假設你正在30米深處潛水，下面是一塊暗礁，周圍聚集著各種外形奇異的生物，有一種身上布滿銀色條紋的小黃魚，你很想知道它是什么物種。你可以胡亂找出一張隨身攜帶的魚類圖表，但你真正需要的是一種更加方便、快速的解決方案。進入2019年，相關技術已經問世。現在，你的防水智能手機裝載了Arm的機器學習和目標檢測處理器，你的體驗將會大不相同。

潛水鏡運用生動的平視顯示器實時傳遞信息，手機內的 Arm 芯片配備了先進的目標檢測處理器，能夠篩選出最重要的場景數據，同時操作系統會要求強大的機器學習處理器詳細識別魚類、其他相關區域和危險。手機可以對你接收的信息進行智能過濾，因此你不會被過多的數據淹沒。Arm 的 Project Trillium和新機器學習技術真是要把這種遠景變為現實，而同樣的愿景還有很多。

我們推出的 Project Trillium 將在人工智能 (AI) 領域引發新一輪發明潮，其中的關鍵要素就是機器學習。這一成就的實現要歸功于 Arm 長期投入巨資，旨在研發出我們和合作伙伴翹首以盼的未來設備。正如我們所見，越來越多的產品快速引入邊緣計算和機器學習，預計未來世界的大多數“物品”都能達到一個新的智能水平。事實上，有人問：“你為什么想提高設備的智能水平？”何樂而不為呢？

機器學習預示著行業拐點

我認為，在二三十年時間內，機器學習的發展將一直是計算領域最大的拐點，它將對我能想象到的幾乎所有領域產生重大影響。有人問我機器學習將會對哪些領域產生影響，我的回答是，我想象不出有哪個領域會不受影響。此外，這種影響會隨時在邊緣產生，我之所以這樣說是因為，我們需要遵守物理定律、經濟規律和很多國家法律。全世界沒有足夠的帶寬可以對當今拍攝的所有視頻進行實時分析，將數據傳輸云進行處理的功率要求和成本也令人望而卻步。

谷歌發現，如果全世界所有 Android 設備每天執行三分鐘語音識別，公司就需要處理兩倍的計算能力。換言之，全球最大的計算基礎設施規模需要擴大一倍。此外，人們需要無縫用戶體驗，不會接受在云中執行機器學習處理所帶來的延遲。而且，要想提高可靠性，機器學習就不能依賴穩定的互聯網連接，特別是控制關乎安全的操作時。

除技術邏輯外，鑒于法律規定和用戶對隱私與安全的期望，大多數人還是希望將數據保存在自己的設備上，這一論斷的證據可參閱Arm在 2017 年發起的《人工智能的今天與明天》報告中，Project Trillium 會將這一切變為現實。

Project Trillium 會引入哪些目前市場不存在的新元素？

Project Trillium 是一套 Arm 產品，可以為設備制造商提供他們需要的所有硬件和軟件選擇。它還能無縫接入 Arm 的合作伙伴庫，獲取神經網絡 (NN) 應用，包括領先的框架，例如谷歌TensorFlow、Caffe、Android NN API 和MXNet。

Arm 機器學習處理器背后的架構專為特定用途設計，不僅高效且完全可擴展。它能以推出時的形式使處理器按照每秒約五萬億次操作的速度運行，手機功耗預算僅為 1-2 瓦特，相當于難度最大的日常機器學習任務。實際使用過程中性能會更高。這意味著，搭載 Arm 機器學習處理器的設備將不依賴云，獨自完成機器學習。顯然，這種特性對潛水鏡等產品來說至關重要，同時無人駕駛車輛等不能依賴穩定網絡連接的設備也急需這種功能。

現在，我們針對移動市場和智能 IP 相機對 Project Trillium 的技術進行了優化，因為這些領域的設備制造商對邊緣機器學習性能有需求。但隨著在各種主流市場普及機器學習的計劃日趨成熟，我們將按照需求對 Arm 機器學習技術進行擴展。

我們已經看到一些基于 Arm 的設備上已經在運行機器學習任務，例如配備關鍵詞識別功能的智能揚聲器等產品。這種形勢會繼續保持，并將迅速擴張。高端市場的互連汽車和服務器在運用機器學習推理（用訓練后的模型分析數據），我們也能針對這些應用進行技術擴展。現在，我們的機器學習處理器架構功能多樣，可根據任何設備進行擴展，所以我們更應該做的是在市場需要時按需供應。這樣，我們自己以及生態系統內的合作伙伴就可以快速、靈敏地對任何良機作出反應。

除 Arm 機器學習處理器外，我們還推出了姐妹產品：Arm 目標檢測 (OD) 處理器。這是第二代設備，第一代計算機視覺處理器已在Hive 監控攝像頭中成功應用。目標檢測處理器可以在 50x60 像素以上的圖像中檢測到物體，以每秒 60 幀的速度實時處理全高清圖像。此外，它每幀能檢測到幾乎無數個目標，可輕松處理最雜亂的珊瑚礁或足球場。

Project Trillium 具有可擴展性且功能全面，可利用計算領域應用最廣泛的先進技術提供多種性能選項。例如，有些機器學習應用不需要專門的機器學習硬件，將在Arm Cortex-M系列產品等超低功耗微處理器上運行機器學習。如今，Cortex-M 處理器已將機器學習推理應用于數百萬臺物聯網設備。Project Trillium 也從中發揮了作用，它能通過用于提高處理器性能、經過高度優化的 CMSIS-NN軟件，即時升級超低功耗設備。

此外，全新的機器學習 IP 套件包含Compute Library，可優化Arm Cortex-A CPU和Arm Mali GPU 上運行的更高端機器學習應用。

綜上所述，無論開發人員想使用 Arm Cortex-A、Cortex-M CPU、Arm Mali GPU，還是使用 Arm 機器學習和目標探測傳感器的任何組合，Project Trillium 都能幫助 Arm 全面響應市場機遇。

簡而言之，機器學習并不代表一種設備類別，而是幾乎所有設備都會采用的技術功能，在這一領域中，Project Trillium 將成為支柱產品。無論是通過智能潛水鏡等新奇產品實時傳遞信息，還是對住宅、辦公室或汽車機進行語音控制，都離不開它。未來我們會展出完整的 Arm 機器學習技術，引發更廣泛的關注，并推動智能互連設備不斷向前發展，開拓以人工智能為基礎的新領域。