In letzter Zeit gibt es immer mehr Nachrichten darüber, dass Hersteller NPU in ihre Geräte integrieren. Aber was ist ein NPU und warum sollten Sie mehr für ein Telefon oder Laptop mit NPU bezahlen? Einfach ausgedrückt, ist ein NPU ein spezieller Prozessor für maschinelles Lernen und neuronale Netzwerke.
Die meisten modernen neuronalen Netzwerke benötigen eine Internetverbindung, was bedeutet, dass die Berechnungen auf einem entfernten Server stattfinden. Ein NPU soll dieses Problem lösen. Lassen Sie uns genauer betrachten, was ein NPU ist, worin es sich von CPU und GPU unterscheidet und welchen Einsatzbereich es in aktuellen Geräten hat.
Was ist NPU
Ein NPU, oder Neural Processing Unit, ist eine Prozessoreinheit, die für Aufgaben im Bereich des maschinellen Lernens und der künstlichen Intelligenz zuständig ist. Häufig wird er zusammen mit CPU und GPU in Prozessoren eingebaut. Er sieht zwar ähnlich aus wie eine CPU, dient aber einem anderen Zweck. Heutzutage findet man NPUs bereits in modernen ARM-Prozessoren und Smartphones.
Der NPU ist darauf ausgelegt, eine große Menge von Berechnungen zu verarbeiten, die je nach Benutzer und dessen Aktionen variieren können. Diese Berechnungen können sich auf die Verarbeitung von Fotos oder Videos beziehen, auf die Stabilisierung von Videos in Echtzeit oder auf die Vorhersage von Spracheingaben auf Tastaturen. Kurz gesagt, es handelt sich um eine spezielle Einheit, die dafür entwickelt wurde, um nicht standardisierte Aufgaben zu bewältigen und sich in Echtzeit an die Handlungen der Benutzer anzupassen.
Unterscheidungen zwischen NPU, CPU und GPU
Lassen Sie uns die Unterschiede zwischen NPU, CPU und GPU betrachten. Diese drei verschiedenen Einheiten (Komponenten) werden in den Prozessor Ihres Geräts eingebaut (oder können, wie bei einem PC, separate Einheiten sein) und sind für dessen Funktionieren notwendig. Einfach ausgedrückt, erfüllen sie unterschiedliche Aufgaben. Die CPU verarbeitet Informationen, die mit der Ausführung von Anwendungen und Systemfunktionen zusammenhängen. Die GPU ist für Aufgaben im Zusammenhang mit dem Rendering von 2D- und 3D-Grafiken zuständig. Der NPU hingegen wird für Prozesse benötigt, in denen künstliche Intelligenz zum Einsatz kommt.
Es ist erwähnenswert, dass GPU und CPU für die meisten modernen Geräte unerlässliche Einheiten sind, während der NPU erst beginnt, in diese integriert zu werden. Er ist eine optionale Einheit, die für bestimmte spezifische Aufgaben benötigt wird. Er verarbeitet mathematische Berechnungen ähnlich wie die CPU, aber für „unübliche“ Aufgaben, die er vom Zentralprozessor erhält.
Derzeit wird eine neue Art von Einheit entwickelt, die GPNPU genannt wird. Es handelt sich um eine Hybridform aus GPU und NPU. Theoretisch sollte sie die Leistung der GPU durch den Einsatz von künstlicher Intelligenz steigern. Außerdem könnte sie bei der Verarbeitung von NPU-Aufgaben helfen, da die GPU-Einheit gut für parallele Prozesse geeignet ist.
NPU – Einsatzgebiet
Der NPU hat ein breites Anwendungsspektrum. Sie sind ihm sicherlich bereits im Alltag begenet. Hier sind einige Beispiele, wofür ein NPU benötigt wird:
- Autopilot in Autos
- Nachtaufnahmen auf Smartphones
- Stabilisierung in Videos
- Textvorhersage bei der Tastatureingabe
- Bildgenerierung
- Umwandlung von Sprache in Text und umgekehrt
- Schnelles Laden häufig genutzter Apps auf dem Smartphone
- Echtzeiterkennung von Gesichtern
- Anpassung des Batteriemodus in Geräten abhängig vom Nutzerverhalten
- Nvidia DLSS und NVDLA
Dies sind nur einige Beispiele für Aufgaben, für die ein NPU benötigt wird. Seine Hauptanwendung in der Verbraucherelektronik ist das Lernen in Echtzeit. Er speichert, wie Sie Ihre Geräte verwenden, und optimiert sie speziell für Ihre Handlungen. Zudem ist der NPU ein wichtiges Element bei der Foto- oder Videoaufnahme. Er kann Fotos und Videos durch Verarbeitung mit künstlicher Intelligenz verbessern.
Es ist anzumerken, dass einige dieser Aufgaben auch von GPU oder CPU erledigt werden können, aber der NPU verbraucht wesentlich weniger Energie. Außerdem ist er so konzipiert, dass er bestimmte Berechnungen schneller durchführen kann. Dies verbessert die Leistung vieler mit KI verbundener Technologien.
