စက်မှုလုပ်ငန်းသတင်းများ- ကမ္ဘာလုံးဆိုင်ရာ တစ်ပိုင်းလျှပ်ကူးပစ္စည်းလုပ်ငန်း ပေါင်းစည်းခြင်းနှင့် ဝယ်ယူခြင်းများသည် ပြန်လည်မြင့်တက်လာနေပါသည်။

MCU+AI: မလွဲမသွေ ခေတ်ရေစီးကြောင်း

STMicroelectronics သည် edge AI ကို အာရုံစိုက်ကာ Deeplite ကို ဝယ်ယူခဲ့သည်

ယခုနှစ် ဧပြီလတွင် STMicroelectronics (ST) သည် ကနေဒါ AI startup ကုမ္ပဏီ Deeplite ကို ဝယ်ယူခဲ့ပြီး လုပ်ငန်းနယ်ပယ်၏ အာရုံစိုက်မှုကို ရရှိခဲ့သည်။ ကျွန်ုပ်တို့အားလုံးသိကြသည့်အတိုင်း စီးပွားဖြစ်ဖြန့်ကျက်မှုတွင် deep learning မော်ဒယ်များ ရင်ဆိုင်နေရသော အဓိကစိန်ခေါ်မှုမှာ ၎င်းတို့၏ လည်ပတ်မှုအတိုင်းအတာ၊ ပရိုဆက်ဆာလိုအပ်ချက်များနှင့် ပါဝါသုံးစွဲမှုပြင်းထန်မှုတို့ဖြစ်သည်။ Deeplite သည် DNN (deep neural network) မော်ဒယ်များကို အကောင်းဆုံးဖြစ်အောင် အလိုအလျောက်ဆော့ဖ်ဝဲအင်ဂျင်တစ်ခု ပံ့ပိုးပေးခြင်းဖြင့် ဤပြဿနာကို ဖြေရှင်းပေးပြီး AI သည် မည်သည့်စက်ပစ္စည်းတွင်မဆို edge computing ကို လုပ်ဆောင်နိုင်စေပါသည်။

၂၀၁၇ ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့သော Deeplite သည် ၎င်း၏ edge AI solution DeepSeek ဖြင့် လူသိများပြီး AI မော်ဒယ်များ၏ optimization၊ quantization နှင့် compression ကို အဓိကထားသည်။ ၎င်း၏ ဆန်းသစ်သော AI-driven optimizer Neutrino သည် ကြီးမားသော deep learning မော်ဒယ်များကို ၎င်းတို့၏ မူလအရွယ်အစား၏ ဆယ်ပုံတစ်ပုံအထိ compress လုပ်နိုင်ပြီး တိကျမှု ၉၈% ကျော်ကို ထိန်းသိမ်းထားနိုင်သည်။ အဓိကနည်းပညာသုံးခုဖြစ်သည့် weight pruning (မလိုအပ်သော parameter များကို ဖယ်ရှားခြင်း)၊ quantization (တွက်ချက်မှုတိကျမှုလိုအပ်ချက်များကို လျှော့ချခြင်း) နှင့် sparsification (သုညတန်ဖိုးရှိသော အလေးချိန်များ၏ အချိုးအစားကို တိုးမြှင့်ခြင်း) မှတစ်ဆင့် ကြီးမားသော AI မော်ဒယ်များသည် edge စက်ပစ္စည်းများတွင် ပိုမိုမြန်ဆန်၊ သေးငယ်ပြီး ပိုမိုစွမ်းအင်ထိရောက်စွာ လည်ပတ်နိုင်သည်။ ယခင်က cloud computing စွမ်းရည်များ လိုအပ်ခဲ့သော application များသည် ယခုအခါ စမတ်ဖုန်းကင်မရာများနှင့် စက်မှုလုပ်ငန်းသုံး sensor များကဲ့သို့သော edge စက်ပစ္စည်းများတွင် ချောမွေ့စွာ လည်ပတ်နိုင်ပါပြီ။

Deeplite သည် အစောပိုင်းကာလများတွင် အာရုံစိုက်မှုများစွာကို ရရှိခဲ့ပြီး၊ Gartner၊ Forbes၊ Inside AI နှင့် ARM AI တို့က ဦးဆောင် AI ဆန်းသစ်တီထွင်သူအဖြစ် သတ်မှတ်ခံခဲ့ရသည်။ ဤဝယ်ယူမှုသည် ဟာ့ဒ်ဝဲနှင့် ဆော့ဖ်ဝဲကို "double helix" ပုံစံဖြင့် ပေါင်းစပ်ထားသည့် STMicroelectronics ၏ edge AI သို့ မဟာဗျူဟာမြောက် အသွင်ပြောင်းမှုနှင့် နီးကပ်စွာ ဆက်စပ်နေသည်။ Deeplite ၏ မော်ဒယ် optimization နည်းပညာကို STMicroelectronics ၏ STM32 series MCU များနှင့် end-to-end AI ဖြေရှင်းချက်များ တည်ဆောက်မှုကို ပံ့ပိုးရန်အတွက် သီးသန့် NPU များနှင့် နက်ရှိုင်းစွာ ပေါင်းစပ်ထားသည်။ ဥပမာအားဖြင့်၊ smart factory scenarios များတွင်၊ STMicroelectronics ချစ်ပ်များတပ်ဆင်ထားသော ကင်မရာများသည် cloud သို့ data များ upload လုပ်စရာမလိုဘဲ ချို့ယွင်းချက်များကို တိုက်ရိုက်ရှာဖွေနိုင်ပြီး တုံ့ပြန်မှုအမြန်နှုန်းကို ၄၀ ဆ တိုးမြှင့်ပေးသည်။

အခြားတစ်ဖက်တွင်မူ Deeplite တွင် ကမ္ဘာ့အဆင့်မီ AI algorithm အင်ဂျင်နီယာများအဖွဲ့ရှိပြီး ST သည် edge AI development tools ၂၀၀ ကျော်ကို ပေါင်းစပ်ပြီး "model library-optimizer-hardware platform" ၏ ပေါင်းစည်းထားသော development ecosystem တစ်ခုဖွဲ့စည်းမည်ဖြစ်သည်။ အတိုချုပ်ပြောရလျှင် Deeplite ကိုဝယ်ယူခြင်းသည် ST ၏ AI software level တွင် ပဟေဠိ၏နောက်ဆုံးအပိုင်းကို ပြီးမြောက်စေရုံသာမက semiconductor လုပ်ငန်း၏ "chips ထုတ်လုပ်ခြင်း" မှ "ဦးနှောက်ထုတ်လုပ်ခြင်း" သို့ paradigm change ကိုလည်း အမှတ်အသားပြုပါသည်။

NXP သည် smart edge ကို ပြန်လည်နေရာချထားရန် NPU ကုမ္ပဏီ Kinara ကို ဝယ်ယူခဲ့သည်

ယခုနှစ် ဖေဖော်ဝါရီလတွင် NXP သည် အမေရိကန် edge AI ချစ်ပ် startup ကုမ္ပဏီ Kinara ကို ငွေသား အမေရိကန်ဒေါ်လာ ၃၀၇ သန်းဖြင့် ဝယ်ယူကြောင်း ကြေညာခဲ့သည်။ Kinara ကို ၂၀၁၃ ခုနှစ်တွင် စတင်တည်ထောင်ခဲ့ပြီး မူလက Core Viz ဟု အမည်ပေးခဲ့ပြီး နောက်ပိုင်းတွင် Deep Vision ဟု အမည်ပြောင်းလဲကာ ၂၀၂၂ ခုနှစ်တွင် Kinara ဟု အမည်ပြောင်းလဲခဲ့သည်။ Kinara ၏ သီးခြား NPU (Ara-1 နှင့် Ara-2 အပါအဝင်) သည် စွမ်းဆောင်ရည်နှင့် စွမ်းအင်ထိရောက်မှုတို့တွင် လုပ်ငန်းကို ဦးဆောင်နေပြီး အမြင်၊ အသံ၊ လက်ဟန်ခြေဟန်နှင့် အခြား generative AI အကောင်အထည်ဖော်မှုအမျိုးမျိုးဖြင့် မောင်းနှင်သော ပေါ်ထွက်လာသော AI အပလီကေးရှင်းများအတွက် ဦးစားပေးဖြေရှင်းချက်ဖြစ်စေပြီး ၎င်း၏ ပရိုဂရမ်ရေးသားနိုင်စွမ်းက ပြောင်းလဲနေသော AI အယ်လဂိုရီသမ်များနှင့် လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်နိုင်စေကြောင်း သေချာစေသည်။

NXP က ဒီဝယ်ယူမှုဟာ Kinara ရဲ့ လွတ်လပ်တဲ့ NPU ကို သူ့ရဲ့ကိုယ်ပိုင် processor၊ ချိတ်ဆက်မှုနဲ့ လုံခြုံရေး software portfolio နဲ့ ပေါင်းစပ်ပေးမှာဖြစ်ပြီး TinyML ကနေ generative AI အထိ ပြီးပြည့်စုံပြီး တိုးချဲ့နိုင်တဲ့ AI platform တစ်ခုကို စက်မှုနဲ့ မော်တော်ကားဈေးကွက်တွေရဲ့ အလျင်အမြန် ကြီးထွားလာတဲ့ AI လိုအပ်ချက်တွေကို ဖြည့်ဆည်းပေးမှာဖြစ်တယ်လို့ ပြောပါတယ်။ ဒါက စက်မှုနဲ့ IoT နယ်ပယ်တွေမှာ AI-driven စနစ်အသစ်တွေ ဖန်တီးဖို့၊ ဖောက်သည်တွေရဲ့ ရှုပ်ထွေးမှုကို ရိုးရှင်းအောင် ကူညီပေးဖို့၊ ဈေးကွက်ထဲရောက်ဖို့ အချိန်ကို မြန်ဆန်စေဖို့နဲ့ smart ကားတွေလိုမျိုး နယ်ပယ်တွေမှာ နည်းပညာစွမ်းရည်တွေကို မြှင့်တင်ဖို့၊ တန်ဖိုးမြင့် နယ်ပယ်တွေဆီ ဦးတည်ဖို့ ကူညီပေးမှာ ဖြစ်ပါတယ်။

Edge AI: MCU ထုတ်လုပ်သူများအတွက် တိုက်ပွဲကွင်း

ဉာဏ်ရည်တုနယ်ပယ်တွင် "စကေးသည် စွမ်းအားဖြစ်သည်" ဟူသော အထင်အမြင်လွဲမှားမှုတစ်ခု ကြာမြင့်စွာကတည်းက ရှိနေခဲ့သည်။ မော်ဒယ်ကြီးများတွင် စွမ်းဆောင်ရည် အလွန်ကောင်းမွန်သော်လည်း၊ ၎င်းတို့သည် အမှန်တကယ် ဖြန့်ကျက်ရာတွင် စိန်ခေါ်မှုများနှင့် ရင်ဆိုင်ရပြီး ၎င်းတို့၏ မြင့်မားသော စွမ်းအင်သုံးစွဲမှုသည် အစွန်းဘက်ရှိ အလေးချိန်ပေါ့ပါးမှု လိုအပ်ချက်များနှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။ စက်မှုလုပ်ငန်းကျွမ်းကျင်သူများသည် မော်ဒယ်ကြီးအသုံးချမှု အခြေအနေများ၏ မွေးရာပါ ကန့်သတ်ချက်များကို အကြိမ်ကြိမ် ထောက်ပြခဲ့ကြသည်- တစ်ဖက်တွင်၊ မော်ဒယ်ကြီးများကို လေ့ကျင့်ပေးခြင်းနှင့် လည်ပတ်ခြင်းသည် ကြီးမားသော ကွန်ပျူတာအရင်းအမြစ်များ လိုအပ်ပြီး အခြားတစ်ဖက်တွင်၊ ဉာဏ်ရည်တု၏ စက်မှုလုပ်ငန်းဖွံ့ဖြိုးတိုးတက်မှုကို မြှင့်တင်ရန် အဓိကနယ်ပယ်များမှာ ပါဝါသုံးစွဲမှုနှင့် နှောင့်နှေးမှုအပေါ် ပိုမိုထိခိုက်လွယ်သော အစွန်းကွန်ပျူတာနှင့် terminal စက်ပစ္စည်းများ ဖြစ်သည်။

အထက်ဖော်ပြပါ ဝယ်ယူမှုများက MCU ၏ အဓိကစစ်မြေပြင်သည် edge AI computing သို့ ရွေ့လျားနေကြောင်း ပြသနေသည်ကို နားလည်ရန် မခက်ခဲပါ။ ၂၀၂၅ ခုနှစ်တွင် အချက်အလက်၏ ၇၅% ကို edge တွင် လုပ်ဆောင်မည်ဟု မျှော်လင့်ရပြီး edge AI MCU ဈေးကွက်၏ ကြီးမားသော အလားအလာကို မီးမောင်းထိုးပြနေပါသည်။ ၎င်းသည် edge AI computing အတွက် ဝယ်လိုအားသည် အလျင်အမြန် တိုးပွားလာနေပြီး edge စက်ပစ္စည်းများ၏ အဓိကအစိတ်အပိုင်းအနေဖြင့် MCU သည် ဤလမ်းကြောင်းတွင် အဓိကအခန်းကဏ္ဍမှ ပါဝင်မည်ဖြစ်ကြောင်း ပြသနေပါသည်။

အနာဂတ်တွင် MCU များသည် ရိုးရာထိန်းချုပ်မှုလုပ်ဆောင်ချက်များအတွက်သာ ကန့်သတ်ထားတော့မည်မဟုတ်ဘဲ AI ကျိုးကြောင်းဆင်ခြင်နိုင်စွမ်းများကို တဖြည်းဖြည်းပေါင်းစပ်ပြီး ရုပ်ပုံမှတ်မိခြင်း၊ အသံလုပ်ဆောင်ခြင်းနှင့် စက်ပစ္စည်းများ၏ ခန့်မှန်းထိန်းသိမ်းခြင်းကဲ့သို့သော အခြေအနေများတွင် အသုံးချသွားမည်ဖြစ်သည်။ edge computing စွမ်းရည်ရှိသော MCU များသည် ၎င်းတို့၏ ပါဝါသုံးစွဲမှုနည်းပါးခြင်း၊ မြင့်မားသောစွမ်းဆောင်ရည်နှင့် ချက်ချင်းတုံ့ပြန်မှုတို့ဖြင့် edge computing စွမ်းအား၏ အရေးကြီးသော သယ်ဆောင်သူဖြစ်လာပြီး စမတ်စက်ပစ္စည်းများနှင့် စနစ်များအတွက် ပိုမိုအားကောင်းသော ပံ့ပိုးမှုကို ပေးစွမ်းမည်ဖြစ်သည်။

အခြားအဓိက MCU ထုတ်လုပ်သူများသည်လည်း ဤနယ်ပယ်တွင် တက်ကြွစွာဝယ်ယူပြီး ယှဉ်ပြိုင်နေကြပြီး ဥပမာအားဖြင့် Renesas Electronics မှ Reality AI ကို ဝယ်ယူခြင်း၊ Infineon မှ ဆွီဒင်နိုင်ငံမှ Imagimob ကို ဝယ်ယူခြင်းနှင့် NXP မှ machine learning software eIQ နှင့် AI tool chain NANO ကို စတင်ထုတ်လုပ်ခြင်းတို့ ဖြစ်သည်။

edge AI ဟာ လာမယ့်နှစ်အနည်းငယ်အတွင်း MCU တွေအတွက် အဓိကစစ်မြေပြင်တစ်ခု ဖြစ်လာလိမ့်မယ်လို့ ကောက်ချက်ချနိုင်ပါတယ်။

မော်တော်ကားအီလက်ထရွန်းနစ်ပစ္စည်းများ- အရင်းအနှီးပြိုင်ဆိုင်မှု၏ အဓိကအချက်အချာ

မကြာသေးမီက မော်တော်ကားအသုံးချမှုများနှင့် ဆက်စပ်သော semiconductor ပေါင်းစည်းမှုများနှင့် ဝယ်ယူမှုများ မကြာခဏ ပေါ်ပေါက်လာခဲ့သည်။ ကွန်ပျူတာစွမ်းအားအပြင်၊ မော်တော်ကား powertrain၊ ကားအတွင်းကွန်ရက်ချိတ်ဆက်မှု၊ ကားအတွင်းအသံနှင့် အခြားနည်းပညာများ၏ တိုးတက်ပြောင်းလဲမှုသည် semiconductor နည်းပညာ၏ ထပ်ခါတလဲလဲပြုလုပ်မှုနှင့် အပ်ဒိတ်လုပ်မှုကိုလည်း မောင်းနှင်ခဲ့ပြီး ဆက်စပ်ကုမ္ပဏီများသည် ပေါင်းစည်းမှုများနှင့် ဝယ်ယူမှုများမှတစ်ဆင့် ၎င်းတို့၏ကိုယ်ပိုင်နည်းပညာအပြင်အဆင်ကို ဖြည့်စွက်ရန် တွန်းအားပေးခဲ့သည်။

တစ်ပိုင်းလျှပ်ကူးပစ္စည်းလုပ်ငန်းသည် နည်းပညာကို အလွန်အမင်းအသုံးပြုပြီး အရင်းအနှီးကို အလွန်အမင်းအသုံးပြုသော ပုံမှန်လုပ်ငန်းတစ်ခုဖြစ်သည်။ လွန်ခဲ့သောဆယ်စုနှစ်အနည်းငယ်အတွင်း ပြန်ကြည့်လျှင် ပေါင်းစည်းခြင်းနှင့် ပေါင်းစည်းခြင်းများသည် လုပ်ငန်းဖွံ့ဖြိုးတိုးတက်မှုတွင် မလွဲမသွေဖြစ်ပေါ်လာသော လမ်းကြောင်းတစ်ခု ဖြစ်လာခဲ့သည်။

AI ကုမ္ပဏီကြီးများသည် ၎င်းတို့၏ နည်းပညာအပြင်အဆင်ကို တိုးတက်ကောင်းမွန်စေရန်နှင့် "ချစ်ပ် + စနစ် + ဂေဟစနစ်" ၏ full-stack အားသာချက်ကို တည်ဆောက်ရန် မကြာခဏ ဝယ်ယူမှုများ ပြုလုပ်ကြသည်။ အဓိက MCU ထုတ်လုပ်သူများသည် ပါဝါသုံးစွဲမှုနည်းပါးပြီး ပြောင်းလွယ်ပြင်လွယ်ရှိသော smart terminal ဈေးကွက်ကို သိမ်းပိုက်ရန် ကြိုးစားကာ edge AI သို့ တဖြည်းဖြည်း ပြောင်းလဲနေကြသည်။ မော်တော်ကားနယ်ပယ်တွင် in-vehicle computing၊ autonomous driving နှင့် data interconnection တို့သည် အရင်းအနှီးယှဉ်ပြိုင်မှု၏ အဓိကနယ်ပယ်များ ဖြစ်လာသည်။ တစ်ချိန်တည်းမှာပင်၊ EDA လုပ်ငန်းသည် tools များ ပံ့ပိုးပေးခြင်းမှ ဂေဟစနစ်တစ်ခု တည်ဆောက်ခြင်းသို့ ပြောင်းလဲနေသည်။ ကုမ္ပဏီကြီးများသည် IP နှင့် ဒီဇိုင်းလုပ်ငန်းစဉ်များကို ပေါင်းစပ်ပြီး "tool-architecture-standard" architecture မှတစ်ဆင့် ဈေးကွက်လွှမ်းမိုးမှုကို တည်ဆောက်ကြသည်။

ဤပေါင်းစည်းခြင်းနှင့် ဝယ်ယူခြင်းလှိုင်းတွင် နည်းပညာပူးပေါင်းဆောင်ရွက်မှု၊ ဈေးကွက်ချဲ့ထွင်ခြင်းနှင့် ဂေဟစနစ်လွှမ်းမိုးမှုတို့သည် အဓိကယုတ္တိဗေဒဖြစ်လာခဲ့သည်။ ကုမ္ပဏီများသည် ရင်းနှီးမြှုပ်နှံမှုများ හැකිරියටလာချိန်တွင် ရေတိုပေါင်းစည်းမှုနှင့် ရေရှည်သုတေသနနှင့် ဖွံ့ဖြိုးတိုးတက်မှုကို ဟန်ချက်ညီအောင်ပြုလုပ်ရန် လိုအပ်ပါသည်။ တစ်ပိုင်းလျှပ်ကူးပစ္စည်းလုပ်ငန်း၏ နည်းပညာအတားအဆီးများနှင့် ရင်းနှီးမြှုပ်နှံမှုများစွာလိုအပ်သော သဘောသဘာဝကို ထောက်ရှုခြင်းအားဖြင့် ဤအသွင်ပြောင်းလဲမှုသည် "ဖြတ်လမ်း" မဟုတ်ဘဲ ရေရှည်ရင်းနှီးမြှုပ်နှံမှုလိုအပ်သည့် "မာရသွန်" တစ်ခုဖြစ်သည်။