人工智能芯片初创公司SiMa Technologies Inc.今日宣布,其专为多模态物理AI工作负载设计的第二代系统级芯片平台正式出货。
这款名为MLSoC Modalix的新芯片旨在嵌入机器人、工业设备、车辆等设备中。
该芯片采用系统级模块设计,匹配主流图形处理器的引脚配置和外形规格,使其能够作为运行AI模型的边缘设备的物理"大脑"。该芯片允许公司运行各种AI系统,包括Meta Platforms Inc.的Llama等大语言模型、卷积神经网络、Transformer模型、视觉语言模型以及其他机器学习算法。
物理AI是指人工智能与物理系统的结合,包括机器人、自动驾驶汽车和智能设备。这种集成使这些系统能够感知环境、与环境交互并从经验中学习。它结合了大语言模型等AI算法,使其能够处理来自摄像头和其他传感器的数据,然后基于这些信息做出决策。
该技术严重依赖于能够在边缘处理计算的低功耗硬件,小型计算机可以处理大量传感器数据并直接在车辆或机器人中运行AI模型,而无需将其卸载到云端。数据需要处理的位置距离行动现场越远,机器人或机器做出反应的往返时间就越长。当需要做出安全或关键决策时,或者当网络不可用时,这种延迟就成为问题。
该公司去年首次发布了Modalix机器学习系统级芯片,今天宣布该系统和芯片组正式出货,可立即供应。
据SiMa.ai介绍,Modalix系统级模块将通过提供能够处理多种模型并轻松集成到现有系统中的芯片,帮助运营商满足行业对边缘市场不同类型AI系统的多样化需求。
SiMa.ai表示,它与电子设计自动化领域的领先公司Synopsys Inc.合作开发和创新这款新芯片,加速设计并在创纪录的时间内实现无缺陷硅片。
"物理AI应用的开发需要经过验证的、专用的硅片和软件,这只有使用最先进的设计解决方案才能实现,"Synopsys首席产品管理官Ravi Subramanian表示。
除了Modalix系统级模块外,SiMa.ai还推出了LLiMa,这是一个用于在设备上运行大语言模型、视觉语言模型等的统一框架。它使开发人员能够快速将开源和自定义AI模型导入到Modalix就绪的二进制文件中,同时还支持物理AI应用的众多库。
视觉语言模型(VLM)将大语言模型的功能与视觉推理相结合,允许它们处理文本和图像,这对于对图像或视频的组件进行分类和理解至关重要。与机器人或其他系统结合,VLM可用于自动化产品和零件的视觉检查以识别缺陷并确保质量标准,使机器人能够理解并基于自然语言命令执行任务,通过供应链跟踪和监控产品等。
"物理AI时代已经到来!随着Modalix现在投入生产,我们正在加速其全球采用,"SiMa.ai创始人兼首席执行官Krishna Rangasayee表示。
Rangasayee补充说,在全球发布之前,对系统级模块的需求一直很强劲。该模块和开发套件今天可从SiMa.ai获得,用于1000台的企业部署,8GB系统级模块起价349美元,32GB系统级模块起价599美元每台。开发套件定价为1499美元。
Q&A
Q1:MLSoC Modalix芯片有什么特殊功能?
A:MLSoC Modalix是SiMa.ai推出的第二代系统级芯片,专为多模态物理AI工作负载设计。它能够运行各种AI系统,包括大语言模型、卷积神经网络、Transformer模型、视觉语言模型等,可作为机器人、工业设备、车辆等边缘设备的物理"大脑"。
Q2:什么是物理AI?它有什么应用?
A:物理AI是人工智能与物理系统的结合,包括机器人、自动驾驶汽车和智能设备。它使这些系统能够感知环境、与环境交互并从经验中学习。应用包括自动化产品质量检查、使机器人理解自然语言命令执行任务、供应链产品跟踪监控等。
Q3:MLSoC Modalix芯片的价格是多少?
A:MLSoC Modalix现已正式出货,用于1000台的企业部署。8GB系统级模块起价349美元每台,32GB系统级模块起价599美元每台,开发套件定价为1499美元。
好文章,需要你的鼓励
FORTIS是专门测量AI代理"越权行为"的基准测试,研究发现十款顶尖模型普遍选择远超任务需要的高权限技能,端到端成功率最高仅14.3%。
谷歌在Android Show发布会上宣布,将Gemini更深度整合至Android系统,推出名为"Gemini Intelligence"的升级功能。该功能可跨应用处理日常任务,包括自动填写表单、安排日程、生成购物清单及自定义小组件等,无需用户频繁切换应用。此外,Gboard新增"Rambler"功能,可自动过滤语音输入中的口误和填充词。Gemini Intelligence将率先登陆三星Galaxy和谷歌Pixel手机,并支持Android Auto、Wear OS及智能眼镜。
荷兰Nebius团队提出SlimSpec,通过低秩分解压缩草稿模型LM-Head的内部表示而非裁剪词汇,在保留完整词汇表的同时将LM-Head计算时间压缩至原来的五分之一,端到端推理速度超越现有方法最高达9%。