關鍵要點· AM13E230x MCU 通過在單個器件中結合使用 Arm? Cortex?-M33 CPU 和 TI TinyEngine? NPU，能夠在實時控制應用中實現預測性故障檢測和自適應控制算法。· 人形機器人和電器設備中的本地 AI 模型可以根據實際情況持續監測參數并調整性能，而無需云連接或其他分立式元件。 克服傳統設計局限，實現支持邊緣 A
外媒報道稱，美國國防部副部長Steve Feinberg在3月9日致五角大樓領導層的一封機密信件中表示，Palantir的AI系統正式確立為美軍的「記錄項目」（Program of Record）。五角大樓決定，從今年9月本財年結束起，Palantir AI將全面嵌入美軍各軍種。也就是說，Palantir的Maven人工智能系統正式成為美軍跨軍種的核心操作系統。這一決定就意味著，戰爭的算法不再是輔助工具而是靈魂。Palantir的武器目標識別技術，將在美國軍方中獲得長期、穩定的應用。Feinberg在信中
從通用計算轉向 AI 專用硬件，其核心驅動力是深度學習模型特有的計算與能耗需求。隨著模型規模擴展至萬億級參數，傳統架構面臨內存墻困境：在存儲器與處理單元之間搬運數據所消耗的能量，已遠超計算本身的能耗。本文梳理了當前用于解決這類瓶頸的設計策略，覆蓋從數據中心脈動陣列到功耗受限的邊緣端加速器等各類場景。問：標準 CPU 與 GPU 架構為何無法滿足 AI 負載需求？答：中央處理器（CPU）受限于面向通用任務設計的窄位寬向量處理單元與復雜緩存層次結構，在高并發 AI 運算中會產生顯著延遲。圖形處理器（GPU）雖
芯片廠商正越來越多地采用基于人工智能的工具，對用于各類邊緣場景的半導體進行驗證，這些場景包括機器人、無人機、自動駕駛汽車等實體 AI。但他們對這類技術仍持謹慎態度，會限制 AI 的執行范圍，并在必要時依靠人工干預檢查 AI 的運行結果。這些實體 AI 系統與大、小語言模型、計算機視覺模型、視覺?語言?動作模型等相連。在許多場景下，人們會使用 AI 工具監控這些模型，對海量數據集進行篩選以發現異常。從功能安全與網絡安全角度看，由 AI 工具監督連接了小語言模型與大語言模型的實體 AI 設備，看似形成了一個危
3月17日，日本互聯網巨頭樂天集團發布大模型Rakuten AI 3.0，并將其定義為在日本經濟產業省與新能源產業技術綜合開發機構（NEDO）推動的GENIAC項目框架下開發的“日本國內最大規模高性能AI模型”。然后發布當天，這款日本最強大模型就“翻車”了。截至目前，樂天集團沒有任何公開回應。根據樂天的官方新聞稿，Rakuten AI 3.0是"基于開源社區最優秀的模型，結合樂天獨自的高品質雙語數據、技術力和研究成果開發"的，對Deepseek只字未提。不過，模型上線后不久，技術社區很
京ICP備12027778號-2 北京市公安局備案：1101082052 京公網安備11010802012473