Intelligenz für Mobilgeräte: Deep Learning hält Einzug in mobile Hardware

Die Maschinenlerntechnik Deep Learning gibt Computern Intelligenz, benötigt dafür aber reichlich Rechenleistung. Spezialisierte Hardware soll sie jetzt effizienter machen – und so für weite Verbreitung sorgen.

In Pocket speichern vorlesen Druckansicht 17 Kommentare lesen
Smartphone im Leo-Look

(Bild: dpa, Britta Pedersen)

Lesezeit: 2 Min.
Von
  • Sascha Mattke

Schon bald könnte es Chips für Smartphones, Kameras oder Autos geben, in denen spezielle Hardware für die leistungsfähige Maschinenlerntechnik Deep Learning integriert ist: Die Entwicklungsfirma Synopsys hat auf einer Konferenz für maschinelles Sehen einen neuen Kern zur Bildverarbeitung präsentiert, der speziell auf Deep Learning ausgerichtet ist. Und auch Jeff Gehlhaar von Qualcomm rechnet damit, „dass es spezielle Hardware zur Lösung dieser Probleme geben“ wird, berichtet Technology Review.

Deep Learning ist eine an sich alte Technik, die aber mit großen Datenmengen und enormer Rechenleistung zuletzt viel versprechende Ergebnisse gezeigt hat. Mit dem Spezialkern von Synopsys soll sie jetzt auch in mobiler Computertechnik zum Einsatz kommen. Laut Pierre Paulin, Leiter für Forschung und Entwicklung bei Synopsys, können Kunden das neue Design ab diesem Sommer in Lizenz nutzen. Qualcomm macht keine Angaben über eine mögliche Hardware-Lösung, hat aber bereits angekündigt, dass die nächste Generation seiner Mobilchips zumindest Software enthalten wird, die Kameras und anderen Anwendungen Deep-Learning-Fähigkeiten gibt.

Spezielle Deep-Learning-Hardware könnte vielen Arten von Geräten mehr visuelle Intelligenz verleihen, von Telefonen bis zu Überwachungskameras oder Autos. Die eigenständige Erkennung von Tausenden Objekten wäre damit laut Paulin nicht möglich, aber immerhin die von einigen Dutzend. Beispielsweise könnte eine Kamera zur Hausüberwachung erst dann anfangen, Bilder ins Internet zu schicken, wenn eine Person in den Beobachtungsbereich kommt. Oder es sei möglich, automatisch zu erkennen, wenn ein Mensch von einem U-Bahnsteig stürzt.

Mehr dazu bei Technology Review online:

(sma)