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

GraiMatterlabs müssen wir mal dran bleiben. Twitter: Produktion der Testchips bei tsmc erfolgreich abgeschlossen und 1 m $ pre orders gehabt. Homepage: Die geben rund 15 Patente an. ca. 50 Mitarbeiter und ein paar Investoren die die Finanzierung zu sichern scheinen. Technisch bin ich leider zu unbewandert als das ich mich trauen würde hier eine Aussage zu tätigen. Wie wichtig ist es, dass man mehr Neuronen und Synapsen hat? Kann das mal jemand ausführen? Ich meine Oneshotlearning hatte BRN doch ein Patent drauf machen lassen.

Da wird sehr tief auf die jeweilige Technik eingegangen. Werde mir das die Tage definitiv nochmal durchlesen

Und ein weiterer link in dem beide Unternehmen dargestellt werden: https://semiengineering.com/spiking-neural-networks-research-projects-or-commercial-products/

Es kommt sogar auf der Brainchip Homepage zur Sprache, dass beide sehr ähnlich sind: https://brainchipinc.com/virtual-conference-turns-ai-chips-into-reality/ "Zu den Anbietern von KI-Chips mit extrem niedrigem Stromverbrauch gehörten GrAI Matters Labs und Brainchip. Beide Chip-Unternehmen haben einzigartige Ansätze für die Inferenz mit extrem niedrigem Stromverbrauch auf der Grundlage des SNN-Ansatzes (Spiking Neural Net) verfolgt und beide Unternehmen haben bereits im Herbst ihre Produkte vorgestellt. Der erste Chip von Brainchip, der AKD1000, wird voraussichtlich in der zweiten Hälfte dieses Jahres auf den Markt kommen und konzentriert sich auf die Videoverarbeitung. Der Chip von GrAI Matter Labs, genannt GrAI One, wird zusammen mit dem Software-Entwicklungskit vorgestellt."

Also ich muss sagen, dass es fast wie der Akida klingt, außer dass es weniger Neuronen und Synapsen hat. https://www.elektronikpraxis.vogel.de/grai-one-chip-ki-prozessor-made-in-paris-adressiert-zeitkritische-ultralow-power-edge-anwendungen-a-880526/ Selbst die 28nm Technologie von TSMC ist hier gleich. Was man nicht lesen kann ist, ob es auch "OneShotLearning" beherrscht. Wäre interessant, wenn da jemand nochmal tiefer forschen könnte.

vielleicht kann da jemand etwas zu sagen zu -- GrAI Matter Labs --

ich kopiere es mal hier rein, Konkurent ?? .. ""Die Serie-A-Finanzierungsrunde wird uns dabei helfen, unsere Ingenieurteams in Eindhoven und Paris auf die Hinterbeine zu stellen und schnell von der technologischen Entwicklung zur Marktreife überzugehen“, sagte Ingolf Held, CEO von GrAI Matter Labs. "" .. https://www.graimatterlabs.ai/product

Der IT Projekt Manager von Mercedes bestätigt Akidas Vorteil gegenüber Truenorth und Loihi (aber keine Ahnung ob er damit auch wirklich arbeitet 🤷‍♂️). https://hotcopper.com.au/threads/mercedes-uses-akida.6515729/page-813?post_id=59287295

Also so wie ich das verstanden habe ist das einer GPU ähnlich. Soll ab Ende 2022 für das autonome Fahren L3/L4 eingesetzt werden. Von neuromorphen Chips habe ich aber auch in diesem Artikel nichts gelesen. Lediglich "neuronalen Network". Die KI scheint hier auf Berechnungen zu basieren. Daher derzeit keine ernst zu nehmende Konkurrenz für Akida. https://laoyaoba.com/html/share/news?source=h5&news_id=788635

Guten Morgen, https://bst.ai/technology.m.html Diesen Link hab ich heute morgen schon in einem anderen Forum geteilt. Es geht hier um den Chip Hersteller Black Sesame. Ob deren Chip mit Akida gleich gestellt ist oder nicht kann ich nicht beurteilen, da ich zu wenig Ahnung davon habe. Ich bin auf die nur aufmerksam geworden da einige Namhafte Unternehmen mit denen zusammen arbeiten. Aus China : BYD und Xiaomi Aus Deutschland: Bosch Aus den USA : APG BYD , Xiaomi und Bosch arbeiten mit Autoherstellern zusammen und BYD entwickelt ein eigenes sogar. APG ist in der Sprach- und Bilderkennung tätig. Die Konkurrenz ist groß und gut vernetzt. Falls jemand Infos zu Black Sesame hat oder weiß wie gut der Chip von denen ist. Bzw es erklären kann wie dieser zu Akida funktioniert. Infos sind gerne gesehen.

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.