在机器学习算法可以在工厂中用于检测设备故障或可以自主分辨左转和右转箭头之间的差异的汽车，他们需要训练。目前发生在数据中心，在该中心中，将神经网络引入了数百或数千个示例，并标有他们需要分开的内容。经过培训后，将算法编程为嵌入式设备。
ETA计算正在尝试不同的事情。自2015年成立以来，该公司已筹集了超过1000万美元的风险投资，宣布其新的微控制器可以支持培训自己的尖峰神经网络。新的Tensai芯片可以处理无监督的学习，同时消耗的功率比助听器少。这样可以在语音接口和预测维护中使用连续处理。
NVIDIA目前在机器学习芯片的市场上占主导地位。它的图形处理器是培训大量数据的神经网络的黄金标准。但是ETA Compute试图将机器学习重新安置到完成大部分数据收集的嵌入式设备。这将减少与云的通信，不仅可以改善延迟，还可以减少需要云存储的信息量。
“我们期望从以云为主的空间转变为更具边缘主导的空间，” ETA计算首席技术官，前英特尔的首席科学家Nara Srinivasa说，在那里他开发了自学算法。“这基本上改变了我们收集，处理，保存和传输数据的全部方式。我们希望将尽可能少的信息发送到云中，同时还减少硬件的区域和功能。”
ETA Compute正在与包括NXP半导体和Renesas电子产品在内的市场领导者争取职位，还启动了GreenWaves和降低的能源微系统。该公司上个月宣布了ARM TechCon的Tensai微控制器，它针对运行的小电池设备，这些电池必须运行，这些电池必须不得多年就可以被替换多年，或者从周围的环境中收获的能源而不是使用电池。
该公司表示，新芯片的样本目前可供潜在客户使用。Tensai将在明年第一季度进入销量，然后在Greenwaves和Syntiant竞争筹码之前。该产品的预计成本在10美元范围内。ETA计算的Tensai的ARM Cortex-M3 MCU具有低功率模拟块和NXP Coolflux DSP内核，以处理机器学习工作。
核心基于ETA Compute的异步拨号体系结构，可降低芯片需要运行的电源电压。该芯片的子阈值电压操作降至0.2伏，而大多数芯片的阈值电压约为0.9伏。根据应用程序，可以将频率缩放至100MHz。嵌入式电源管理单元有助于保持频率恒定的过程和温度变化。
Tensai还可以处理深度学习算法的主要构件卷积神经网络（CNNS）。这些网络是节点的蜂窝，每个节点都连接到网络中的另一个节点。由于软件经过标记的数据的序列训练，确定连接强度的权重会生成。所得模型可用于区分，例如，黑猫与黑色高跟鞋的乌鸦之间的区分。
深度学习适用于具有可以标记的丰富数据的应用程序。但是，进行无监督学习的神经网络对于数据是非结构化或稀缺的应用程序，例如在工厂设备中听不寻常的声音。ETA计算说，它的一个尖峰神经网络（通常称为SNN）可以训练自己来识别“智能”一词，同时忽略“愚蠢”和“黄色”一词。
尖峰神经网络还削减了得出这些结论所需的计算量。原因第一：与CNN相比，它们内部的节点的连接更为稀少。第二个原因：虽然CNN算法表示重量为8位和16位数字，但SNN将其值为一个或零。这降低了主要乘积的成本并在机器学习中积累（Mac）操作。
根据ETA计算的销售和业务开发副总裁Chet Jewan的副总裁，结果是嵌入式机器学习，需要更少的功率和更少的数据才能得出结论。ETA计算进行了演示：卷积神经网络需要一张带有100,000像素的照片来识别猎豹。ETA计算的SNN算法使用少于1,000的算法确定了它。
ETA Compute的芯片可以与麦克风配对，从可穿戴设备到家用设备，都可以聆听“ ON”或“ OFF”之类的简单语音命令。该公司表示，微控制器在聆听唤醒单词和分类过程中的500UA时仅绘制约50UA。它也可以用于在发送到云之前在发送云之前压缩原始图像或音频，从而减少了物联网设备的通信要求。
“ ETA Compute并不孤单地解决边缘人工智能，但[公司]是第一个使用机器学习引擎提供基于ARM的MCU的，”说罗伯特·惠勒（Robert Wheeler），市场研究员林利集团（Linley Group）的技术分析师。“该初创公司通过优化的神经网络软件完成了解决方案。”他补充说：“它的整体方法应该吸引开发人员缺乏AI专业知识的物联网。”
Tensai对无监督学习的支持也可能会降低将人工智能添加到小型电池供电设备中的公司。在云中租用计算能力，以进行培训和花费时间标签示例用于研究的算法可以增加开发成本。Srinivasa说：“大多数公司的资源非常有限，可以标记其收集的所有数据。”“这可能很艰巨。”
