Markt-Trends von LA Neuromorpher Chip Industrie
Die Automobilindustrie ist die am schnellsten wachsende Branche für die Einführung neuromorpher Chips
- Die Automobilindustrie ist eine der am schnellsten wachsenden Branchen für neuromorphe Chips. Alle Premium-Automobilhersteller investieren stark, um Level 5 der Fahrzeugautonomie zu erreichen, was wiederum voraussichtlich eine enorme Nachfrage nach KI-gestützten neuromorphen Chips erzeugen wird.
- Der Markt für autonomes Fahren erfordert eine ständige Verbesserung der KI-Algorithmen für hohen Durchsatz bei geringem Leistungsbedarf. Neuromorphe Chips eignen sich ideal für Klassifizierungsaufgaben und könnten für verschiedene Szenarien beim autonomen Fahren eingesetzt werden. Im Vergleich zu statischen Deep-Learning-Lösungen sind sie auch in einer lauten Umgebung, beispielsweise in selbstfahrenden Fahrzeugen, effizienter.
- Laut Intel sind vier Terabyte die geschätzte Datenmenge, die ein autonomes Auto bei fast anderthalb Stunden Fahrt oder der Zeit, die ein normaler Mensch jeden Tag in seinem Auto verbringt, erzeugen kann. Autonome Fahrzeuge stehen vor der großen Herausforderung, alle während dieser Fahrten generierten Daten effizient zu verwalten.
- Die Computer, auf denen die neuesten selbstfahrenden Autos laufen, sind praktisch kleine Supercomputer. Unternehmen wie Nvidia wollen im Jahr 2022 autonomes Fahren der Stufe 5 erreichen und dabei 200 TOPS (Billionen Operationen pro Sekunde) bei einer Leistung von 750 W liefern. Der Aufwand von 750 W pro Stunde für die Verarbeitung dürfte jedoch spürbare Auswirkungen auf die Reichweite von Elektrofahrzeugen haben.
- ADAS-Anwendungen (Advanced Driver Assistance System) umfassen Bildlern- und Erkennungsfunktionen für verschiedene Automobilanwendungen neuromorpher Chips. Es funktioniert wie herkömmliche ADAS-Funktionen, etwa der Tempomat oder das intelligente Geschwindigkeitsassistenzsystem in Pkw. Es kann die Fahrzeuggeschwindigkeit steuern, indem es die auf Straßen markierten Verkehrsinformationen wie Fußgängerüberwege, Schulzonen, Unebenheiten usw. erkennt.
Um die wichtigsten Trends zu verstehen, Musterbericht herunterladen
PDF herunterladen
Die steigende Nachfrage nach auf künstlicher Intelligenz basierenden Mikrochips treibt das Marktwachstum voran
- Der lateinamerikanische Markt für neuromorphe Chips verzeichnet ein starkes Wachstum aufgrund der steigenden Nachfrage nach künstlicher Intelligenz und der Vorliebe der Verbraucher für kleine Produkte, was zu einer Miniaturisierung von ICs führt. Mit dem Aufkommen intelligenter Technologien werden intelligente Sensoren in vielen Endverbraucherbranchen wie der Automobil-, Elektronik- und Medizinbranche eingesetzt.
- Derzeit verfügbare Halbleiter für KI-Anwendungen sind CPUs und KI-Beschleuniger. Die KI-Beschleuniger sind aufgrund der Rechenbeschränkungen von CPUs führend auf dem Markt. Verfügbare KI-Beschleuniger sind GPUs, anwendungsspezifische integrierte Schaltkreise (ASICs) und feldprogrammierbare Gate-Arrays (FPGAs). GPUs verfügen über viele parallele Verarbeitungskerne, was ihnen einen erheblichen Vorteil bei der Verarbeitung von KI-Training und -Inferenz verschafft. Sie haben jedoch einen hohen Stromverbrauch, der für zukünftige Anwendungen nicht tragbar ist.
- Andererseits können neue FPGAs eine zehnmal höhere Energieeffizienz als GPUs aufweisen, weisen jedoch eine geringere Leistung auf. In Anwendungen, bei denen Energieeffizienz oberste Priorität hat, können FPGAs die alternative Lösung sein. Unter den KI-Beschleunigern weisen ASICs die beste Leistung, den geringeren Stromverbrauch und die beste Effizienz auf. Der Entwurf eines einzigartig funktionierenden ASIC ist jedoch sehr kostspielig und nicht rekonfigurierbar. Daher sollten ASICs verwendet werden, wenn der Markt für bestimmte KI-Anwendungen für die Designinvestition ausreicht.
- Im Vergleich zu KI-Beschleunigern dürften neuromorphe Chips hinsichtlich Parallelität, Energieeffizienz und Leistung die beste Option sein. Sie können sowohl KI-Inferenz als auch Training in Echtzeit durchführen. Darüber hinaus ist Edge-Training durch neuromorphe Chips möglich. Die Genauigkeit der Lernmethoden sollte jedoch verbessert werden.
Um geografische Trends zu verstehen, Musterbericht herunterladen
PDF herunterladen
