(xiàn)成的特定應(yīng)用軟件組合