400万+工程师在用

400万+工程师在用

专注边缘AI的耐能智能获得新一轮投资

电子说

4997人已加入

描述

专注边缘AI的耐能智能成立于美国的圣地亚哥,目前宣称获得了来自鸿海和华邦电子的投资。

耐能与投资者将在AI领域展开紧密合作,双方建立战略合作关係。据悉,耐能将加入由鸿海一手打造的 MIH 电动车的开放平台。MIH在成立之初就把耐能作为了其合作伙伴,此次将与鸿海共同合作开发汽车行业中的AI应用领域。此外,耐能和鸿海的合作也将共同推进工业4.0。耐能和华邦电子将致力于开发基于AI的微控制器(MCU)和内存计算(Memory Computing )。

早前,耐能已获得来自李嘉诚旗下的Horizons Ventures领投的4000万美元。除此之外,亦获得来自阿里巴巴创业者基金、CDIB、奇景光电、高通、中科创达、伟诠、红杉资本子基金Cloudatlas等全球知名资本青睐,共计获得超过7300万美元的A轮投资。

耐能创始人兼首席执行官刘峻诚博士(Albert Liu)说:“在众多公司削减研发投入的时候,我们感谢投资者相信耐能所做的工作。耐能是一家年轻的公司,自2015年成立以来已经取得了很多成就,我们争取在未来取得更多成就,而这背后离不开像鸿海和华邦电子等众多投资者的支持。对于推进AI 芯片的发展来说,这是一个令人兴奋的时刻,而耐能将持续在这个领域中发挥至关重要的作用。

耐能提供完整的端到端软硬件解决方案,可在移动设备,个人计算机和IoT(包括智能家居设备,监控,支付和智能汽车)中实现设备上边缘AI的推理。耐能解决方案增大了基于云的AI,以加速设备上的AI推理。据了解,空调巨头格力和自动驾驶软件公司Teraki等都是其合作客户。

专注边缘AI的耐能智能获得新一轮投资

刘峻诚博士补充说:“我们很高兴能同合作伙伴和投资者一起前进。2020年对于耐能来说是重要的一年,我们发布了KL720,并加入了高通前台北工程研发总经理陈俊宇(Davis Chen)等大将。除了与我们的投资者进行合作项目开发外,计划将在2021年发布更多的芯片。边缘AI对许多人来说仍旧是一个比较新概念,我们期待把这项技术带给每个人。”

随著边缘 AI行业的快速兴起,基于耐能对其早期的技术投资以及商业化的布局,从而使其处于行业领导地位,其边缘AI技术在市场上得到了广泛的应用。

耐能多款产品助力

据了解,耐能现在推出了包括神经处理单元(NPU)、KL520和KL720 及其解决方案。其中,耐能NPU提供经市场验证过的解决方案,满足低功能,低热分布和复杂的神经网络计算需求。

KL520和KL720则是公司推出的两款AI芯片。据之前报道,Kneron KL520使用联电40nm工艺打造,搭配有两个Arm Cortex-M4内核和自研的NPU。而这两个Arm内核在SoC中分别扮演系统控制(ARM Cortex-M4@200MHz)和AI协处理器(ARM Cortex-M4@250MHz)的角色。而整个芯片的算力可以做到算力最高可达345GOPS (300MHz) ,平均功耗仅为500mW。能加速了来自耐能以及第三方大众设备上的神经网络模型,从而方便了日常设备中实现2D / 3D视觉识别以及音频识别。适用于结构光、ToF、双目视觉等3D传感技术并计算不同神经网络模型,且兼具规格、性能、成本等多重优点,解决3D模组相对较贵、芯片成本高和硬件功耗高等问题。

来到KL720,则是一款能够支持4K图像,全高清(1080p)视频和自然语言音频处理,从而使设备可捕获更多细节进行面部以及对音频进行识别的能力。据了解,除了集成耐能自研的KDP 720 NPU外,还集成了Cadence的DSP,充当协处理器的功能。此外,耐能还为这个新SoC集成了Arm Cortex-M4 内核,为终端的设计提供更多的控制支持。

与上一代的KL520芯片相比,KL720 NPU的频率从300Mhz提高到700Mhz,其在8-bit模式峰值速率也从上一代的345GOPS, 576MAC/cycle提升到这一代的1.5TOPS, 1024 MAC/cycle;用于控制的M4内核的频率也从上一代的200Mhz提升到这一代的400Mhz;关于这个新芯片,还有一点值得强调一下,那就是他们的AI协处理器从上一代ARM Cortex-M4改换为这一代的DSP,因为DSP的特性,这无疑将进一步增加他们新款SoC的实力。

除了硬件以外,耐能提供的边缘AI算法,能够根据最新的NIST测试结果,机器学习算法,已经嵌入进行业最小的内存中,其中包括了面部检测,面部识别,身体检测和手势识别等技术。

可重构是其技术亮点

据耐能之前的介绍,边缘 AI解决方案具备可重构技术特点。在KL520上,他们就表示,公司在此款产品上采用了可重构的芯片设计,增加了芯片的灵活性,这也是它能够同时满足面部、身体、手势、物品、场景、车型、车牌等多种图像识别应用的加速需求的原因。再搭配其压缩技术和动态储存资源配置技术,可以让芯片进一步提升其资源利用率。从而可以根据设备上的应用需求在音频识别和2D / 3D视觉识别之间进行实时切换。此外,这种可重构技术不但可兼容大众主流的AI框架,如Tensor Flow,ONNX,Keras,Caffe和PyTorch等,同时可兼容主要的CNN模型包括VGG16,ResNet,GoogleNet,YOLO,Tiny YOLO,LeNet,MobileNet, Densenet等。

基于耐能的可重构技术特点,从而可实现其对Edge AI Net以及AIoT 3.0的愿景。简而言之,Edge AI Net将使AI民主化,并以更少的天网创建更多的Wall-E和EVA。Edge AI Net允许Edge AI设备彼此通信,从而创建不依赖于集中式云AI服务的集体行动平台。

耐能靠其性能和功耗之间的完美平衡,内存占用量以及低成本的解决方案,使其在边缘AI领域中一直处于领先地位。此外,其性能远高于其模型“大小”级别,这在2019年NIST面部识别供应商测试中得到了有力验证,而许多情况下如存储空间、尺寸和电源受限时其平衡性至关重要,其包括了日常应用如摄像头、智能门铃、智能门锁、智能手机等。另外,其解决方案兼容主要的AI平台,并且可进行实时可重构技术适应不同的应用需求。
       责任编辑:tzh

打开APP阅读更多精彩内容

电子发烧友网

收听电子行业动态,抢先知晓半导体行业

全部0条评论

快来发表一下你的评论吧 !

打开APP