Tartalomjegyzék:
- Mi a GPU, a CPU és az NPU, és mi a különbség?
- NPU, mesterséges intelligencia, gépi tanulás és mély tanulás
CPU, GPU és most NPU. Egy ideje a különféle telefongyártók egy új, a legtöbb számára eddig ismeretlen alkatrészt hangsúlyoztak. Az NPU, vagy jobban mondva, a Neural Processing Unit vagy a Neutral Processing Unit olyan komponens, amely közvetlenül beavatkozik a mesterséges intelligenciával kapcsolatos tevékenységekbe. De mi is az az NPU valójában, és mi különbözteti meg a CPU-tól és a GPU-tól? Lentebb látjuk.
Mi a GPU, a CPU és az NPU, és mi a különbség?
Amit CPU-ként és GPU-ként ismerünk, a számítógép és az okostelefon két legfontosabb eleme. Nagyjából a CPU az az egység, amely az alkalmazások, programok és a háttérben lehorgonyzott rendszerfolyamatok adataival kapcsolatos összes információ feldolgozásáért felelős.
Fizikai síkon nem más, mint egy egység, amely matematikai műveleteket old meg, és utasítások formájában értelmezi azokat. Mint más alkatrészeknél, minél nagyobb a frekvencia és a magok, annál nagyobb a teljesítmény, mivel nagyobb kapacitással rendelkezik az információk feldolgozására.
A GPU-t illetően a grafikus feldolgozó egység célja a 3D és 2D grafikával kapcsolatos összes információ feldolgozása. Mivel a mai interfészek komplex 2D és 3D térképeken alapulnak, a csapatnak szüksége van egy második egységre, hogy fizetőképesen dolgozzon az adatokkal.
A játékok és videók mellett a GPU rendkívül felületes feladatok mellett rendkívül hasznos a rendszeranimációk és a kiváló minőségű videofelvételek kezeléséhez.
Tehát mire szolgál az NPU? Az említett komponens célja a CPU utasításainak fogadása, amelyek megkövetelik a mesterséges intelligencia használatának sokkal hatékonyabb feldolgozását, és működésével megpróbálja szimulálni az agy funkcióit.
Azok a funkciók, amelyekért az NPU felelős, rövid időn belül nagy mennyiségű matematikai számítás felbontásával kapcsolatosak. Az ilyen típusú chipek kulcsa a sebességen és az energiahatékonyságon alapul, sokkal nagyobb utazási sebességgel, mint a CPU-k és a GPU-k.
NPU, mesterséges intelligencia, gépi tanulás és mély tanulás
Láttuk már, hogy mi az NPU és mi a fő funkciója, de milyen feladatokhoz szükséges az NPU használata, és mi a tényleges alkalmazása mobiltelefonon? A részletekhez először meg kell tudnunk, hogy mi a mesterséges intelligencia, a Marchine Learning és a Deep Learning.
Az első koncepciónak fizikai szinten kell elvégeznie minden tevékenységet, amely egy bizonyos típusú szoftver használatától függ. És ez az, hogy míg a CPU és a GPU megoldja a rendszer által előre definiált műveleteket, az NPU megoldja a felhasználótól függően eltérő számításokat.
Ezek a számítások kapcsolatba hozhatók a fényképek portré módban történő feldolgozásával, egy videó valós idejű stabilizálásával, a különböző objektumok távolságának kiszámításával 3D-ben a kamerán keresztül vagy a nyelv előrejelzésével a billentyűzeten. Olyan feladatok, amelyek röviden megkövetelik a változó számítások felbontását nagyon rövid idő alatt.
De a mesterséges intelligencia valódi kulcsa pontosan a gépi tanuláshoz kapcsolódik. Ez a kifejezés arra utal, hogy egy bizonyos típusú rendszer képes megtanulni egy eszköz használati szokásait az idő múlásával. Az NPU éppen ezeknek a szokásoknak a megoldásáért felel, és ennek megfelelően jár el. Aktiváljon bizonyos funkciókat egy adott időpontban, felgyorsítsa azoknak az alkalmazásoknak a betöltését, amelyeket a legjobban használunk mobiltelefonon, előre jelezzük a hangulatjeleket a billentyűzeten, beállíthatjuk az akkumulátor használatát a napszak függvényében…
Mi tehát a mély tanulás? Ez a koncepció kétségkívül a három közül a legérdekesebb. A mély tanulás olyan NPU-műveletekre utal , amelyek megoldásához nincs szükség emberi beavatkozásra.
Működése sokkal inkább hasonlít az agy és az encephalon működéséhez, mint önmagában a processzoré, képes megoldani az egyenleteket anélkül, hogy a felhasználónak, hanem a környezetnek kellene beállítania. Jelenleg alkalmazása nem túl elterjedt a jelenlegi mobil rendszerekben, ezért meg kell várni, amíg az Android és az iOS megvalósítja a Deep Learning célokat szolgáló funkciókat, hogy az összes szoftvert a felhasználó igényeihez igazítsák anélkül, hogy a felhasználó aktívan beavatkozna.
