基于Qualcomm人工智能引擎AIE的Jovi让手机懂你

东风玖哥 2018-04-17 10:59:00
4月10日,在深圳举行的 vivo X21 媒体沟通会上, vivo 人工智能全新品牌形象 Jovi 获得了众多关注。

面对众多的赞誉与期待,在现场,vivo 与 Qualcomm 联袂登台,从Qualcomm 人工智能引擎AIE 到 vivo 人工智能全新品牌形象 Jovi,深度展示了“让手机懂你”的奥秘。

随着人工智能浪潮的盛行,越来越多的手机品牌开始将产品与 AI 结合。 vivo X21 就是 vivo 决心进军人工智能领域的第一步。

在 vivo 的人工智能版图上,Jovi 主打智能场景应用的特点,可以协助用户更好的管理生活和工作事物。比如将手机中重要的信息进行整合,智能识别用户生活中各个时间节点的提醒,并且提醒信息可统一在一处查看,如此高效又便捷,极大提升了用户的效率。

如果说 Jovi 是一个分析用户使用环境并且去贴合用户需求的大脑,那么 Qualcomm 推出的 Qualcomm人工智能引擎AIE 则是为 Jovi 不断输血的心脏。

Qualcomm人工智能引擎AIE 由多个硬件与软件组成,以加速终端侧人工智能用户体验在部分 Qualcomm骁龙移动平台上的实现。硬件部分,AIE 的关键组件包括 Hexagon 向量处理器(HVX)、Adreno GPU 和 Kryo CPU 的多核优化组合;软件部分则是一套软件工具和库,包括骁龙神经处理 SDK、Android NN 和 Hexagon NN。Qualcomm 的异构计算方案以其具有广泛接纳性的逻辑,极高的兼容性,精准而强大的计算力,成为了 Jovi 的推动力。
...全文
2347 1 打赏 收藏 转发到动态 举报
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文围绕AI Engine(AIE)在嵌入式场景中的性能调优展开,深入剖析了AIE的架构组成及其在图像识别、工业检测和信号处理三大典型场景中的优化实践。文章详细介绍了AIE的多核异构硬件架构(如Hexagon向量处理器、GPU、CPU)与配套软件生态(如神经处理SDK、NN库),并结合实际案例阐述了模型量化、轻量级网络应用、数据增强、算法优化、硬件资源配置及协同处理等关键技术。通过具体的调优前后对比,展示了在识别准确率、处理速度、功耗控制和抗干扰能力等方面的显著提升,最后总结了调优核心要点并展望了AIE与边缘计算融合及跨领域拓展的趋势。; 适合人群:从事嵌入式AI开发、边缘计算、智能硬件研发的工程师,以及对AI模型部署与性能优化感兴趣的技术人员;具备一定AI基础和工程实践经验的研发人员更为适宜。; 使用场景及目标:①掌握在资源受限的嵌入式设备上如何优化AI模型推理性能;②学习在图像识别、工业质检、5G信号处理等场景下的AIE调优方法论;③理解模型压缩、硬件加速、算法改进与系统协同之间的综合设计思路; 阅读建议:此资源聚焦真实项目中的性能瓶颈与解决方案,建议读者结合自身应用场景,重点借鉴调优策略的设计逻辑与技术选型依据,并尝试在实际开发中复现和验证相关方法,以深化对AIE系统级优化的理解。
内容概要:本文深入分析了赛灵思Vitis异构编程平台与AI引擎AIE)的集成技术,涵盖其在CPU、FPGA和AI引擎协同计算中的架构设计与实现机制。重点介绍了AI引擎在低延迟、高吞吐和高能效方面的优势,并结合医疗成像、金融高频交易和自动驾驶三大应用场景展示了实际价值。报告详细阐述了系统的硬件级安全机制(如PUF、AES-GCM加密)、运行时保护策略以及安全启动流程,同时解析了基于数据流图的软件架构和分层开发方法。此外,提供了AI引擎核心算子实现与主机端调用的示例代码,并对开发难度进行了多维度评估,最后提出通过模块化验证和Vitis Model Composer优化开发效率。; 适合人群:具备一定硬件编程基础或嵌入式系统经验,从事AI加速、FPGA开发或异构计算研究的研发工程师和技术人员(工作年限1-5年);也可供关注高性能计算与系统安全的设计人员参考。; 使用场景及目标:①理解Vitis平台下AI引擎与FPGA、CPU的协同工作机制;②掌握AI加速应用的软硬件一体化设计方法;③构建高安全性、高性能的异构计算系统;④学习如何将深度学习算子映射到AI引擎并进行性能优化。; 阅读建议:此资源以技术分析为主,涉及底层硬件机制与代码实现,建议结合Vitis开发环境动手实践,重点关注数据流图建模、跨域通信机制与安全配置流程,配合示例代码调试以加深理解。
内容概要:本文深入解析了Xilinx Vitis平台在异构计算架构下的AI引擎集成技术,重点围绕“CPU+FPGA+AI Engine(AIE)”协同架构,系统阐述其在边缘AI、工业检测等场景中的应用。文章从架构原理出发,介绍三者分工与通信机制,并通过图像识别、PCB缺陷检测、雷达信号处理等多个实战案例展示AIE的性能调优方法。同时,详细说明Vitis与PYNQ、Petalinux的联合开发流程,涵盖快速原型验证与量产部署。此外,还探讨了编译优化参数和数据搬移策略对AI推理性能的影响,最后以可重构边缘智能网关为例,呈现完整的技术落地路径。; 适合人群:具备嵌入式系统、FPGA或AI开发经验,从事边缘计算、工业智能化等相关领域的研发人员(工作年限1-5年);熟悉Linux系统开发及硬件加速技术的工程师;希望掌握Vitis平台全流程开发的技术骨干。; 使用场景及目标:①理解Vitis异构架构中CPU、FPGA与AIE的协同机制与开发模式;②掌握AI模型在AIE上的部署、量化与性能优化方法;③实现从算法验证(PYNQ)到系统级部署(Petalinux)的完整流程;④构建高性能、低延迟、可重构的边缘AI加速系统; 阅读建议:建议结合Xilinx官方开发工具链(Vitis、Vivado、Petalinux)进行实践操作,重点关注AIE编程模型、DMA数据传输优化与系统级集成配置,配合文中案例逐步调试与性能分析,以深化对异构系统协同机制的理解。
内容概要:本文深入探讨了基于Xilinx Vitis平台的异构编程与AI引擎集成技术,重点解析如何构建从边缘到云的弹性加速架构。通过统一API和计算图抽象,实现CPU、GPU、FPGA及AI Engine之间的跨平台协同与任务分发,并结合RDMA、AIE-Stream等技术优化分布式通信。文章以多边缘节点视频分析系统为例,展示边缘侧AI Engine实时推理、雾层聚合与云端决策的三层架构设计,涵盖动态负载均衡、零拷贝预处理、异步执行、特征压缩等关键技术,确保低延迟与高可用性。同时展望了未来在自动伸缩、联邦学习和统一编程模型方面的发展趋势。; 适合人群:具备一定硬件加速与分布式系统基础,从事边缘计算、AI推理优化或异构编程的研发工程师和技术架构师,工作年限约2-5年; 使用场景及目标:①构建低延迟、高并发的分布式AI推理系统(如智慧城市、工业物联网);②掌握Vitis平台下跨设备任务调度、资源监控与动态负载均衡的实现方法;③优化边缘-云协同中的通信效率与系统弹性; 阅读建议:此资源侧重于进阶实践,建议结合Vitis开发环境动手实现文中的代码示例,重点关注XRT接口调用、计算图划分与gRPC通信机制,并配合真实硬件进行性能调优与验证。

6,213

社区成员

发帖
与我相关
我的任务
社区描述
本论坛以AI、WoS 、XR、IoT、Auto、生成式AI等核心板块组成,为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页:https://qualcomm.csdn.net/
人工智能物联网机器学习 技术论坛(原bbs) 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧