🔸 #تازه_ها ؛

✅ کمپانی ARM از معماری جدید خود با نام ArmV8.1-M رونمایی کرد.
👈 این پردازنده یک افزونه پردازنده برداری به نام "هلیوم" دارد که امکان #پردازش_لبه برای محاسبات/پرذازش های سیگنال و #هوش_مصنوعی فراهم می کند.
👈 این پردازنده قادر است 15 برابر کارایی بهتر در پردازش های هوش مصنوعی و 5 برابر کارایی بهتر در پردازش سیگنال داشته باشد.

👈 این معماری جدید #ARM فصل جدیدی در توسعه پردازش لبه (#EdgeComputing) خواهد گشود و پیش بینی میشود مورد استفبال صنعت #اینترنت_اشیاء قرار گیرد.

از وبسایت آرم بخوانید.
@embedded

🔸 محیط اجرای پردازش لبه اینتل Devcloud

👈 توسعه‌دهندگان #هوش_نهفته و #پردازش_لبه، همواره با چالش‌هایی جهت انتخاب سخت افزار و نرم‌افزار مناسب جهت کاربرد خاص، روبه‌رو هستند.

👈 اما، ابزار فراهم شده توسط اینتل میتواند چالش‌های ذکر شده را برای متخصصان این حوزه برطرف کند. اینتل شرایط و امکانات سخت افزاری و نرم افزاری جهت پردازش لبه‌ای را در بستر ابری DevCloud فراهم کرده که حتی به طور رایگان میتواند جهت نمونه سازی و تست کارایی مورد استفاده قرار گیرد.

🔗 https://devcloud.intel.com

🔺 پردازش لبه و تفاوت آن با ابری؟
🔺 ابزار مایکروسافت برای پردازش هوش مصنوعی روی لبه

#EdgeComputing
#CloudComputing
#EmbeddedAi
@embeddedAi
@embedded

What is Edge Computing?

Edge computing is a distributed computing paradigm that brings computation and data storage closer to the sources of data.
This is expected to improve response times and save bandwidth.
It is an architecture rather than a specific technology.
It is a topology- and location-sensitive form of distributed computing.

This video focuses on edge computing and some cloud computing:

https://youtu.be/0idvaOCnF9E

via Rei Notes

#EdgeComputing
@embedded

هوش‌مصنوعی، آنالوگ می‌شود؟

در ادامه روند شتابان پیشرفت تحقیقات در زمینه پردازش‌های عصبی؛ در پاسخ به نیاز گسترده عموم به پردازش شبکه‌های بیشتر با سرعت بیشتر و مصرف انرژی پایین‌تر، ایده آزمایشگاهی شبکه‌های عصبی فیزیکی (PNN) معرفی شد.

این شبکه‌های عصبی فیزیکی از خواص نور و پدیده‌های کوانتومی برای پردازش اطلاعات استفاده می‌کنند، بنابراین محدودیت‌های پردازشی و انرژی ندارند.

پژوهشی که به تازگی در مجله Nature منتشر شده، مراحل آموزش شبکه‌های عصبی فیزیکی توسعه داده شده با چیپ‌های فوتونیک را مشخص می‌کند. این چیپ‌ها با استفاده از فناوری‌های فوتونیک یکپارچه، عملیات ریاضی مانند جمع و ضرب را از طریق مکانیزم‌های تداخل نور روی میکروچیپ‌های سیلیکونی کوچک انجام می‌دهند.

تحقیقات و پیشرفت‌های آزمایشگاهی مثل این پژوهش، نشان دهنده‌ی آینده‌ای جذاب در این حوزه است که بتواند پردازش مدل‌های بزرگ به صورت لبه (Edge) را فراهم کند.

✍ عادل برکم
#embeddedAI
#PNN
#EdgeComputing
@embedded

از تراشه تا سامانه: هوش مصنوعی به طراحی یکپارچه نیاز دارد

در حالی که هوش مصنوعی نه‌فقط فعالان فناوری و مهندسان، بلکه توجه عموم را نیز به خود جلب کرده است، تحلیل آیندهٔ فناوری و مهندسی نهفته در عصر هوش مصنوعی اهمیت بیشتری پیدا می‌کند. پیش‌تر دربارهٔ رایانش لبه و هوش فیزیکی گفته بودیم؛ اکنون تحول دیگری در حال شکل‌گیری است: طراحی سامانه‌های هوش مصنوعی دیگر به افزایش توان یک تراشه محدود نیست و باید تراشه، مدل، نرم‌افزار و معماری کل سامانه را هم‌زمان در نظر بگیرد.

در میزگرد بین‌المللی «تایوان و اکوسیستم جهانی هوش مصنوعی: ساخت موج بعدی نوآوری» در همایش EE Tech Summit 2026 (iTechCon 2026)، کارشناسان دولت، صنعت و پژوهش بررسی کردند که تایوان چگونه می‌تواند توانمندی‌های خود در تولید نیمه‌رسانا، بسته‌بندی پیشرفته و یکپارچه‌سازی سامانه‌ها را به ارزش‌آفرینی بیشتر در حوزهٔ هوش مصنوعی تبدیل کند. گسترش تخصص نرم‌افزاری، پرورش نیروی انسانی میان‌رشته‌ای و تقویت زیست‌بوم استارتاپی نیز از محورهای این گفت‌وگو بود.

یونگ‌هویی لی، مدیر مؤسس مرکز پژوهش هوش مصنوعی در مؤسسهٔ پژوهشی Hon Hai، توضیح داد که طراحی سامانه‌های هوش مصنوعی از سطح تراشه فراتر رفته و اکنون رک‌ها و حتی کل مراکز داده را دربرمی‌گیرد. در این مقیاس، پردازنده، حافظه، ارتباطات داخلی، شبکه، تأمین برق، خنک‌سازی مایع و نرم‌افزار باید همچون اجزای یک سامانهٔ واحد با یکدیگر کار کنند.

او این نگاه را چنین خلاصه کرد:

«یک خوشهٔ پیشرفته باید مانند یک رایانهٔ عظیم واحد عمل کند.»

اهمیت این دیدگاه با تغییر نوع بارهای کاری هوش مصنوعی بیشتر می‌شود. با حرکت صنعت از آموزش مدل‌ها به‌سوی استنتاج، هوش مصنوعی عامل‌محور و هوش فیزیکی، محدودیت عملکرد دیگر فقط توان محاسباتی تراشه نیست. جابه‌جایی داده، تأمین برق و مدیریت گرما نیز می‌توانند به گلوگاه تبدیل شوند.

به همین دلیل، معیارهای سنجش عملکرد نیز در حال تغییرند. در کنار توان محاسباتی خام، شاخص‌هایی مانند عملکرد به‌ازای هر وات و تعداد توکن تولیدشده به‌ازای هر دلار اهمیت بیشتری می‌یابند. دستیابی به عملکرد بهتر مستلزم آن است که تراشه، حافظه، ارتباطات داخلی و سامانهٔ خنک‌کننده از ابتدا و در پیوند با یکدیگر طراحی شوند.

تایوان در این زمینه از یک زنجیرهٔ صنعتی گسترده برخوردار است که تولید نیمه‌رسانا، بسته‌بندی پیشرفته، بردهای مدار چاپی، تأمین برق، مدیریت حرارتی، شبکه و سرور را دربرمی‌گیرد. به‌گفتهٔ لی، مزیت تایوان فقط در توانایی ساخت تراشه نیست؛ بلکه در پیوند نزدیک این صنایع است—پیوندی که می‌تواند طراحی و یکپارچه‌سازی، آزمون و اعتبارسنجی، و گذار به تولید انبوه را سریع‌تر کند.

این تحول، معیار رقابت در صنعت هوش مصنوعی را نیز تغییر می‌دهد: دیگر کافی نیست یک تراشه به‌تنهایی سریع‌تر باشد؛ برتری زمانی شکل می‌گیرد که همهٔ اجزای سامانه در کنار هم، با مصرف انرژی و هزینهٔ مناسب، عملکردی قابل‌اتکا ارائه دهند. بنابراین، گام بعدی برای کشورهایی مانند تایوان، تبدیل توان صنعتی و سخت‌افزاری به توان طراحی سامانه‌های هوشمند و خلق محصولات و خدمات باارزش‌تر است.

منبع: گزارش EE Times/EDN Taiwan از میزگرد بین‌المللی «Taiwan and the Global AI Ecosystem: Building the Next Wave of Innovation» در همایش EE Tech Summit 2026 (iTechCon 2026).

#AI
#SystemDesign
#AIInference
#AgenticAI
#PhysicalAI
#Semiconductors
#EdgeComputing
@embedded