更小、更好、更快M.2加速器及其对HPC和AI的好处

边缘计算使数据收集、处理和存储更接近数据源。这可以实现实时数据处理并促进更快的行动和更准确的决策。Edge AI 利用边缘计算，并通过专用硬件将机器智能带到边缘。

关键要点

从物联网设备收集的爆炸性数据量、处理能力的进步以及编程代码的改进共同提高了AI算法的质量，从而推动了Edge AI应用程序的采用。

硬件加速是支持CPU以提高高级边缘AI应用程序处理能力所必需的。

在边缘处理数据降低了公司为云服务支付的成本，并减少了对时间敏感的应用程序（如监控、安全监控和自动驾驶）的延迟。

芯片设计的进步和M.2加速器等新硬件技术使运行AI应用程序更快、更节能。

异构边缘AI服务器结合CPU、加速器和NVMe存储，为边缘AI应用程序提供关键处理能力和存储。

Edge AI

边缘人工智能结合边缘计算和人工智能算法来训练机器学习模型并在边缘启用人工智能应用程序。训练和改进人工智能和机器学习算法需要大量数据。过去，人工智能和机器学习所需的大量处理能力只能在云数据中心中找到。随着计算机工程和芯片架构设计的进步和创新，人工智能处理器变得更小、更节能、产生更少的热量。这种新架构允许芯片在边缘服务器和计算机中实现，这使得今天的边缘人工智能成为可能。边缘AI通过机器智能实现更快、更准确的决策。随着速度的提高和   为提高生产力、运营效率和工人的安全性，部署了制造机器人、自动驾驶和机器视觉等先进的人工智能应用程序。

硬件加速

人工智能和机器学习的快速发展推动了对支持下一代软件算法的专用硬件的需求。随着摩尔定律的放缓，仅靠CPU就无法满足高级边缘AI应用程序所需的处理能力。性能加速器旨在从CPU卸载某些任务，使CPU能够专注于关键应用程序，并为处理先进的AI和ML算法提供额外的资源。异构边缘AI服务器整合了CPU、加速器和NVMe存储，这些存储旨在优化边缘的AI和ML应用程序。  

性能和功耗之间的平衡是硬件加速器的关键，尤其是边缘AI部署。通常集成通用GPU可为用于机器学习和智能的高级AI算法提供巨大的处理能力。但是，尽管GPU提供了急需的性能提升，但它们并未针对远程和不稳定环境中的边缘部署进行优化。尺寸、功耗和热管理是一些主要缺点，除了GPU本身的前期成本外，还会产生额外的运营成本。专用集成电路 (ACIS) 旨在解决这些问题。