MemryX推出了一系列扩展模块组合,为开发者提供统一、可扩展的架构,覆盖从低功耗设备到企业级边缘基础设施的全场景需求。
随着AI从云端环境向工厂、交通系统、机器人及智能基础设施加速渗透,开发者在功耗管理、内存带宽、部署复杂性及基础设施成本等方面面临日益严峻的挑战。无晶圆厂半导体公司MemryX Inc.凭借其专有的存内计算技术,专注于边缘AI处理解决方案的研发。近日,该公司宣布扩展其Cascade部署平台产品线,发布三款基于MX3加速器架构的新品,全面支持AI在嵌入式系统、边缘设备及高密度边缘服务器基础设施中的落地部署。上述产品已于本周在芝加哥麦考密克广场北馆15045展位的Automate 2026展会上正式亮相。
MemryX Cascade 100P PCIe加速卡
MemryX Cascade 100P PCIe加速卡专为高密度边缘服务器部署及高强度多摄像头AI应用场景而设计。该产品基于16颗MX3处理器阵列构建,支持对数百路实时视频流进行并行推理。产品采用单槽位被动散热设计,可无缝集成至标准服务器环境,帮助运营方在不增加散热或功耗预算复杂性的前提下最大化计算密度,是智能制造、智能交通、视频分析及多摄像头AI部署的理想解决方案。
MemryX Cascade 100U USB加速器
MemryX Cascade 100U USB加速器通过标准USB Type-C接口,为现有系统快速引入AI加速能力。该设备内置两颗MX3加速器,开发者无需对现有硬件平台进行重新设计,即可快速完成AI视觉应用的评估、原型开发与部署上线。
MemryX Cascade 100R树莓派HAT+扩展板
MemryX Cascade 100R树莓派HAT+扩展板专为树莓派生态系统打造,适用于机器人、机器视觉、教育及低功耗工业应用场景的硬件加速AI推理。该扩展板搭载两颗通过PCIe互联的MX3处理器,支持级联扩展以承载更大规模的AI部署需求。
上述三款产品均受MemryX开发者中心支持,提供统一的软件环境,用于在MX3产品系列中编译和部署AI模型。
"AI现在面临的已不是模型问题,而是部署问题。"MemryX首席执行官Ross Jatou表示,"无论开发者和系统集成商是在树莓派上做原型验证、通过USB为现有系统接入AI加速,还是在边缘服务器上处理数百路视频流,他们都需要一套能够无缝扩展、在不牺牲功耗和内存性能的前提下稳定输出算力的通用架构。我们扩展后的Cascade平台产品线正是提供了这样的基础,让客户能够在一套统一、可扩展、由MX3驱动的高效AI架构上,从开发平滑过渡到生产部署。"
三款新品共同构建了完整的MX3部署生态体系,使企业能够基于统一的硬件与软件基础,将AI应用从开发、嵌入式部署扩展至高密度边缘服务器环境。
参加Automate 2026展会的观众可于6月25日前前往15045展位,深入了解Cascade产品系列的详细信息。
关于MemryX Inc.
MemryX Inc.是一家专注于AI推理加速的无晶圆厂半导体公司,其经过量产验证的"存内计算"数据流架构,在边缘及数据中心应用中展现出卓越的能效表现。公司已完成4400万美元B轮融资,投资方包括HarbourVest、NEOM投资基金、Arm IoT基金、eLab Ventures、M Ventures及Motus Ventures,总部位于密歇根州安娜堡市。
Q&A
Q1:MemryX Cascade 100P PCIe加速卡适合哪些应用场景?
A:Cascade 100P基于16颗MX3处理器阵列构建,支持对数百路实时视频流进行并行推理,采用单槽位被动散热设计,可无缝集成至标准服务器环境。它特别适合智能制造、智能交通、视频分析及多摄像头AI部署等高密度边缘服务器场景,能在不增加散热或功耗预算复杂性的前提下最大化计算密度。
Q2:Cascade 100U USB加速器如何帮助开发者快速部署AI应用?
A:Cascade 100U通过标准USB Type-C接口接入现有系统,内置两颗MX3加速器,开发者无需对现有硬件平台进行重新设计,即可快速完成AI视觉应用的评估、原型开发与部署。这大幅降低了AI加速能力的引入门槛,适合希望快速验证和迭代AI视觉方案的开发者和系统集成商。
Q3:MemryX的MX3架构与传统AI部署方案相比有哪些优势?
A:MX3架构采用专有的存内计算技术,相较于传统方案,能够显著降低功耗和内存带宽压力。三款新品共享统一的硬件与软件基础,并通过MemryX开发者中心提供通用的模型编译与部署环境,使开发者可以在同一架构上从嵌入式开发无缝扩展至高密度边缘服务器部署,有效降低部署复杂性和基础设施成本。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。