سیستم های هوش مصنوعی وظایف را به قطعات تقسیم می کنند و هر قسمت را در مناسب ترین مکان اجرا می کنند.

 

کارهای حساس به زمان، مانند پاسخ دادن به یک فرمان صوتی یا تجزیه و تحلیل فید دوربین، به صورت محلی اجرا می شوند تا تاخیر را به حداقل برسانند. پردازش های پیچیده تر، مانند ترکیب داده ها از بسیاری از منابع یا به روز رسانی مدل ها، در فضای ابری اجرا می شود که در آن قدرت محاسباتی بیشتری در دسترس است.

 

این مؤلفه ها به طور مداوم داده ها را به اشتراک می گذارند و به سیستم اجازه می دهند تا به عنوان یک گردش کار هماهنگ کار کند.

هوش مصنوعی در حال تبدیل شدن به سیستم‌هایی است که می‌توانند استدلال کنند و عمل کنند، نه فقط به سؤالات پاسخ دهند.

 

در عین حال، پیشرفت‌های سخت‌افزاری به هوش مصنوعی اجازه می‌دهد تا به طور موثر در دستگاه‌ها، از ابزارهای پوشیدنی گرفته تا مراکز داده، اجرا شود. این باعث می‌شود هوش مصنوعی سریع‌تر و خصوصی‌تر شود و آن را قادر می‌سازد مستقیماً روی دستگاه‌هایی بدون اتصال ثابت اجرا شود.

 

با هم، این تغییرات هوش مصنوعی را پاسخگوتر، مقیاس پذیرتر و قادر به کار مداوم در محیط ها می کند.

محاسبات لبه یک الگوی محاسباتی توزیع‌شده است که پردازش و ذخیره‌سازی داده‌ها را به محلی که داده‌ها در آنجا تولید می‌شوند، اغلب در 'لبه' شبکه نزدیک‌تر می‌کند. این نزدیکی به منبع داده امکان پردازش سریع‌تر، کاهش تأخیر و تصمیم‌گیری در زمان واقعی را فراهم می‌کند، که برای برنامه‌هایی که نیاز به پاسخ فوری دارند، مانند دستگاه‌های IoT و وسایل نقلیه خودران یا رایانه‌های لبه، حیاتی است.

 

مزیت اصلی محاسبات لبه نسبت به مدل‌های رایانش ابری سنتی، توانایی آن در کاهش تأخیر قابل توجه است. با پردازش داده‌ها نزدیک‌تر به منبع، محاسبات لبه تأخیر بین تولید و پردازش داده را به حداقل می‌رساند و آن را برای برنامه‌های بلادرنگ ایده‌آل می‌کند.

• NPU: 40+ TOPS (گواهینامه Copilot+)

• CPU: Intel Core Ultra، AMD Ryzen AI، یا Qualcomm Snapdragon X

• رم: حداقل 16 گیگابایت (32 گیگابایت یا بیشتر برای سازندگان و توسعه دهندگان توصیه می شود)

• فضای ذخیره سازی: حداقل 512 گیگابایت PCIe NVMe SSD