瞄准“端”智能，Arm再添杀手锏：NPU与DPU

至顶网商用办公频道 10月25日 北京消息（文/黄当当）AI全面来袭，人们使用的终端设备如何具备更强的计算力，让语音指令更精准反馈，人脸识别更快反应，成为Arm一直思考并致力解决的问题。

拯救被计算力束缚的智能终端设备，Arm现在带来三款“杀手级产品：

    Arm Ethos-N57与Ethos-N37 NPU：扩展机器学习(ML)处理器的产品范围，以便在主流设备上提供人工智能(AI)应用；
    Arm Mali-G57 GPU: 第一个基于Valhall架构的主流GPU，性能是前几代产品的1.3倍；
    Arm Mali-D37 DPU：在最小的面积内提供丰富的显示功能组，以呈现全高清（Full HD）及2K分辨率。

上述IP组合沿袭了Arm的大小核理念，既有高端配置，也包含入门级低端产品。Arm希望提供的不仅是硬件，或硬件与软件的结合，更希望借助生态系统的力量来提升用户体验。

以下是 Arm市场营销副总裁 Ian Smythe、Arm ML事业群商业与营销副总裁 Dennis Laudick、Arm产品经理 Daniele Di Donato、Arm资深产品经理 Sinan Yalcin在接受至顶网采访时，谈及有关新IP的细节。

Ethos-N57 与 Ethos-N37 NPUs：提供真正的异构计算

Ethos是Arm ML处理器系列的新命名，这也是Arm首次向外界介绍Ethos这个产品名称。继Arm ML处理器(现称为Ethos-N77)发布后，Ethos NPU家族又添加Ethos-N57与Ethos-N37两位新成员。

Arm Ethos产品组合旨在解决AI与ML复杂运算的挑战，以为日常生活设备创造更为个性化与沉浸式的体验。全新的Ethos 对成本与电池寿命进行了优化，NPU可以为日常生活设备带来优质的AI体验。

Ethos-N57与Ethos-N37的设计理念包括一些基本原则，例如：

      ·针对Int8与Int16数据类型的支持性进行优化
      ·数据管理技术，以减少数据的移动与相关的耗电
      ·通过Winograd技术的落地，使性能比其他NPU提升超过200%

此外，Ethos-N57的功能还包括：

     · 旨在提供平衡的ML性能与功耗效率
     · 针对每秒2兆次运算次数的性能范围进行优化

Ethos-N37的功能还包括：

      ·为了提供面积最小的ML推论处理器(小于1平方毫米)而设计
      ·针对每秒1兆次运算次数的性能范围进行优化

Mali-G57：更智能与沉浸式体验的GPU

Mali-G57，是针对主流市场基于Valhall架构的CPU，致力于将优质的智能与沉浸式体验带到主流市场，包括高保真游戏、媲美电玩主机的移动设备图型效果、DTV的4K/8K用户接口，以及更为复杂的虚拟现实和增强现实的负荷。

这是移动市场划分中最大的一部分，而Arm最近与Unity的发布强调其基于Arm IP的片上系统(SoC)，CPU， GPU进一步的性能优化的努力，它可以让开发人员有更多的时间创造出全新的沉浸式内容。

Mali-G57关键功能包括：

      ·与Mali-G52相比，各种内容都能达到1.3倍的性能密度
      ·能效比提升30%，使电池寿命更长
      ·针对VR提供注视点渲染支持，且设备ML性能提升60%，以便进行更复杂的XR实境应用

Mali-D37：Arm单位面积效率最高的处理器

Mali-D37是一个在最小的可能面积上包含丰富显示与性能的DPU。对于终端用户而言，这意味着当面积成为首要考虑，在例如入门级智能手机、平板电脑与分辨率在2k以内的小显示屏等成本较低的设备上，会有更佳的视觉效果与性能。

Mali-D37关键功能包括：

     ·单位面积效率极高，DPU在支持全高清（Full HD）与2K分辨率的组态下，16纳米制程的面积将小于1 mm2。
     ·通过减少GPU核心显示工作以及包括MMU-600等内存管理功能，系统电力最高可节省30%。
     ·从高阶的Mali-D71保留关键的显示功能，包括与Assertive Display 5结合使用后，可混合显示高动态对比(HDR)与标准动态对比(SDR)的合成内容。

Arm表示，对于ML和人工智能的策略是针对不同的产品系列以及产品系列内部去不断地提高GPU的ML和人工智能芯片的性能。

这套全新的IP提供更高的单位面积效率且更为节能，并吻合Arm全面运算(Total Compute)的初衷，以确保它们确实是实际体验驱动，同时针对解决未来工作负荷的复杂运算挑战进行优化。

同时能提升性能、降低成本及减少上市所需的时间，为移动设备带来更高保真游戏与媲美游戏主机的体验，为DTV带来计算复杂性，并为个人化沉浸式内容带来更高的ML性能，以及消费者期待的更快反应速度。