Brainchip Klassengruppe WKN: A14Z7W ISIN: AU000000BRN8 Kürzel: BRN Forum: Aktien User: Rarosch

"Weiter zur Erklärung: Kunpeng 920 ist die branchenweit führende Arm-basierte Server-CPU. Unter Verwendung modernster 7-nm-Prozesse wurde die CPU unabhängig von HUAWEI basierend auf der Arm-Architekturlizenz entwickelt. Die Prozessorleistung wird durch Optimieren von Verzweigungsvorhersagealgorithmen, Erhöhen der Anzahl von Ausführungseinheiten und Verbessern der Architektur des Speichersubsystems erheblich verbessert. Bei typischen Frequenzen erzielt die Kunpeng 920 CPU mehr als geschätzte 930 auf SPECint®_rate_base2006, während die Energieeffizienz um 30 % besser ist als die ihrer Branchenkollegen. Kunpeng 920 bietet eine viel höhere Rechenleistung für Rechenzentren und senkt gleichzeitig den Stromverbrauch." siehe da

Ich werfe es Euch mal hin: Die Info habe ich aus dem WO-Forum von Optissium kopiert, danke erstmal dazu!... "Basierend auf dem unten angegebenen Link soll die KunPeng-CPU vier Akida-Knoten hosten. Der KunPeng-Prozessor stammt von HiSilicon und HiSilicon ist eine hundertprozentige Tochtergesellschaft von Huawei. Facilitating research on bleeding-edge HPC technologies The eX3 infrastructure is continuously under build-up and reconfiguration in order to keep up-to-date with the technology development. The following hardware resources, acquired in the first phase procurement, are currently available. For further details, please consult the eX3 wiki. https://www.ex3.simula.no/resources ..."

https://www.edgeimpulse.com/blog/breaking-news-ml-can-detect-the-sound-of-shattered-glass?s=35

Lässt mir einfach keine Ruhe. Hardwareplattform Nordic Thingy:53. Mit einem Arm-Cortex-M33 Für neuronale Netze 🧐

um auf eine "Ist-Situation" zu reagieren (Reh im Tunnel / Tagesbaustelle / Kind auf der Strasse / Unfallsituationen ect.) richtig reagieren zu können wird wohl beides von Nöten sein. ... Eine vorprogramierte Grundtechnik die von der Cloud auf den laufenden gehalten wird, sowie eine sichere Reaktion am Fahrzeug "on edge" durch Soft,-Hardware & Sensorik am Fahrzeug. .. Tesla hat ja eindeutig bewiesen das es mit einmaligen vorprogrammieren & paar Kammeras nicht getan ist. .....

Das kann ich leider nicht beurteilen.

Sehe ich anders. Im hochsensiblen Bereich Autonomes Fahren werden die Hersteller absolut auf Sicherheit setzen und nicht zu Systemen mit disruptiver Technologie tendieren, für die es keine Erfahrungsdaten gibt. Die ganzen Probleme mit den Tesla-Unfällen dürften da noch zusätzlich abschrecken.

https://brainchip.com/designing-smarter-and-safer-cars-with-essential-ai/

Assistiertes Fahren – Computer Vision Neben der Neudefinition des Fahrgasterlebnisses in der Kabine ermöglicht AKIDA fortschrittlichen Fahrerassistenzsystemen (ADAS) wie Computer Vision, Fahrzeuge, Fußgänger, Radfahrer, Schilder und Objekte mit unglaublich hoher Präzision zu erkennen. Insbesondere die Kombination von zweistufigen Objekterkennungs-Inferenzalgorithmen mit lokalem AKIDA-Silizium ermöglicht es Computer-Vision-Systemen, die Verarbeitung in zwei Hauptstufen effizient durchzuführen – am Sensor (Inferenz) und am KI-Beschleuniger (Klassifizierung). Unter Verwendung dieses Paradigmas analysieren Computer-Vision-Systeme schnell und effizient große Mengen an Inferenzdaten innerhalb spezifischer ROIs. Die intelligente Verfeinerung von Inferenzdaten eliminiert den Bedarf an rechenintensiver Hardware wie Allzweck-CPUs und -GPUs, die beträchtliche Mengen an Strom verbrauchen und die Größe und das Gewicht von Computer-Vision-Systemen erhöhen. Es ermöglicht ADAS auch, unglaublich detaillierte Echtzeit-3D-Karten zu erstellen, die den Fahrern helfen, sicher auf stark befahrenen Straßen und Autobahnen zu navigieren. Assistiertes Fahren – LiDAR- Automobilunternehmen nutzen auch ein sequentielles Berechnungsmodell mit AKIDA-betriebenen intelligenten Sensoren und KI-Beschleunigern, um das Design neuer LiDAR-Systeme zu ermöglichen. Dies liegt daran, dass die meisten LiDAR in der Regel auf Allzweck-GPUs angewiesen sind – und Cloud-zentrierte, rechenintensive Inferenzmodelle ausführen, die einen großen CO2-Fußabdruck erfordern, um enorme Datenmengen zu verarbeiten. Tatsächlich feuern LiDAR-Sensoren typischerweise 8 bis 108 Laserstrahlen in einer Reihe zyklischer Impulse ab, die jeweils Milliarden von Photonen pro Sekunde emittieren. Diese Strahlen prallen von Objekten ab und werden analysiert, um Fahrzeuge, Fußgänger, Tiere und Straßenschilder zu identifizieren und zu klassifizieren. Mit AKIDA verarbeitet LiDAR Millionen von Datenpunkten gleichzeitig und benötigt nur minimale Rechenleistung, um sich bewegende und stationäre Objekte mit gleicher Präzision genau zu erkennen – und zu klassifizieren. Die Begrenzung der Inferenz auf einen ROI hilft Automobilherstellern, rechen- und energieintensive Hardware wie Allzweck-CPUs und GPUs in LiDAR-Systemen zu eliminieren – und die Einführung fortschrittlicher assistierter Fahrfunktionen zu beschleunigen.

Ich kann mich täuschen, aber ich sehe keine Vorteile beim Einsatz neuromorpher Chips im Bereich Autonomes Fahren. Die grundsätzliche Funktionsweise, nur auf relevanten Input zu reagieren, ist bei einer Umgebungsberechnung, die auf sämtliche Ereignisse reagieren muß, nicht hilfreich. Hier haben cloudbasierte Lösungen, deren Lernalgorithmen durch die permanente Erfahrung einer Vielzahl von Fahrzeugen laufend erweitert werden können und grundsätzlich alle Ereignisse berechnen, eindeutig einen Vorteil. Als Notfallsystem in Bereichen ohne Netzanbindung (Tunnel z.B.) sehe ich auch keine Vorteile, weil es genügend Edge AI Lösungen gibt, die auch ohne Cloud berechnen können.

Danke @share Beitrag vom Accenture Applied CTO (war auch bereits im Brainchip Podcast zu hören). Immer gut sowas von einem Unternehmen mit hoher Reichweite zu hören. https://www.linkedin.com/pulse/2023-ai-industry-trends-predictions-jean-luc-chatelain 2023 AI Industry Trends Predictions Neuromorphic computing has a good chance to be the leading technical approach for AI acceleration at the edge. There are almost too many choices today in silicon AI acceleration, long gone are the days of “GPU is the only way to go fast in AI”. Many of these new choices are welcome as the one the side fits all paradigm does not work for all use case scenarios. The data center or the cloud are no longer the only environment where computing happens; some of the workload need to run “on the edge” where power consumption & footprint are critical, especially as one must scale **** edge (e.g., sensor) and/or fat edge (e.g., satellite). Neuromorphic computing approach takes a radically different approach to implementation of AI algorithm, it does not brute force try to imitate the features of human brain and scale, but leverage the principles behind the brain decision making process, craft the silicon to achieve the desired goals and, in most vendors’ case, thrive to minimize the power & footprint budget for both **** and fat edge deployments.

Australian Securities Exchange(20min delay) Trade with IG Advertisement Last 54.0¢ Change 0.015(2.86%) Mkt cap ! $937.6M Open High Low Value Volume 52.0¢ 54.3¢ 51.5¢ $4.296M 8.111M Buyers (Bids) NO. VOL. PRICE($) 11 440410 53.5¢ Sellers (Offers) PRICE($) VOL. NO. 54.0¢ 205017 5 Last trade - 16.10pm 23/02/2023 (20 minute delay) ?