AI-modeller och plattformar

Ezurio utökar stödet fullt ut för GW16168 Edge AI-acceleratorn

Leo Park
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterEzurios stöd för GW16168 är en övergång snarare än en lansering av ny hårdvara.
Visa mer
  • Ezurios stöd för GW16168 är en övergång snarare än en lansering av ny hårdvara.
  • Acceleratorn kräver specifik kyl- och strömhårdvara utöver en standard M.2-kontakt.
  • Produktionsdriftsättning beror på värdspecifikt stöd och en dokumenterad mjukvaruuppsättning.

I ett tillkännagivande den 19 november 2026 uppgav Ezurio att företaget nu ger fullt stöd för GW16168 efter förvärvet av Gateworks. Den USA-tillverkade M.2 AI-acceleratorn och två GW11062-utvecklingskit listas som tillgängliga, och det NXP Ara240-baserade kortet uppges leverera upp till 40 ekvivalenta teraoperationer per sekund (eTOPS).

Det handlar om en övergång till utökat stöd, inte om en ny hårdvarulansering. Gateworks introducerade GW16168 den 7 april 2026, efter att ha presenterat produkten tillsammans med NXP på Embedded World 2026. Företaget uppgav då att produkten fanns tillgänglig direkt och via distributörer. Ezurios tillkännagivande om förvärvet följde den 9 juni 2026 och tillförde ingenjörskompetens inom robusta enkortsdatorer, tillverkning i USA och kunder inom försvars-, flyg- och industrimarknaderna till företagets verksamhet inom inbyggda datorsystem.

Ezurios produktchef Eric Singer sa: ”GW16168 kombinerar NXP:s Ara240 DNPU med en industriellt robust, USA-tillverkad konstruktion, så att kunderna kan skala upp AI-prestandan utan att göra om hela sin plattform.”

Vision och generativ AI på enheten

GW16168 använder en separat neuralprocessor (DNPU) för att avlasta värdprocessorn från inferensberäkningar. De avsedda användningsområdena omfattar maskinseende, stora språkmodeller (LLM), vision- och språkmodeller (VLM), robotik och intelligent automatisering. Lokal databehandling innebär att data inte behöver skickas till molninfrastruktur, vilket hanterar begränsningar i fråga om nätverkstäckning, latens, integritet och säkerhet för drönare, robotar och fjärransluten industriutrustning.

Modulen mäter 22 × 80 × 3,5 millimeter och har formfaktorn M.2 M-Key 2280. Den ansluts via PCIe Gen4 med fyra banor och stöder värdsystem med PCIe Gen3. Kortet drivs med en enda 3,3-voltsmatning och har Secure Boot och en förtroenderot. Versionerna har 8 GB eller 16 GB inbyggt LPDDR4-minne, och enligt Ezurio stöder produktfamiljen AI-modeller med upp till 16 miljarder parametrar. Standardversionen GW16168 och 8 GB-varianten SP520 är specificerade för temperaturer från −40 °C till +85 °C, medan 16 GB-versionen SP521 är specificerad för temperaturer från −25 °C till +85 °C.

Stöd för värdsystem och integrationsbegränsningar

En M.2-kontakt i sig innebär inte att en installation stöds. Acceleratorn är särskilt utformad för Gateworks enkortsdatorer (SBC:er) VeniceFLEX och Catalina, medan bredare kompatibilitet anges för andra M.2 M-Key 2280-plattformar. Både Gateworks produktdokumentation och Ezurios användarhandbok preciserar denna kompatibilitet: testning och Gateworks support gäller Gateworks SBC:er, medan användare som implementerar lösningen med ett annat moderkort, en annan SoC eller en annan arkitektur hänvisas till NXP.

Kylning och strömförsörjning kräver också särskild hårdvara: den monterade fläktförsedda kylflänsen för 5 V måste anslutas till adapterns fläkthuvud, och kortet kan dra cirka 12 W. För installationer med Gateworks SBC:er krävs adaptern GW16FM1-C, eftersom standardadaptern saknar tillräcklig strömförsörjning och fläkthuvud. En standardkontakt beskriver alltså det fysiska gränssnittet, inte hela lösningen för kylning, strömförsörjning och support.

Utvecklingskit, programvara och produktlivscykel

Kitet GW11062-1 kombinerar en Catalina SBC med acceleratorn på 16 GB, medan GW11062-2 använder 8 GB-versionen. Kiten innehåller ett Ubuntu-baserat programpaket, en strömförsörjning och tillbehörskablar. Inferens kan köras utan molnanslutning, men den dokumenterade konfigurationen av utvecklingskitet kräver ändå en internetanslutning vid ett enda tillfälle för att ladda ner Python-paket och modeller.

Programvaran stöder TensorFlow-, PyTorch- och ONNX-modeller via NXP:s Ara SDK. Den utbyggbara kompilatorn omfattar konvolutionella neurala nätverk, visiontransformerare, LLM:er och VLM:er, med stöd för datatyperna INT4, INT8 och MXINT8 för kvantisering där så är tillämpligt. NXP:s körmiljö tillhandahåller inferensbibliotek och verktyg, medan företagets eIQ AAF Connector gör lokalt driftade Ara240-bakändar för LLM och VLM tillgängliga via ett OpenAI-kompatibelt REST API. Därmed får klientprogram ett gränssnitt av typen chat completions utan att inferensen flyttas från enheten.

Gateworks anger att produktens livscykel överstiger 10 år och att komponenterna väljs för en tillgänglighet på mer än 10 till mer än 15 år. Detta åtagande förlänger temat om utökat stöd från den första integrationen till den underhållsperiod som industrikunder måste planera för.

För konstruktörer av inbyggda system innebär den praktiska förändringen en tydligare supportväg för hårdvara som redan fanns tillgänglig. GW16168 erbjuder en modulär lösning för lokal inferens inom vision och generativ AI, men driftsättning i produktion är fortfarande beroende av stöd för det specifika värdsystemet, tillräcklig kylning och strömförsörjning samt nödvändig programvarukonfiguration. Dessa integrationsdetaljer och åtagandet om produktens livscykel avgör hur enkelt modulen kan gå från ett utvärderingskit till ett industriellt system som underhålls över tid.

Leo Park är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker AI-hårdvarustartups, edge-computing och de nya chiparkitekturerna som förändrar hur artificiell intelligens distribueras utanför centrala datacenter. Innehållet fokuserar på hur nya chipdesigner, plattformar för inferens vid nätverkets kant och energieffektiva system förändrar ekonomin och genomförbarheten för AI i stor skala. Med ett precist perspektiv som tar hänsyn till tekniska detaljer granskar Leo hur startups bygger specialiserade processorer, optimerar minne och effekt, och möjliggör realtids-AI-arbetsbelastningar närmare där data genereras. Han uppmärksammar särskilt tillämpade användningsfall - såsom robotik, autonoma system, industriell IoT och on-device-intelligens - där edge-AI levererar mätbara prestanda- och kostnadsfördelar.

Artiklar med Leo Park som avsändare är AI-genererade och granskas av Unite.AI:s redaktion för att säkerställa teknisk korrekthet, tydlighet och ansvarsfull bevakning av AI-hårdvara och edge-computing, som utvecklas snabbt.