Yubei Chen, ผู้ร่วมก่อตั้ง Aizip Inc – สัมภาษณ์ซีรีส์

Yubei Chen เป็นผู้ร่วมก่อตั้ง Aizip inc. ซึ่งเป็นบริษัทที่สร้างโมเดล AI ที่เล็กที่สุดและมีประสิทธิภาพสูงสุด เขายังเป็นอาจารย์ผู้ช่วยในสาขาวิศวกรรมไฟฟ้าและคอมพิวเตอร์ ที่มหาวิทยาลัยแคลิฟอร์เนีย เดวิส การวิจัยของ Chen อยู่ที่จุดตัดระหว่างวิทยาศาสตร์คอมพิวเตอร์ประสาทและการเรียนรู้แบบไม่มีคำสั่งซึ่งเพิ่มความเข้าใจเกี่ยวกับหลักการทางคณิตศาสตร์ที่ควบคุมการเรียนรู้แบบไม่มีคำสั่งซึ่งในทั้งสมองและเครื่องจักร และเปลี่ยนแปลงความเข้าใจเกี่ยวกับข้อมูลสัญญาณธรรมชาติ

ก่อนที่จะเข้าร่วม UC Davis Chen ได้ทำการวิจัยหลังปริญญาเอกกับ Prof. Yann LeCun ที่ NYU Center for Data Science (CDS) และ Meta Fundamental AI Research (FAIR) เขาได้รับปริญญาเอกที่ Redwood Center for Theoretical Neuroscience และ Berkeley AI Research (BAIR) ที่ UC Berkeley โดยมี Prof. Bruno Olshausen เป็นที่ปรึกษา

Aizip พัฒนาโซลูชัน AI ที่มีประสิทธิภาพสูงซึ่งได้รับการปรับให้เหมาะสมสำหรับอุปกรณ์ระดับขอบ (edge devices) โดยมีโมเดลที่กะทัดรัดสำหรับการใช้งานด้านการมองเห็น เสียง เวลา-ชุดข้อมูล ภาษา และการรวมสัญญาณ (sensor fusion) ผลิตภัณฑ์ของ Aizip ช่วยให้สามารถทำงานได้เช่น การจดจำใบหน้าและวัตถุ การตรวจจับคำสำคัญ การวิเคราะห์ ECG/EEG และการแชทบอทบนอุปกรณ์ โดยใช้ TinyML ผ่านแพลตฟอร์ม AI Nanofactory ของ Aizip ซึ่งเรียกว่า Aizipline บริษัทสามารถเร่งการพัฒนาโมเดลโดยใช้โมเดลพื้นฐานและโมเดลสร้างสรรค์เพื่อผลักดันให้ไปสู่การออกแบบ AI แบบอัตโนมัติเต็มรูปแบบ โมเดลภาษาขนาดเล็กของ Aizip ซีรีส์ Gizmo (300M–2B พารามิเตอร์) รองรับอุปกรณ์หลากหลายประเภท ทำให้สามารถนำความสามารถอัจฉริยะมาใช้ที่ระดับขอบ

คุณได้ทำการวิจัยหลังปริญญาเอกกับ Yann LeCun ที่ NYU และ Meta FAIR การทำงานกับเขาและงานวิจัยของคุณที่ UC Berkeley มีอิทธิพลต่อแนวทางของคุณในการสร้างโซลูชัน AI ในโลกแห่งความเป็นจริงอย่างไร

ที่ Berkeley งานวิจัยของฉันลึกซึ้งในการสืบค้นทางวิทยาศาสตร์และความเข้มงวดทางคณิตศาสตร์ การวิจัยปริญญาเอกของฉันซึ่งรวมวิศวกรรมไฟฟ้า คอมพิวเตอร์ศาสตร์ และประสาทวิทยาศาสตร์คอมพิวเตอร์ มุ่งเน้นไปที่การทำความเข้าใจระบบ AI จากมุมมอง “กล่องขาว” หรือการพัฒนาวิธีการเพื่อเปิดเผยโครงสร้างพื้นฐานของข้อมูลและโมเดลการเรียนรู้ ฉันทำงานเกี่ยวกับการสร้างโมเดล AI ที่มีประสิทธิภาพสูงและเทคนิคการแสดงภาพที่ช่วยเปิดเผยระบบ AI แบบกล่องดำ

ที่ Meta FAIR มุ่งเน้นไปที่การสร้างระบบ AI เพื่อให้ได้ประสิทธิภาพสูงสุดในระดับใหญ่ ด้วยทรัพยากรการคำนวณระดับโลก ฉันสำรวจขอบเขตของการเรียนรู้แบบไม่มีคำสั่งและช่วยพัฒนาสิ่งที่เรียกว่า “โมเดลโลก” — ระบบ AI ที่เรียนรู้จากข้อมูลและจินตนาการสภาพแวดล้อมที่เป็นไปได้ ประสบการณ์แบบคู่นี้ — ความเข้าใจทางวิทยาศาสตร์ที่ Berkeley และการขยายขนาดทางวิศวกรรมที่ Meta — ทำให้ฉันมีมุมมองที่ครอบคลุมเกี่ยวกับการพัฒนา AI มันเน้นย้ำถึงความสำคัญของทั้งทฤษฎีและความเป็นจริงในการพัฒนาโซลูชัน AI สำหรับการใช้งานจริง

งานของคุณรวมประสาทวิทยาศาสตร์คอมพิวเตอร์กับ AI ความเข้าใจจากประสาทวิทยาศาสตร์มีอิทธิพลต่อวิธีการพัฒนาโมเดล AI ของคุณอย่างไร

ในประสาทวิทยาศาสตร์คอมพิวเตอร์ เราสึกษาว่าสมองประมวลผลข้อมูลโดยการวัดการตอบสนองต่อการกระตุ้นต่างๆ คล้ายกับการที่เราทดสอบโมเดล AI เพื่อทำความเข้าใจกลไกภายใน ในช่วงต้นอาชีพ ฉันพัฒนเทคนิคการแสดงภาพเพื่อวิเคราะห์การฝังตัวของคำ — การแบ่งคำเช่น “แอปเปิ้ล” ออกเป็นองค์ประกอบเชิงความหมาย เช่น “ผลไม้” และ “เทคโนโลยี” ต่อมาแนวทางนี้ขยายไปสู่โมเดล AI ที่ซับซ้อนกว่า เช่น โมเดลทรานส์ฟอร์เมอร์และโมเดลภาษาขนาดใหญ่ ซึ่งช่วยเปิดเผยว่าพวกมันประมวลผลและจัดเก็บความรู้ได้อย่างไร

วิธีการเหล่านี้ขนานกับเทคนิคในประสาทวิทยาศาสตร์ เช่น การใช้เครื่องมือวัดหรือ fMRI เพื่อศึกษากิจกรรมของสมอง การทดสอบการแสดงออกภายในของโมเดล AI ช่วยให้เข้าใจกลยุทธ์การให้เหตุผลและตรวจจับคุณสมบัติที่เกิดขึ้นเอง เช่น นิวรอนที่กระตุ้นสำหรับแนวคิดเฉพาะ (เช่น คุณลักษณะ Golden Gate Bridge ที่ Anthropic พบเมื่อทำการแมป Claude) สายวิจัยนี้ได้รับการยอมรับอย่างกว้างขวางในอุตสาหกรรมแล้ว เพราะมันช่วยให้สามารถอธิบายและแก้ไขปัญหาได้จริง ดังนั้น วิธีการที่ได้รับแรงบันดาลใจจากประสาทวิทยาศาสตร์จึงช่วยให้ AI มีความน่าเชื่อถือและทำงานได้อย่างมีประสิทธิภาพ

อะไรเป็นแรงบันดาลใจให้คุณร่วมก่อตั้ง Aizip คุณสามารถแบ่งปันเรื่องราวตั้งแต่แนวคิดจนถึงการเปิดตัวบริษัทได้หรือไม่

ในฐานะนักวิจัย AI พื้นฐาน ส่วนใหญ่ของงานฉันคือเชิงทฤษฎี แต่ฉันต้องการสร้างสะพานเชื่อมระหว่างการวิจัยกับการใช้งานจริง ฉันร่วมก่อตั้ง Aizip เพื่อนำนวัตกรรม AI ที่ทันสมัยมาใช้ในการใช้งานจริง โดยเฉพาะในสถานการณ์ที่มีข้อจำกัดทางทรัพยากร แทนที่จะสร้างโมเดลพื้นฐานขนาดใหญ่ เรามุ่งเน้นไปที่การพัฒนาโมเดล AI ที่เล็กที่สุดและมีประสิทธิภาพสูงสุดซึ่งเหมาะสำหรับอุปกรณ์ระดับขอบ

การเดินทางเริ่มต้นด้วยการสังเกตหลักๆ ว่า ในขณะที่ความก้าวหน้าของ AI เพิ่มขึ้นอย่างรวดเร็ว การใช้งานจริงมักต้องการโมเดลที่มีประสิทธิภาพสูงและกะทัดรัด เราเห็นโอกาสในการเป็นผู้บุกเบิกทิศทางใหม่ที่สร้างสมดุลระหว่างความเข้มงวดทางวิทยาศาสตร์กับการใช้งานจริง โดยใช้ข้อมูลเชิงลึกจากการเรียนรู้แบบไม่มีคำสั่งและสถาปัตยกรรมโมเดลที่กะทัดรัด Aizip สามารถส่งมอบโซลูชัน AI ที่ทำงานได้อย่างมีประสิทธิภาพที่ระดับขอบและเปิดโอกาสใหม่ๆ สำหรับ AI ในระบบฝังตัว IoT และอื่นๆ

Aizip มีความเชี่ยวชาญในโมเดล AI ขนาดเล็กสำหรับอุปกรณ์ระดับขอบ คุณเห็นช่องว่างในตลาดที่นำไปสู่การมุ่งเน้นนี้หรือไม่

อุตสาหกรรม AI ส่วนใหญ่มุ่งเน้นไปที่การขยายโมเดล แต่การใช้งานจริงต้องการสิ่งที่ตรงกันข้าม — ประสิทธิภาพสูง การใช้พลังงานต่ำ และความหน่วงต่ำ โมเดล AI ส่วนใหญ่ในปัจจุบันยังใช้ไม่ได้กับการใช้งานบนอุปกรณ์ฝังตัวขนาดเล็ก เราเห็นช่องว่างในตลาดสำหรับโซลูชัน AI ที่สามารถให้ประสิทธิภาพที่ดีในขณะที่ทำงานภายในข้อจำกัดทรัพยากรที่รุนแรง

เรารู้ว่าไม่จำเป็นต้องใช้โมเดลขนาดใหญ่สำหรับการใช้งาน AI ทุกอย่าง และการพึ่งพาโมเดลขนาดใหญ่สำหรับทุกสิ่งไม่จะขยายได้ เรามุ่งเน้นไปที่การปรับอัลกอริทึมเพื่อให้ได้ประสิทธิภาพสูงสุดในขณะที่รักษาความแม่นยำ โดยการออกแบบโมเดล AI ที่เหมาะสำหรับการใช้งานระดับขอบ — ไม่ว่าจะเป็นในเซ็นเซอร์สมาร์ท วอร์เบิล หรือการควบคุมอุตสาหกรรม — เราทำให้ AI สามารถทำงานในสถานที่ที่โมเดลแบบดั้งเดิมจะไม่เหมาะสม โมเดลของเราทำให้ AI มีความเข้าถึงได้มากขึ้น ขยายได้ และประหยัดพลังงานมากขึ้น ทำให้เกิดโอกาสใหม่ๆ สำหรับการนวัตกรรมที่ขับเคลื่อนด้วย AI นอกเหนือจากคลาวด์

Aizip เป็นผู้บุกเบิกในการพัฒนา Small Language Models (SLMs) คุณเห็น SLMs แข่งขันหรือเสริมโมเดลขนาดใหญ่เช่น GPT-4 อย่างไร

SLMs และโมเดลขนาดใหญ่เช่น GPT-4 ไม่ได้แข่งขันกันโดยตรงเพราะพวกมันให้บริการความต้องการที่แตกต่างกัน โมเดลขนาดใหญ่มีพลังในการทั่วไปและให้เหตุผลลึก แต่ต้องการทรัพยากรการคำนวณจำนวนมาก SLMs ได้รับการออกแบบสำหรับประสิทธิภาพและใช้งานบนอุปกรณ์ระดับขอบ พวกมันเสริมโมเดลขนาดใหญ่โดยทำให้ AI มีความสามารถในแอปพลิเคชันจริงที่การคำนวณ ความหน่วง และต้นทุนมีความสำคัญ — เช่น อุปกรณ์ IoT สวมใส่ และการควบคุมอุตสาหกรรม เมื่อการนำ AI ไปใช้เพิ่มขึ้น เราจะเห็นแนวทางแบบไฮบริดที่เกิดขึ้น โดยที่โมเดลขนาดใหญ่บนคลาวด์จะจัดการคำถามที่ซับซ้อน ในขณะที่ SLMs ให้ความฉลาดท้องถิ่นแบบเรียลไทม์ที่ระดับขอบ

ความท้าทายทางเทคนิคที่ยิ่งใหญ่ที่สุดในการทำให้โมเดล AI มีประสิทธิภาพเพียงพอสำหรับอุปกรณ์ระดับขอบที่มีพลังงานต่ำคืออะไร

หนึ่งในความท้าทายพื้นฐานคือการขาดความเข้าใจทางทฤษฎีที่สมบูรณ์เกี่ยวกับว่าโมเดล AI ทำงานอย่างไร โดยไม่มีพื้นฐานทางทฤษฎีที่ชัดเจน ความพยายามในการปรับให้เหมาะสมมักเป็นแบบเชิงประจักษ์ ซึ่งจำกัดความก้าวหน้าในการเพิ่มประสิทธิภาพ นอกจากนี้ การเรียนรู้ของมนุษย์นั้นเกิดขึ้นในหลายวิธีที่รูปแบบการเรียนรู้ของเครื่องจักรในปัจจุบันไม่สามารถจับได้ทั้งหมด ทำให้ยากที่จะออกแบบโมเดลที่เลียนแบบประสิทธิภาพของมนุษย์

จากมุมมองทางวิศวกรรม การผลักดัน AI ให้ทำงานภายในข้อจำกัดที่รุนแรงต้องการวิธีแก้ปัญหาใหม่ๆ ในการบีบอัดโมเดล การปรับขนาด และการออกแบบสถาปัตยกรรม อีกความท้าทายหนึ่งคือการสร้างโมเดล AI ที่สามารถปรับตัวเข้ากับอุปกรณ์และสภาพแวดล้อมที่หลากหลายในขณะที่รักษาความแข็งแกร่ง เมื่อ AI มีปฏิสัมพันธ์กับโลกแห่งความเป็นจริงผ่าน IoT และเซ็นเซอร์มากขึ้น ความต้องการสำหรับอินเทอร์เฟซที่เป็นธรรมชาติและทำงานได้อย่างมีประสิทธิภาพ — เช่น การรู้จำเสียง การรู้จำท่าทาง และอินพุตที่ไม่ธรรมดา — กลายเป็นสิ่งสำคัญ AI ที่ระดับขอบคือการเปลี่ยนแปลงวิธีที่ผู้ใช้โต้ตอบกับโลกดิจิทัลอย่างราบรื่น

คุณสามารถแบ่งปันรายละเอียดเกี่ยวกับการทำงานร่วมกันของ Aizip กับบริษัทอย่าง Softbank ได้หรือไม่

เราร่วมมือกับ SoftBank ในโครงการการเพาะเลี้ยงสัตว์น้ำที่ได้รับรางวัล CES Innovation Award — ซึ่งเป็นสิ่งที่เราภูมิใจมาก เราได้พัฒนาโมเดล AI ที่มีประสิทธิภาพสำหรับการใช้งานในการนับปลา ซึ่งสามารถใช้โดยผู้ประกอบการในฟาร์มสัตว์น้ำได้ โซลูชันนี้ตอบสนองความท้าทายที่สำคัญในการเพาะเลี้ยงสัตว์น้ำ ซึ่งอาจนำไปสู่ปัญหาด้านความยั่งยืน การสูญเสียอาหาร และผลกำไรในอุตสาหกรรม

เพื่อแก้ปัญหานี้ เราได้พัฒนาวิธีแก้ปัญหาโดยใช้อุปกรณ์ภายใน เรารวมการจำลองกราฟิกคอมพิวเตอร์ของ SoftBank สำหรับข้อมูลการฝึกอบรมกับโมเดล AI ที่กะทัดรัดของเรา และสร้างระบบที่มีความแม่นยำสูงซึ่งทำงานบนสมาร์ทโฟน ในการทดสอบภาคสนามใต้น้ำ มันได้ให้ผลการรู้จำที่ 95% ซึ่งปรับปรุงความแม่นยำในการนับปลาอย่างมาก ทำให้เกษตรกรสามารถปรับเงื่อนไขการเก็บเกี่ยว กำหนดว่าควรขนส่งปลาไปสดหรือแช่แข็ง และตรวจจับโรคหรือปัญหาสุขภาพอื่นๆ ในปลาได้

การผ่านทางนี้ปรับปรุงประสิทธิภาพ ลดต้นทุน และลดการพึ่งพาการทำงานด้วยมือ โมเดล AI ของ Aizip ช่วยให้ AI มีผลกระทบอย่างแท้จริงต่อปัญหาในโลกแห่งความเป็นจริง

Aizip ได้แนะนำแนวคิด “AI Nanofactory” คุณสามารถอธิบายสิ่งนี้ได้หรือไม่ และมันจะช่วยให้การพัฒนาโมเดล AI เป็นอัตโนมัติได้อย่างไร

AI Nanofactory คือการขยายตัวของเราเองที่เรียกว่า AI Design Automation pipeline ซึ่งได้รับแรงบันดาลใจจาก Electronic Design Automation (EDA) ในการผลิตเซมิคอนดักเตอร์ ในช่วงแรกของการพัฒนาเทคโนโลยีใหม่ๆ มักต้องใช้ความพยายามด้วยมือมาก ดังนั้นการทำให้กระบวนการเป็นอัตโนมัติจึงเป็นกุญแจสำคัญในการเร่งความก้าวหน้าและขยายโซลูชันเมื่ออุตสาหกรรมเติบโตขึ้น

แทนที่จะใช้ AI เพื่อเร่งการปรับปรุงอุตสาหกรรมอื่นๆ เราถามว่า AI สามารถเร่งการพัฒนาของตัวเองได้หรือไม่ AI Nanofactory ทำให้อัตโนมัติทุกขั้นตอนในการพัฒนาโมเดล AI ตั้งแต่การประมวลผลข้อมูล การออกแบบสถาปัตยกรรม การเลือกโมเดล การฝึกอบรม การปรับขนาด การใช้งาน และการแก้ปัญหา โดยการใช้ AI เพื่อปรับให้เหมาะสมตัวเอง เราสามารถลดเวลาในการพัฒนาโมเดลใหม่โดยเฉลี่ยได้ถึง 10 เท่า ในบางกรณีถึง 1,000 เท่า ซึ่งหมายความว่าโมเดลที่ใช้เวลาเกินหนึ่งปีในการพัฒนาสามารถสร้างได้ภายในไม่กี่ชั่วโมง

ประโยชน์อีกอย่างคือการทำให้โซลูชัน AI มีความเป็นไปได้ทางเศรษฐกิจสำหรับการใช้งานหลากหลาย ทำให้การนำ AI ไปใช้ในโลกแห่งความเป็นจริงสามารถขยายและเข้าถึงได้มากขึ้น

คุณเห็นบทบาทของ AI ระดับขอบเปลี่ยนแปลงไปอย่างไรในอีก 5 ปีข้างหน้า

AI ระดับขอบมีแนวโน้มที่จะเปลี่ยนแปลงวิธีการที่เราสื่อสารกับเทคโนโลยี เช่นเดียวกับที่สมาร์ทโฟนปฏิวัติวิธีการเข้าถึงอินเทอร์เน็ต การใช้งาน AI ส่วนใหญ่ในปัจจุบันอยู่บนคลาวด์ แต่สิ่งนี้เริ่มเปลี่ยนไปเมื่อ AI ย้ายไปใกล้กับเซ็นเซอร์และอุปกรณ์ที่โต้ตอบกับโลกแห่งความเป็นจริง การเปลี่ยนแปลงนี้เน้นย้ำถึงความจำเป็นที่สำคัญสำหรับการประมวลผลในเวลาจริงที่ระดับขอบ

ในอีก 5 ปีข้างหน้า เราคาดหวังว่า AI ระดับขอบจะช่วยให้เกิดการโต้ตอบระหว่างมนุษย์และคอมพิวเตอร์ที่เป็นธรรมชาติมากขึ้น เช่น การรู้จำเสียงและการรู้จำท่าทาง ซึ่งจะลบการอาศัยพื้นฐานดั้งเดิม เช่น คีย์บอร์ดและหน้าจอสัมผัส AI คาดว่าจะถูกฝังอยู่ในสภาพแวดล้อมประจำวัน เช่น บ้านอัจฉริยะหรือการควบคุมอุตสาหกรรม เพื่อช่วยในการตัดสินใจแบบเรียลไทม์โดยมีความหน่วงต่ำ

แนวโน้มสำคัญอีกประการหนึ่งคือความเป็นอิสระที่เพิ่มขึ้นของระบบ AI ระดับขอบ โมเดล AI จะกลายเป็นอิสระและปรับตัวได้มากขึ้น ขอบคุณความก้าวหน้าในการทำให้กระบวนการเป็นอัตโนมัติแบบ AI Nanofactory ซึ่งจะลดความจำเป็นในการแทรกแซงจากมนุษย์ในระหว่างการใช้งานและบำรุงรักษา สิ่งนี้จะเปิดโอกาสใหม่ๆ ในหลายอุตสาหกรรม เช่น สุขภาพ ยานยนต์ และเกษตรกรรม

คุณกำลังพัฒนา AI-powered devices ใหม่ๆ จาก Aizip อะไรที่คุณตื่นเต้นมากที่สุด

เรากำลังขยายกรณีการใช้งานสำหรับโมเดลของเราในอุตสาหกรรมใหม่ๆ และหนึ่งในสิ่งที่เราตื่นเต้นมากที่สุดคือตัวแทน AI สำหรับภาคอุตสาหกรรมยานยนต์ มีแรงผลักดันที่เพิ่มขึ้น โดยเฉพาะอย่างยิ่งผู้ผลิตรถยนต์จากจีนในการพัฒนาแชทบอทที่ขับเคลื่อนด้วยโมเดลภาษาที่รู้สึกเหมือน ChatGPT ภายในห้องโดยสาร

เราพัฒนาตัวแทน AI ที่เรียกว่า Gizmo ซึ่งใช้ในหลายกรณีการใช้งานสำหรับอุตสาหกรรมต่างๆ และเรากำลังทำงานเพื่อนำไปใช้เป็น “ผู้ช่วยขับ” ในยานยนต์ Gizmo ได้รับการฝึกอบรมให้เข้าใจความตั้งใจในลักษณะที่ละเอียดอ่อนมากขึ้น และเมื่อใช้เป็นตัวแทน AI ในยานยนต์ สามารถดำเนินการคำสั่งผ่านภาษาแบบสนทนาได้

ตัวอย่างเช่น ตัวแทนสามารถปรับอุณหภูมิห้องโดยสารหากผู้ขับขู่ว่า “ฉันหนาว” หรือตอบคำถามเช่น “ฉันจะไปบอสตันพรุ่งนี้ ฉันควรสวมอะไร” โดยตรวจสอบสภาพอากาศและให้คำแนะนำ เนื่องจากตัวแทนเหล่านี้ทำงานที่ระดับขอบ จึงสามารถทำงานต่อไปได้แม้ในพื้นที่ที่มีการเชื่อมต่อที่ไม่ดี เช่น ในอุโมงค์ ภูเขา หรือพื้นที่ชนบท และยังช่วยเพิ่มความปลอดภัยโดยให้ผู้ขับสามารถควบคุมรถได้ด้วยการควบคุมด้วยเสียงโดยไม่ต้องเอาเหยื่อออกจากถนน

นอกจากนี้ เรายังอยู่ในกระบวนการผลิตโมเดลการร้องคาราโอเกะที่ขับเคลื่อนด้วย AI สำหรับยานยนต์และลำโพงบลูทูธ ซึ่งทำงานที่ระดับขอบเช่นกัน โดยพื้นฐานแล้ว มันใช้เสียงอินพุตใดๆ และลบเสียงคนออกจากมัน ทำให้คุณสามารถสร้างเวอร์ชันคาราโอเกะของเพลงใดๆ ในเวลาจริงได้

โซลูชันเหล่านี้ซึ่งสร้างความแตกต่างที่มีความหมายใน生活ประจำวันของคนๆ หนึ่ง คือสิ่งที่เราภูมิใจมากที่สุด

Aizip พัฒนาโซลูชัน AI ที่มีประสิทธิภาพสูงซึ่งได้รับการปรับให้เหมาะสมสำหรับอุปกรณ์ระดับขอบ โดยมีโมเดลที่กะทัดรัดสำหรับการใช้งานด้านการมองเห็น เสียง เวลา-ชุดข้อมูล ภาษา และการรวมสัญญาณ (sensor fusion) ผลิตภัณฑ์ของ Aizip ช่วยให้สามารถทำงานได้เช่น การจดจำใบหน้าและวัตถุ การตรวจจับคำสำคัญ การวิเคราะห์ ECG/EEG และการแชทบอทบนอุปกรณ์ โดยใช้ TinyML ผ่านแพลตฟอร์ม AI Nanofactory ของ Aizip ซึ่งเรียกว่า Aizipline บริษัทสามารถเร่งการพัฒนาโมเดลโดยใช้โมเดลพื้นฐานและโมเดลสร้างสรรค์เพื่อผลักดันให้ไปสู่การออกแบบ AI แบบอัตโนมัติเต็มรูปแบบ โมเดลภาษาขนาดเล็กของ Aizip ซีรีส์ Gizmo (300M–2B พารามิเตอร์) รองรับอุปกรณ์หลากหลายประเภท ทำให้สามารถนำความสามารถอัจฉริยะมาใช้ที่ระดับขอบ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Aizip เพื่อเรียนรู้เพิ่มเติม