Écouter un mot-clé ou surveiller un capteur en permanence impose une contrainte : rester actif sans épuiser le budget énergétique. Une nouvelle plateforme de développement propose de traiter ces flux localement, puis de conserver le même silicium dans le produit final.
Un Raspberry Pi 5 associé à la carte M.2 AKD1500
BrainChip Holdings Ltd lance son AKD1500 Raspberry Pi 5 Development Kit, qui réunit un Raspberry Pi 5 et une carte M.2 AKD1500. L’entreprise, cotée sous les références ASX : BRN, OTCQX : BRCHF et ADR : BCHPY, cherche ainsi à rendre son architecture neuromorphique numérique et événementielle accessible aux millions d’ingénieurs, de makers et d’équipes produit qui travaillent déjà sur cette plateforme.
Le kit cible les applications d’IA embarquée fonctionnant en continu : capteurs, dispositifs de surveillance, appareils portés, équipements industriels et produits domotiques. La robotique et la vision figurent également parmi les usages envisagés. L’enjeu est autant de faciliter l’évaluation que d’éviter un changement de puce au moment de l’industrialisation.
Les développeurs possédant déjà un Raspberry Pi 5 équipé d’un HAT M.2 peuvent ajouter la carte AKD1500 commercialisée séparément et employer les mêmes logiciels. Le nouveau kit rejoint ainsi la carte PCIe et la carte M.2 dans la gamme de plateformes de développement AKD1500.
Steve Brightfield, directeur produit de BrainChip, précise que l’accompagnement logiciel comprendra des images Docker pouvant être préchargées pour simplifier les démonstrations et les mesures de performances. Elles serviront aussi de référence pour créer des conteneurs d’applications neuromorphiques personnalisées. Les outils MetaTF et les modèles sont accessibles gratuitement sur le BrainChip Developer Hub.
Traitement événementiel et apprentissage directement sur la puce
L’AKD1500 repose sur une architecture qui traite les événements jugés significatifs plutôt que l’intégralité des données entrantes. BrainChip la destine notamment à la détection et à la surveillance continues, où l’analyse systématique de chaque image ou échantillon peut alourdir la consommation et la dissipation thermique. Le communiqué ne fournit toutefois ni consommation mesurée du kit complet ni comparaison chiffrée avec une solution conventionnelle.
Le traitement est réalisé sur l’appareil, sans devoir envoyer les données vers un service cloud pour ces fonctions. Cette approche évite les délais et les coûts de bande passante associés à ce transfert, tout en limitant l’exposition des données. Elle ne constitue pas, à elle seule, une mesure des gains énergétiques de l’ensemble Raspberry Pi et accélérateur.
La puce prend également en charge l’apprentissage local de nouvelles classes. BrainChip cite l’ajout d’un mot-clé, d’un geste ou d’un objet directement sur le terrain, sans réentraînement dans le cloud et en conservant les données sur l’appareil. Cette possibilité concerne l’enrichissement des modèles pris en charge, et non une promesse de réentraîner indifféremment n’importe quel réseau neuronal sur la carte.
Conserver le même silicium jusqu’à la production
Après validation sur Raspberry Pi 5, une équipe peut intégrer la même puce AKD1500 à son propre matériel, avec une interface PCIe ou SPI selon les contraintes du système. L’intérêt est de limiter le portage des modèles et la reprise des validations qu’imposerait un changement d’accélérateur entre la preuve de concept et le produit commercialisé.
Brian Beyer, PDG de Hellbender, entreprise américaine qui se présente comme un fournisseur de rang 1 pour l’IA physique, retient précisément cette continuité. Il considère le kit comme une option prometteuse pour les applications de robotique et de vision développées par ses clients, avec une évaluation sur du matériel déjà familier aux équipes.
Pour BrainChip, l’opération vise à élargir l’adoption d’Akida dans la communauté Raspberry Pi, à soutenir la commercialisation de l’AKD1500 et à renforcer sa présence dans l’IA embarquée. L’entreprise replace ce lancement dans un marché plus large : MarketsandMarkets prévoit que l’edge computing mondial passera de 111,34 milliards de dollars en 2026 à 317,39 milliards en 2031, porté par les besoins de traitement rapide, de faible latence et d’infrastructures décentralisées. Ces projections ne portent donc pas spécifiquement sur les accélérateurs neuromorphiques.
Le kit est disponible dès maintenant sur le BrainChip Shop. Aucun tarif n’est indiqué dans le communiqué, qui ne détaille pas non plus la configuration mémoire du Raspberry Pi 5 fourni.
La continuité du silicium réduit un risque réel lors du passage à la production, mais elle ne dispense pas de valider l’alimentation, les interfaces et les performances dans le matériel final. Pour départager cette solution d’autres accélérateurs embarqués, les mesures utiles seront celles du système complet sur des flux représentatifs, apprentissage local compris.
Source : BrainChip
