Physical AI, bellek, güç ve mimari zorluklarla donanımı sınırlarına itiyor

icon币界网
Paylaş
AI summary iconÖzet
Fiziksel AI sistemleri endüstrileri şekillendiriyor, ancak bellek, güç ve mimari zorlukları likidite ve kripto piyasalarında yeni engeller yaratıyor. Bitjie, çip üreticilerinin hesaplama, G/Ç ve güvenliği dengelerken kenar AI'yi işlemek için sistemleri yeniden tasarlaması gerektiğini belirtiyor. Strategy&, fiziksel AI pazarının 2030 yılına kadar 43 milyar euroya ulaşabileceğini tahmin ediyor. CFT düzenlemeleri, belirsiz ortamlarda güvenilirlik ve güvenlik için özel donanım ve yazılım çözümlerinin gerekli hale gelmesiyle baskı artırıyor.
CoinDesk haber veriyor:

Otomatik makineler, birçok endüstriyi değiştirmeyi umuyor, ancak bellek darboğazları, güç tüketimi sınırlamaları, özel mimariler ve güvenlik gereksinimleri, çip tasarımcılarını tüm sistemi yeniden düşünmeye zorluyor.

Ana Noktalar:

  • Daha fazla işlem gücü yalnızca fiziksel AI'nın sınırlarını çözemiyor. İşlem gücü, bellek bant genişliği, verimli arayüzler, yeterli güç sağlama ve soğutma kapasitesiyle uyumlu olmalıdır.
  • Fiziksel AI, son fonksiyonu ve ortamı için özelleştirilmiş bir sistem mimarisi gerektirir.
  • Gerçekleşmesi, kenar durumlarını kapsama, sistem davranışını anlama ve güvenliği doğrulama ile sınırlıdır.

Fiziksel AI, geniş çapta uygulamaya doğru ilerliyor, ancak bu sensörlerle çalışan sistemleri oluşturmak için mühendislik ekipleri aynı anda ve sürekli olarak çeşitli teknik zorlukları çözmek zorunda.

Analistler, fiziksel AI pazarının önemli ölçüde büyüyeceğini tahmin ediyor. Özerk sistemler, ulaşım, imalat, sağlık, enerji ve diğer birçok sektörü kökten dönüştürmek üzere potansiyel taşıyor. PwC'nin Strategy& bölümü, 2030 yılına kadar küresel fiziksel AI pazarının yaklaşık 430 milyar euroya ulaşabileceğini tahmin ediyor, bu da özerk sistemlerin çeşitli sektörlerdeki ticari potansiyelini yansıtmaktadır.

Synopsys Otomotiv ve Fiziksel AI Arayüz IP Üst Direktörü Licinio Sousa, “Fiziksel AI sistemleri otomotivden robotlara ve insansız hava araçlarına doğru genişliyor ve bu uygulamaların geliştirilmesindeki engeller tüm sistemi kapsıyor. AI, veri merkezlerinden kenara doğru ilerliyor; robotlar, insansız hava araçları ve araçlar gibi makineler için itici kuvvet, otonomluk, gizlilik, kişiselleştirme, daha hızlı yanıt verme ve buluta olan bağımlılığın azaltılmasıdır.”

Çözülmesi gereken teknik zorluklar listesi uzun ve birbirine bağlıdır. Bellek kapasitesi ve bant genişliği artırılmalı, gecikme ve güç tüketimi azaltılmalı, ürün ömrü uzatılmalı ve güvenlik doğrulanmalıdır. Daha da zor olanı, bu sorunlardan herhangi birini çözmek, başka yerlerde yeni sorunlara yol açabilir.

Özel mimari

Bu sistem düzeyi darboğazları çözmek, yüksek düzeyde özelleştirilmiş ve belirli kullanım senaryolarına optimize edilmiş donanım ve yazılım gereklidir.

Arteris’in Başkan Yardımcısı, Baş Ürün ve Pazarlama Görevlisi ve Güvenlik Çözümleri Genel Müdürü Michal Siwinski, “Belirli iş yükleri için daha optimize edilmiş, daha özelleştirilmiş hesaplama hakkında konuşmaya başlamamız gerekiyor; bu, fiziksel AI’nın daha ilginç yönü. Bu tür iş yükleri donanım açısından yüksek oranda optimize edilmelidir. Temelde ASIC’in geleneksel anlamına geri dönüyoruz—ASIC zaten yüksek düzeyde uygulama özgün ve aşırı optimize edilmiş olmalı, genel amaçlı değil. Şu anda bu tür bir eğilim zaten başlamış durumda. Sonraki ilginç nokta, yazılım, donanım ve iş yükü arasında çok spesifik uygulamalara yönelik daha esnek sistemlerin nasıl gelişeceğini ve modeller çok daha hızlı değiştiği için bu gelişimin nasıl sürdürüleceğini görmek olacak.”

Micron Technology otomotiv iş biriminin sistem mimarı Vasanthan Karunanithy, yakın zamanda düzenlenen JEDEC Otomotiv Forumu’nda şunu söyledi: “Robotlar yeni bir AI yığını değildir. ADAS sistemlerinden robotlar, gerçek zamanlı algılama, yol planlama ve hareket kontrolünü miras alır. Akıllı dolaplardan ise doğal dil anlama, bağlam çıkarımı ve insan-robot etkileşimini miras alır. Vücutlu zekâda daha büyük zorluk, bu iki iş yükünü aynı anda çalıştırmak ve nihayetinde bilgi alışverişi yapmaktır. Bu yüzden bu iki alt alanın ortak noktası budur. Ancak farklar da vardır; bu da kanal ölçeğini yansıtır. Otonom araçlar nispeten yapılandırılmış yol ortamlarında çalışır ve daha büyük bir enerji kaynağı olan araç bataryasından güç alır. Ancak robotlara bakıldığında, bunlar yapılandırılmamış üç boyutlu ortamlarda çalışır. [Robotlar] birden fazla serbestlik derecesini korumalı, nesneleri manipüle etmeli ve dengesini korumalı, ayrıca komutlardaki emirleri anlamalıdır. Otomobil ile karşılaştırıldığında, robotlar daha sınırlı bir güç kaynağıyla bunların hepsini yapmak zorundadır.”

Bu farklılıklar uygulamalara göre büyük ölçüde değişir. Otomatik sürücülü araçlar mevcut ulaşım altyapısı içinde çalışır ancak öngörülemeyen trafik koşullarıyla başa çıkmalıdır. Buna karşılık, mobil robotlar ve insansı robotlar daha serbest yapılandırılmış ortamlarda yön bulmak, hareketi koordine etmek ve dengelemek zorunda kalabilir ve daha sınırlı güç bütçeleriyle çalışmalıdır. Aynı zamanda, endüstriyel robotlar kontrollü ortamlarda çalışabilir ve sabit bir güç kaynağına bağlanabilir. Bu farklılıklar, tüm fiziksel AI formları için tek bir mimarinin optimize edilmesini zorlaştırır.

Tasarımcılar, sistemin mimarisini bu gereksinimler üzerine kurmalıdırlar.

Sousa, “İş yükleri ve modeller sürekli gelişirken, her tür makinenin özel ihtiyaçları için tasarlanmış özel çiplerin ortaya çıktığını görüyoruz. Müşterilerimiz, gelişmiş VLA (görsel-dil-eylem) modellerine olan taleplerle sürekli mücadele ediyor. Donanım düzeyinde, bu daha yoğun hesaplama ve AI motorları anlamına geliyor. Aynı zamanda, kullanım senaryolarının çok geniş olması, tek bir monolitik mimarinin uygulanmasını zorlaştırıyor ve bu nedenle, hesaplama, AI, bellek ve I/O’nun UCIe arayüzü tabanlı şekilde kullanım senaryosuna göre genişletilebildiği chiplet çözümlerine doğru bir geçiş yapılıyor.”

Chiplet, özellikle heterojen hesaplama, bellek ve I/O ihtiyaçlarının ileri paketleme gerekçesini doğruladığı durumlarda, ölçeklenebilir fiziksel AI platformları için potansiyel bir yol sunar. Ancak özel paketleme, ısı yönetimi ve die-to-die iletişim nedeniyle maliyet ve karmaşıklığı artırabilirler. Daha küçük, yüksek düzeyde entegre edilmiş ve güç tüketimi, boyut ve maliyet kısıtlamalarına maruz kalan sistemler için monolitik SoC daha uygundur.

Bu kısıtlamalar donanım ve yazılım için de geçerlidir. Siemens EDA'nın EDA AI ve Solido ürün lideri Sathish Balasubramanian, "Sensörler, kullanım durumlarına daha odaklanacak; iyi ve özelleştirilmiş kullanım durumlarına sahip olduğunuzdan emin olmalısınız ve aynı zamanda üst katmanda bir yazılım katmanına da ihtiyacınız var. Her zaman şunu söylerim: gerçek dünyadaki her şey simüle edilir ve bunu dijital hale getirmeye çalışıyoruz; bu nedenle en önemli şeylerden biri de fazlalık. Sensörler zaten oldukça iyi. Görsel, ısı, basınç ve diğer her şeyi algılayabiliriz. Radar ve diğer alanlarda da oldukça iyi performans gösteriyoruz. Daha da önemlisi, sensörlerin ortamda çalışabileceğinden ve ortamı gerçekten bozmadan ya da içsel fazlalık ile yakalayabileceğinden emin olmaktır."

Ancak, fazlalık etkisi, bileşenlerin bağımsız olarak arızalanıp arızalanamamasına ve sistemin arızaları tanıp tanımayıp tepki verip vermeyişine göre değişir. Sadece sensör sayısını artırmak, özellikle çevre koşullarının birden fazla sensörü aynı anda etkileyebileceği durumlarda, güvenilir bir çalışma garantisi vermez.

İş yüküne veya kullanım durumuna göre hesaplama mimarisini özelleştirmek, dengeleri de beraberinde getirir. Analog Devices'in Kurumsal Başkan Yardımcısı ve Otomotiv İş Birimi Sorumlusu Yasmine King, "Akıl, algılamanın gerçekleştiği yere ne kadar yakın olmalı sorunu, burada bir gerilim var. Eğer akıllılığı tüm sistem boyunca dağıtırsanız, güncellemeler daha karmaşık hale gelir. Merkezileştirme, OTA güncellemeleri için bir noktadan yapılmasını sağlar ve düzeltmeler ile onarımlar için kolaylık sunar; ancak bu verilere hızlı bir şekilde yanıt vermeniz gerektiğinde gecikme sorunlarına neden olabilir. Araçlarda, bir yaya aniden arabanın önüne fırlarsa, çok hızlı bir şekilde tepki verebilmeniz gerekir. Bu nedenle, akıllılığı nerede yerleştirmek istediğinizi, hangi tür sensör bilgilerini toplamak istediğinize ve ne kadar hızlı tepki vermeniz gerektiğine bağlıdır."

Yasmine King, 27 Ekim 2026 tarihinde Reuters Automotive 2026'da konuşuyor.

Akıllı konumlandırma, yalnızca hesaplama performansını değil, gecikme süresi, iletişim bant genişliği, güç tüketimi, güncellenebilirlik ve dağıtılmış bileşenlerin koordinasyonu arasında dengeler kurmayı gerektiren bir mimari karardır. Merkezi hesaplama yönetimi basitleştirebilirken, yerel işleme iletişim gecikmesini azaltabilir ve bağlantı kesildiğinde kritik işlevleri koruyabilir.

Fiziksel AI'nın "bellek duvarı"

Bellek kapasitesi, bant genişliği, gecikme ve enerji tüketimi, fiziksel AI için kritik sınırlamalardır; bazı bellek teknolojileri tedarik kısıtlamalarıyla karşı karşıya kalabilir. Gerçek zorluk, yeterli sayıda bellek cihazı eklemek değil, giderek daha zorlu AI iş yüklerine sıkı enerji ve ısı sınırları altında veri sağlayacak şekilde bellek alt sistemlerini tasarlamaktır.

Sousa, "Milyarlarca ilgili model parametresinin depolama, bellek ve işlem birimleri arasında saklanması ve aktarılması gerekiyor. Bugün bunu 'bellek duvarı' olarak adlandırıyoruz. Bellek kullanımının sürekli artmasıyla, DRAM'in işlem darboğazını oluşturmaması için LPDDR6 gibi süper hızlı arayüzler gerekiyor."

Performans, erişim modeline, gecikmeye, veri yeniden kullanımına, önbellek kapasitesine, bellek kontrolörünün verimliliğine ve veriyi taşımak için gereken enerjiye de bağlıdır. İş yükü, bellek hiyerarşisinin diğer bölümlerine bağlıysa, yalnızca temel bant genişliğini artırmanın getirisi sınırlı olabilir.

İş yüküne yönelik sistem tasarımı, bazı bellek yüklerini hafifletebilir. Balasubramanian şöyle diyor: “Uygun boyutlu bellek, uygun boyutlu hesaplama ve fazlalık, ayrıca ısı ve güç bütçesine sığması gereken tüm unsurlar çok önemli olacak. En önemlisi, boyutun önemi var. Bir Prius’a 100 galonluk bir yakıt deposu koymazsınız. 10 galonluk bir depoya ihtiyacınız var. Bu benzetmeyi bellek için kullanıyorum. Büyük bir DRAM gerektirmeden bunu yönetebilirsiniz, ancak oldukça iyi bir önbellek ve dahili SRAM’e sahip olabilirsiniz. Her zaman kritik ihtiyaçları DRAM’e yerleştirebilir, ancak gerekli olduğunda diğer şeyleri flash belleğe veya SRAM’e taşıyabilirsiniz. Bellek yolu açısından, DRAM’den SRAM’e, ardından gerçek hesaplama ve nihayetinde fiziksel AI’ya ulaşana kadar önbellek tutarlılığı çok önemli olacak.”

Bu bellek teknolojileri arasında büyük bir denge vardır. Çip üzerindeki SRAM ve önbellek, sık kullanılan veriler için hızlı erişim sağlar, ancak kapasiteleri silikon alanına ve maliyete bağlı olarak sınırlıdır. Dışarıdaki DRAM daha büyük bir kapasite sunar, while flash, model, yazılım ve aktif bellekte tutulması gerekmayan diğer bilgiler için kalıcı depolama sağlar.

Bu katmanlar arasında veri taşıma, bazı kapasite gereksinimlerini azaltabilir ancak iletim maliyetini ve gecikmeyi artırır. Aynı zamanda, önbellek tutarlılığı, bilgiyi farklı depolama teknolojileri arasında taşımaktan ziyade önbellek ve bellekteki veri kopyalarını tutarlı tutmayı hedefler, ancak bu da ek maliyetler getirir. Bu nedenle mühendisler, çalışma kümesi, veri yerellik ve erişim sıklığını dikkate alarak her katmanda ne kadar bellek yerleştirmeye karar vermelidir.

Otomobil belleği yeniliği, fiziksel AI sorunlarının çözümünde önemli bir yer tutabilir.

Imagination Technologies Ürün Yönetimi Yüksek Direktörü Rob Fisher, “Şu anda bu, otomobil ürün çizgimizle çok sıkı bir şekilde bağlantılı ve robotik taraftan gelen taleplerin çoğu doğrudan otomobil taraflarından geliyor. Şu anda birçok otomobil üreticisi, çiplerini hem otomobil hem de robotik platformlar için hedefliyor; bu nedenle 4, 6 ve 8 bit desteği, gömülü kenar uygulamaları için bellek bant genişliği ve bellek kullanımını gerçekten iyileştirecektir. Veri merkezleri için bu daha az kritik, ancak etkisi farklıdır. Veri merkezlerinde, daha küçük bit genişliklerini kullanarak daha büyük modelleri çalıştırabilirsiniz. Ancak otomobil ve robotik uygulamalarda, bunun tam tersini yapabilirsiniz—yani daha az bellek kullanımı. Modeli sadece yapmanız gereken şeyi yapacak şekilde sınırlayabilir ve bunu barındırmak için gerekli olan bellek ve bant genişliğini azaltabilirsiniz.”

Daha düşük hassasiyetli temsiller, modelin depolama ve bellek bant genişliği gereksinimlerini azaltabilir, bu nedenle gömülü AI için özellikle çekicidir. Ancak bu avantajlar, seçilen sayısal formatın hızlandırıcı tarafından verimli şekilde desteklenip desteklenmediğine ve nicemlemenin uygulamanın gerekli hassasiyetini koruyup korumadığına bağlıdır. 6 bit temsil gibi formatlar, paketleme veya uygulama maliyetlerini de beraberinde getirebilir ve bu nedenle bu formatlar için tasarlanmayan donanımlarda avantajlar sınırlı kalabilir.

Flash memory, yönetilen otonom sistemlerin belleğini yönetmede de kritik bir rol oynar.

Sousa, “DRAM, kapasite, güç tüketimi ve erişilebilirlik açısından sınırlı. Daha hızlı bir depolama bant genişliği, yüklenme sürelerini kısaltır; bu nedenle aynı DRAM bütçesi daha büyük modelleri destekleyebilir. Bu sistemler sürekli olarak pil ile çalışır ve genellikle aktif soğutma yoktur; bu nedenle her veri aktarımı elektrik tüketimine neden olur ve gecikmeyi artırır. Bu nedenle mekanik, elektronik ve yazılım gibi her bileşen, güç tüketimini azaltmalı ve verimliliği artırmalıdır. MIPI, UFS, LPDDR, PCIe gibi arayüzler, ani veri aktarımlarının hızlıca gerçekleştirilmesini ve ardından uzun süreli düşük güç tüketimli boşta moduna geçişini sağlamak üzere tasarlanmıştır.”

Daha hızlı não-volatile depolama, model yükleme gecikmesini kısaltır ve uygun model bölümlendirme veya ağırlık akış teknikleriyle birlikte, DRAM kapasitesi sınırlı sistemlerin, mevcut aktif bellekten daha fazla yer kaplayan iş yüklerini çalıştırmasını sağlar. Ancak depolama bant genişliği, herhangi bir anda DRAM'da tutulabilecek veri miktarını artırmaz.

Bu verilerin iletilmesi için kullanılan arayüzler, güç yönetimi mekanizmaları ve çalışma özellikleri açısından da farklılık gösterir. Verimlilik, belirli spesifikasyona, uygulamaya, iletim moduna ve düşük güç durumuna geçme fırsatlarına bağlıdır.

Eğer piyasa boyutu yeterince büyükse, Fiziksel AI'nın bellek talebi, yeni bellek teknolojilerinin veya mevcut teknolojilerin varyantlarının geliştirilmesini gerekli kılabilir.

Rambus'un önde gelen mühendisi ve önde gelen mucidi Steven Woo, “Bellek, tüm fiziksel AI’ların ihtiyaç duyacağı kritik bir teknolojidir. Fark, bazı pazarların mevcut belleği kullanmasıdır, ancak bazı pazarlar kendi bellek türlerine veya mevcut belleğin bir varyantına ihtiyaç duymak kadar büyük olabilir. HBM’de bunu gördük. İnsanlar önce başka türde bellek kullanıyordu, sonra pazar aniden büyüdü. LPDDR’nin ortaya çıkmasından önce, telefonlar sadece düşük güç tüketimli olmaları nedeniyle seçilmiş ve sınıflandırılmış DDR cihazlarını kullanıyordu. Pazar yeterince büyük hale geldiğinde, insanlar ‘Peki, o zaman özel bir cihaz yapalım’ diyordu. Fiziksel AI, yeterince büyük bir pazar haline gelebilir ve eğer talep farkları yeterince büyükse, başka bir bellek türü ortaya çıkabilir.”

Bu tür bir özelleştirme, talebin ölçeği ve tutarlılığına bağlı olacaktır. Veri merkezlerinden farklı olarak, fiziksel AI uygulamalarının maliyet, kapasite, dayanıklılık, bant genişliği, sıcaklık ve enerji verimliliği açısından gereksinimleri büyük ölçüde değişiklik gösterir. Bu çeşitlilik, bazı pazarların mevcut bellek teknolojilerini dönüştürmeye daha yatkın, diğer pazarların ise özel olarak tasarlanmış çözümlere daha uygun olmasına neden olabilir.

Kenar durumlarını doğrulayın

Sistemin güvenli koşullarda, nadir ve beklenmedik durumlarda da çalışmasını sağlamak, başka bir büyük zorluktur. Fiziksel AI geliştiricileri, ağırlıklı makineler, tıbbi cihazlar ve diğer güvenlik kritik teknolojileri hedef aldıkça, doğrulama sorunlarını çözmek özellikle önemlidir.

Balasubramanian, “Fiziksel AI’yi herhangi bir üretim ortamına entegre etmeden önce kurmamız gereken doğrulama döngüsü kritik önem taşır; bunun, yapmamız gereken en önemli şey olduğunu söyleyebilirim. Örneğin büyük bir kesinti mi oluyor, yoksa deprem mi meydana geliyor, dış dünyadaki fiber kablolar mı kesiliyor ya da kesinti mi yaşanıyor? Bu senaryoları kenar uçta nasıl yönetirsiniz? Sensörlerin yakınında bir hesaplama, bir bellek ve bir akıl tutmak çok önemli olacak, ve insanlar bunu, kullanım senaryosunun ihtiyaçlarına göre en önemli şeyleri belirleyerek gerçekleştirecekler. Endüstriyel ortamlarda, montaj hattını ne zaman durdurmalıyım? Ne zaman geri aramalı ya da alarm çalmalı ya da başka bir şey yapmalıyım? Bunların hepsi tek bir sensör içinde çözümlenmesi gereken konular.”

Bu senaryolar, güvenlik-kritik fonksiyonların sürekli bulut bağlantısına veya merkezi karar alma mekanizmalarına her zaman güvenemeyeceğini göstermektedir. İletişim veya güç sistemi arızalandığında arızaları tanımlamak, koruma eylemlerini tetiklemek veya cihazları tanımlanmış bir güvenli duruma geçirmek için yerel işleme gerekebilir.

Ancak doğrulama ve onay, sorunun farklı bölümlerini çözer. Doğrulama, tasarımı belirlenmiş gereksinimleri karşılayıp karşılamadığını kontrol etmek için kullanılır; onay ise sistemin beklenen çalışma ortamındaki performansının uygun olup olmadığını inceler. Güvenlik önlemleri, tehlike analizi, arıza enjeksiyon testleri, ortak nedenli arıza değerlendirmesi ve geçerli standartlara uygunluk kanıtları da içerebilir.

Bu nedenle, sistem ilgili donanım ve yazılım yığını etrafında güven oluşturmalı ve doğrulamalı, ayrıca güvence gereksinimlerini her kullanım durumuyla eşleştirmelidir.

ATDev'in kurucu ortağı Owen Kent, "Koltuk sandalyesi için ürün tasarladığımızda, her fiziksel AI uygulaması gibi, belirli ihtiyaçlarımız var. Bu donanımları kalite yönetim sistemi ve üçüncü taraf elektromanyetik uyumluluk testlerinde gerçekten sınırlarına kadar zorlamalısınız. Hangi donanımı kullanırsanız kullanın, özelleştirilmiş mi yoksa standart mı, güvenliği doğrulayabilmelisiniz."

Geliştiriciler için, bu, bileşenlerin normal çalışırken doğru şekilde çalışıp çalışmadığını değerlendirmekle kalmayıp, sensör bozulması, iletişim arızaları, beklenmedik girdiler ve diğer öngörülebilir tehlikeler altında tam sistemin tepkisini de değerlendirmek anlamına gelir. Birçok uygulamada, bileşen düzeyinde test yapmak gerekli bir koşuldur, ancak bu yalnızca sistem düzeyinde güvenliği kanıtlamaz.

Sonuç

Fiziksel AI'nın gerçek sınırları, algıdan eyleme kadar olan tüm süreçte geçerlidir. Tasarımcılar, modeli ve donanımı görevle uyumlu hale getirmeli, mevcut enerji tüketimi ve ısı bütçesi içinde veri taşımalı ve cihazın koşullar veya bağlantı değiştiğinde nasıl davrandığını doğrulamalıdır. Sistemin diğer bölümleri destekleyebildiğinde yalnızca hesaplama gücü artırımı gerçekten faydalı olur.

Balasubramanian, "Sensörden işlemciye ve aktüatöre kadar tüm yolda, standart, düşük güç tüketimli ve kanıtlanmış bir arayüzden başlayarak; bunlar, tasarımcılara öngörülebilir davranışlar, ekosistem arası uyumluluk ve silikonla doğrulanmış yapı taşları sağlar." dedi.

İlgili bir örnek, Camera Service Extensions (CSE) 2.0 spesifikasyonunu ve ek güvenlik spesifikasyonlarını birleştiren MIPI Kamera Güvenlik Çerçevesidir. CSE 2.0, CSI-2 kamera verileri için veri bütünlüğü korumasını ve isteğe bağlı şifrelemeyi destekler; daha geniş çerçeve ise imaj sistemi bileşenlerinin kimlik doğrulamasını ve güvenli oturum kurulumunu ele alır.

O, "Kameranın verileri için görüntü sensöründen SoC'ye kadar bütünlük, kimlik doğrulama ve gizlilik sağlayacak şekilde端到端 güvenliği sağlar. Ayrıca tasarımcılara, hesaplama ve trafik yükünü, güç tüketimini ve gecikmeyi minimize etmek için esnek seçenekler sunar; bu sayede güvenlik uygulamaya göre ayarlanabilir, en kötü senaryoya göre değil."

Bu fark önemlidir, çünkü gizlilik isteğe bağlıdır ve koruma düzeyi uygulanan güvenlik hizmetlerine ve yapılandırmaya bağlıdır. Daha geniş çaplı çerçeve, her veri akışı için aynı korumayı zorunlu kılmanın yerine, geliştiricilere koruma ile işleme maliyeti, güç tüketimi ve gecikme arasında denge kurma imkanı sunar.

Kendi kendine çalışan makineleri daha güçlü hale getirmek yeterli değil. Bunlar, gerçek dünya kısıtlamaları altında güvenilir şekilde çalışmalıdır. Fiziksel AI için, bellek, güç tüketimi ve bant genişliği tasarrufu sağlayan mimari seçimler, öngörülebilir davranışları, dayanıklılığı ve büyük ölçekli dağıtım için gerekli güvenlik önlemlerini de desteklemelidir.

Fiziksel AI için veri taşıma genişletmesi: Her senaryo için tek bir çözüm yok.

Kenar ve bulut AI rollerini yeniden tanımlayın: Yerel akıl yarışı başlıyor.

Brendan Heffernan

Yasal Uyarı: Bu sayfadaki bilgiler üçüncü şahıslardan alınmış olabilir ve KuCoin'in görüşlerini veya fikirlerini yansıtmayabilir. Bu içerik, herhangi bir beyan veya garanti olmaksızın yalnızca genel bilgilendirme amacıyla sağlanmıştır ve finansal veya yatırım tavsiyesi olarak yorumlanamaz. KuCoin, herhangi bir hata veya eksiklikten veya bu bilgilerin kullanımından kaynaklanan sonuçtan sorumlu değildir. Dijital varlıklara yapılan yatırımlar riskli olabilir. Lütfen bir ürünün risklerini ve risk toleransınızı kendi finansal koşullarınıza göre dikkatlice değerlendirin. Daha fazla bilgi için lütfen Kullanım Koşullarımıza ve Risk Açıklamamıza bakınız.