2027年までにマシンラーニングデバイスの出荷が20億を超える

May, 27, 2022, New York--ABI Researchによると､人工知能(AI)はわれわれの周囲の至る所にあるが､AIのバックボーンを形成する推論や学習のプロセスは､消費者から遠く離れた大きなサーバーで起こる｡新しいモデルは､その全てを変えつつある｡
　ごく最近のフレームワーク､連合学習､分散学習､少ないデータからの学習(FSL)は､コンシューマのデバイスに直接導入可能になっており､計算を少なくし､パワーバジェットを小さくして､AIをエンドユーザの機器に持ち込む｡

｢これは市場が進んで行く方向である｡ただ､これらのアプローチの全ての利益が現実になるまでには時間がかかる｡特に､少ないデータで学習(FSL)の場合では､個人のスマートフォンが､それ自体が収集したデータから学習することができるようになる｡これが多くの人々にとって魅力的な提案であることは十分分かってる｡データをクラウドサーバにアップロードする必要がなくなり､より安全で個人的なデータになるからである｡加えて､デバイスは高度に個人化､局所化される｡高い状況認識や局所環境の認識が向上するからである｣とABI Researchリサーチアナリスト､David Lobinaは説明している｡

ABI Researchの認識では､そのようなオンデバイス学習や推論が実行されるようになるまでには10年位はかかる｡また､これらは､ニューロモルフィック(神経形態学的)チップなど､新技術を採用する必要がある｡変化は､より強力なコンシューマデバイス､自律走行車やロボットなどで起こる｡その後に､スマートフォン､ウエアラブル､スマートホームデバイスなどに入ってくる｡Intel、NVIDIA、Qualcommなどの大手は､近年､このようなモデルに取り組んでいる｡これらは､ニューロモルフィックチップセットプレイヤ､BrainChip and GrAI Matter Labsとともに､様々なトレーニングや推論タスクで性能を改善するチップを供給している｡取込は､まだ小さいが､潜在的に市場を破壊する可能性がある｡

｢実に､これらの学習モデルは､様々な分野を変革する可能性がある｡恐らく､自動運転や公共の場でロボット導入の分野は､いずれも現状では､取り去ることが困難｡特に他のユーザとの共存の場合である｡連合学習､分散学習､FSLは､クラウド依存を減らし､AIの実装が低遅延､局所化､プライバシーを保護するAIを可能にする｡これはエンドユーザには､非常に優れたユーザエクスペリアンスとなる｣とLobinaは結論づけている｡