BrainChip Faktencheck WKN: A14Z7W ISIN: AU000000BRN8 Kürzel: BRN Forum: Aktien User: Trollfresser

Was denkst du was es damit auf sich hat? https://www.upwork.com/freelance-jobs/apply/Machine-Learning-Engineer-Neuromorphic-Computing-Akida-London_~01e0cd3804f2f5bf56/

Nanalyze-Videos müssen hier nicht gepostet werden, deshalb gelöscht. Seit 2 Jahren geben diese Hinterhofanalysten sich alle Mühe, Brainchip als großen Bluff darzustellen, haben aber keinerlei Ahnung von Technologien. Klar, alles nur ein großer Bluff, Arm, Intel, Mercedes, Renesas, wie sie alle heißen, entwickeln alle mit einer Technologie, die es gar nicht gibt. Über solche Flachpfeifen überhaupt nachdenken zu müssen, ist mir schon zuviel, sorry.

Die Anzahl von hochrangigen und nicht bzw. noch nicht so hochrangigen Unternehmen, die sich aktuell mit brainchip beschäftigen, nimmt ständig zu und das ist sehr gut, so mM.

Einfach mal die EU aus den Spekulationen rauslassen, die Welt ist doch groß genug. Auch ohne noch zu erforschende neue Trainingsalgorithmen ist Akida natürlich einsetzbar, aber nicht in einer Umgebung mit hochkomplexen wechselnden Anforderungen. Von Bluttest über Objektivsteuerung in Kameras bis zu Mülltrennung und Einsatz in Wetterstationen, nur als kleine Beispiele, ist bereits vieles machbar, bei dem Cloudfreiheit und niedriger Stromverbrauch ausschlaggebend sind. Die Champions League kommt später.

Moin, aufgrund der im Rahmen der allgemeinen Euphorie erneut hochkochenden Mercedes-Spekulationen hier noch einmal, hoffentlich zum letztenmal, der einzigste wichtige Link zum Stand der Dinge. Das sagt Magnus Östberg, Mercedes: https://www.linkedin.com/feed/hashtag/?keywords=leadincarsoftware Die wichtigsten Zitate: "However, this change in data processing also requires new software algorithms specifically designed to work with neuromorphic hardware. Existing algorithms can only partially leverage the many benefits of neural technology" und "Neuromorphic computing reduces the power required for advanced AI computation, which is useful in applications where energy is limited, like electric vehicles. However, we still need automotive-grade chips with neuromorphic technology before this technology becomes common in cars." Zusammengefasst also zwei entscheidende Dinge. 1.) Für ein umfassendes Training neuromorpher Chips braucht es eine neue Art von neuromorphen Algorithmen, die sind noch in der Entwicklung und zurzeit nicht verfügbar. 2.) Neuromorphe Chips haben für den Einsatz im Automotive Bereich keinerlei Zertifizierung oder Sicherheitsfreigabe. Planung neuer Serienmodelle hat einen Vorlauf von mindestens 2 Jahren, entsprechend ist mit einem Serieneinsatz vor 2026/27 mit Sicherheit nicht zu rechnen. Dasselbe gilt natürlich auch für Valeo, die im selben Segment tätig sind. In Zukunft werde ich diesen Beitrag nur noch kopieren oder vielleicht als Blog veröffentlichen, immer wieder dasselbe zu schreiben ist etwas mühselig.

Ach ja stimmt.. hab RNN mit CNN verwechselt

Erster Anwendungsbereich von SNN ist die Auswertung sämtlicher Arten von Sensordaten. Was genau im Bereich LLMs möglich ist, kann ich aktuell nicht sagen, da ist vieles im Entwicklungsstadium. Der SpiNNaker Supercomputer läuft auch auf SNN, mir ist aber nicht bekannt, welche Versuchsreihen genau dort ablaufen.

Sequential Neural Networks ist mir unbekannt. Du meinst, glaube ich, Recurrent Neural Networks (RNNs), die in sequentiellen Modellen laufen. Die werden im Bereich LLMs angewendet, das ist richtig. SNN steht für Spiking Neural Network, etwas vollkommen anderes. Hier gibt es eine recht gute Einführung zum Thema: https://www.baeldung.com/cs/spiking-neural-networks

Der Unterschied zwischen Convulutional neural Network und sequential neural Network ist doch dass das eine für sequentielle anwendungstypen zum Einsatz kommt wie zB für large Language Modelle wie gpt und Bård und das andere für Bildererkennung bzw generierung also wo bestimmte Muster meistens entscheidend ist statt die Anordnung von Tokens oder sonstige ? Hab mich da mal reingelesen vor paar Monaten als ich mich damit beschäftigt hatte

📌

👀👀👀