BrainChip Konkurrenz WKN: A14Z7W ISIN: AU000000BRN8 Kürzel: BRN Forum: Aktien User: Howie03

Akida ist eine Hybrid-Inferenz-Engine mit geringem Stromverbrauch, die SNNs nativ ausführt und zusätzlich Low-Precision (INT4) CNNs unterstützt. Die proprietären Data-to-Spike- und Pixel-to-Spike-Konverter von BrainChip sind eine viel effizientere Lösung als Tsinghuas experimenteller Tianjic-Hybrid-KI-Prozessor, der zwei verschiedene Rechenmethoden implementiert, um CNNs und neuromorphe Funktionen in jedem Rechenkern zu verarbeiten (siehe MPR 23.09.19 , „Tsinghua Pedals Hybrid-KI-Prozessor“). Bei der Erkennung von Schlüsselwörtern konkurriert Akida mit dem Spracherkennungsprozessor NDP10x von Syntiant (siehe MPR 18.03.19, „Syntiant kennt die besten Wörter“). Das NDP10x verwendet ältere 40-nm-ULP-Technologie, kann jedoch bis zu 64 Wörter klassifizieren und verbraucht dabei 200 Mikrowatt, was der Leistung von Akida mit geringem Stromverbrauch entspricht. Syntiant reduziert auch den Speicherbedarf durch die Verwendung von 4-Bit-Gewichtungen, bietet jedoch eine höhere Präzision durch die Verwendung von 8-Bit-Aktivierungen. Akida erfordert eine Off-Chip-Berechnung von Mel-Frequenzkomponenten, während der NDP10x diese Funktion auf dem Chip implementiert. Da das NDP10x nur Audiodaten verarbeitet und keine inkrementelle Lernfähigkeit besitzt, kann es jedoch kein On-Device-Training durchführen. Akida wird auch mit dem ECM3531 (Tensai) von Eta Compute konkurrieren, aber dieser Chip ist eher eine Allzweck-Low-Power-MCU mit minimalen maschinellen Lernfähigkeiten als ein Edge-AI-Prozessor (siehe MPR 29.10.18, „Eta Compute MCU Puts AI im IoT“). Tensai wird in 55-nm-Embedded-Flash-Technologie hergestellt, Kombiniert asynchrone Logik und Analog-Design-Techniken unter dem Schwellenwert, um den Stromverbrauch bei 48 MHz auf weniger als 1 mW zu reduzieren. Es unterstützt neuronale Netzwerkoperationen, indem es die Cortex-M3-CPU mit CoolFlux DSP von NXP ergänzt. Tensai kann Gewichte in seinem 512-KB-Flash-Speicher speichern, integriert jedoch nur einen 128-KB-SRAM, den sich CPU und DSP teilen müssen. Dennoch kann es grundlegende KI-Aufgaben wie die 32x32-Pixel-CIFAR-10-Texterkennung bewältigen. Es verwendet den DSP, um SNNs für die Objekt- und Wake-Word-Erkennung auszuführen, aber es fehlt ihm die Leistung, um eine Klassifizierung durchzuführen. BrainChip hat ein einzigartiges Produkt entwickelt, das vielseitiger ist als seine stromsparenden Konkurrenten. OEMs können Akida in intelligenten Kameras verwenden oder um gestenbasierte und Sprach-UIs in Edge-Geräten zu betreiben. Seine Funktionen zur Erkennung von Audiomustern eignen sich gut für industrielle Aufgaben wie die Schwingungsüberwachung, und seine Fähigkeit, Datenmuster zu erkennen, die mit gängigen Internet-Exploits verbunden sind, ist ideal zum Schutz von IoT-Geräten. Auch wenn Forscher weiterhin SNN-Anwendungen untersuchen, bietet Akida eine Lösung, die mehrere Arten von Problemen angeht

Ist doch super. Sie berichten halt sehr sachlich, was es ist bzw. grob wie es funktioniert. Eine Euphorie wäre in solche einem Dokument auch nicht angebracht. Dennoch wird ja beschrieben, dass es radikal den Stromverbrauch reduziert und da in solchen Chips noch Potential herrscht.

Im Mercedes-Konzeptfahrzeug wurde eine Akida-Lösung für die Sprachsteuerung verbaut. Hier mal ein von Daimler veröffentlichtes Dokument zum Konzeptfahrzeug. Auf Seite 15 geht es um Brainchip. Die nähere Zukunft wird hier weitaus zurückhaltender beurteilt als von Brainchip dargestellt. Jetzt bitte nicht gleich auf mich einschlagen, ich versuche auch nur, relevante Informationen zu sammeln. https://media.daimler.com/marsMediaSite/de/instance/ko.xhtml?oid=52282663&relId=1001&resultInfoTypeId=175#prevId=52291638

Du hast das Problem mit den begrenzten Bibliotheken angesprochen. In dem anderen Artikel mit der "event domain" steht, dass die Gesichtserkennung bei Türklingeln z.B. von 10 auf 50 Gesichter erhöht werden konnte. Das finde ich erstmal nicht sonderlich hoch oder habe ich da etwas nicht bedacht, dass anderswo noch Gesichter abgespeichert sind. In einem selbstfahrenden Auto müssen ja weit mehr als 50 Gegenstände erkannt werden, um zuverlässig zu funktionieren.

https://hotcopper.com.au/threads/finacial-review-brainchip-a-tech-stock-to-watch-in-2022.6525196/page-3?post_id=58761744 According to van der Made the Intel and IBM test chips, including Loihi, Loihi2 and Truenorth are not comparable to BrainChip’s AKD1000 chip. He says IBM’s Truenorth has no on-chip learning, is a “very large” and is not cost-effective. Intel’s Loihi chip is comparable in chip size to the AKD1000, but is made in a costly 7nm process while the BrainChip AKD1000 is using a 28 nm standard manufacturing technology, according to van der Made. “AKD1000 has on-chip convolution and on-chip learning and can be simply configured using standard TensorFlow tools,” he says. “The AKD1000 is in production and has many application examples for vision, voice recognition, key word recognition and classification of odours and tastes.”

Das Problem mit der begrenzten Bibliotheken hat Brainchip mit ihrem Converter gelöst. Deshalb wohl auch der Wechsel der Air Force zu Akida.

Wenn ich mich richtig erinnere kostet der True North mehr als 1000$

https://de.m.wikipedia.org/wiki/TrueNorth?wprov=sfti1 Im Jahre 2014 hat das Air Force Research Laboratory (AFRL) als erster einen TrueNorth-Prototypen erworben. Ende 2016 wurde bekannt, dass ein TrueNorth-Chip im Vergleich mit einem NVIDIA Tegra K1 (auf einem Jetson TX-1 Entwicklerboard) bei der Erkennung von Fahrzeugen auf dem MSTAR-Datensatz[5] die gleiche Erkennungsrate lieferte, jedoch nur ein zwanzigstel bis ein dreißigstel des Energiebedarfs hatte. Nachteilig wurden die – aufgrund fehlender Massenproduktion – hohen Kosten von TrueNorth, sowie das Fehlen passender Softwarebibliotheken gesehen. Das AFRL legte jedoch nahe, dass sich der TrueNorth-Chip in Umgebungen mit begrenzter Energieverfügbarkeit – etwa in autonomen Fahrzeugen, Drohnen und Satelliten – empfehlen würde.[6]

Hier mal ein Artikel zur event domain die Anil als Alleinstellungsmerkmal erwähnt https://www.eetimes.com/brainchip-launches-event-domain-ai-inference-dev-kits/

Aus dem oberen Link auch noch der weitere Link, der die Vorteile gegenüber IBM TrueNorth und Intel Loihi und dessen Forschungsnetzwerke aufzeigt. https://hotcopper.com.au/threads/first-mover-advantage.6526947/

Das ist ein richtig guter Link. Vielen Dank für den Fund. Sehr interessant, dass "Information Systems Lab" zuvor mit IBM TrueNorth gearbeitet und seine Forschung betrieben hat und dann auf Akida umgeschwenkt ist. Aber noch spannender finde ich, dass Mercedes in dem Forschungsnetzwerk von Intel Loihi involviert war/ist, bei dem die Sprachsteuerung auf neuronalen Netzwerken entwickelt wurde und sie jetzt Ihre Sprachsteuerung auf dem Akida in Serie bringen wollen!! Das spricht dafür, dass die Entwicklungen anderer Firmen deutlich weiter sein könnten, da sie diese Technik auf den ja bereits bestehenden Forschungschips von IBM und Intel ausführlich getestet haben können und relativ einfach umschwenken können, was sie nicht tun würden, wenn sie keinen Vorteil darin sehen. Auch sehr interessant die Angabe, dass neuromorphe Chips 6000 Bilder/Watt verarbeiten können. Für das Autonome Fahren ein riesen Potential.

Servus zusammen, ich habe euch mal einen Link mitgebracht wo ein Australischer Investor erklährt wo die Unterschiede zu den anderen Mitbewerbern liegen und warum BRN so einzigartig ist: https://hotcopper.com.au/threads/on-chip-advantage.6540093/ vieleicht beantwortet das einige offene Fragen von Euch.

Ok. Ich habe ein Video gefunden, dass die Funktionsweise neuromorpher Chips in 10 min richtig gut erklärt. Er ist vom Fraunhofer Institut und erklärt zudem Neuronen, Spikes und Synapsen und warum die neuromorphen Chips um ein vielfaches schneller und energieeffizienter sind. Außerdem geht er auf IBM TrueNorth und einen KI Chip von NVIDIA speziell für das autonome Fahren ein. Richtig gut und kann ich jedem empfehlen, der hier investiert um zu verstehen, was Brainchip eigentlich macht! https://youtu.be/1dKQ68B3i8k

Ok Dank die für die Recherche. Also wir haben deutlich mehr Neuronen bei Brainchip. Hast du zufällig eine Quelle,wo etwas einfacher für Leihen erklärt ist, wie das Eingangssignal in den Chip kommt und wie der Weg über die Neuronen und Synapsen fortgesetzt wird und warum das System dadurch selbst lernend ist? Und welchen Vorteil haben wir, dass wir bei BC so viel mehr Neuronen haben als hier bspw. SynSence? Bewirkt das, dass wir gleichzeitig mehr Daten verarbeiten können oder hat es noch weitere Vorteile, die uns gegenüber der Konkurrenz überlegen darstellen?