Machine Learning hat sich schnell von Cloud-zentrierten Implementierungen zum Edge entwickelt, wo eingebettete Systeme Echtzeit-Intelligenz unter strengen Energie- und Latenzbudgets liefern müssen. Im Mittelpunkt dieser Transformation steht der digitale Signalprozessor (DSP) - ein spezialisierter Mikroprozessor, der in ressourcenbeschränkter Umgebung zu einem Eckpfeiler für die Beschleunigung von maschinellen Lernaufgaben geworden ist. Während Allzweck-CPUs und Grafikverarbeitungseinheiten (GPUs) oft die Konversation um ML-Hardware dominieren, bieten DSPs eine einzigartige Kombination aus hohem Durchsatz, extrem niedrigem Stromverbrauch und deterministischer Echtzeitleistung, die ideal für eingebettete Anwendungen geeignet ist.

Von sprachaktivierten intelligenten Lautsprechern bis hin zu autonomen Drohnen und industriellen IoT-Sensoren ermöglichen DSPs diesen Geräten, neuronale Netzwerkinferenz lokal auszuführen, ohne Batterien zu entleeren oder eine konstante Cloud-Konnektivität zu erfordern. Die Fähigkeit, komplexe mathematische Operationen - insbesondere multiakkumulierte (MAC) Sequenzen - auf hochparallele und energieeffiziente Weise durchzuführen, macht DSPs zu einem unverzichtbaren Werkzeug für Edge AI. Dieser Artikel untersucht die Architektur, Vorteile und praktischen Anwendungen von DSP-Prozessoren bei der Beschleunigung von maschinellen Lernaufgaben in eingebetteten Systemen und bietet einen umfassenden Leitfaden für Ingenieure und Technologie-Entscheidungsträger.

DSP-Prozessoren verstehen

Digitale Signalprozessoren sind eine Klasse von Mikroprozessoren, die speziell für die Verarbeitung von Echtzeitsignalen mit hohen Geschwindigkeiten konstruiert sind. Im Gegensatz zu Allzweck-CPUs, die für Aufgabenumschaltung und Zweigvorhersage optimieren, priorisieren DSPs die deterministische Ausführung von sich wiederholenden arithmetischen Operationen. Ihre Befehlssätze und Speicherarchitekturen sind auf die schnelle, vorhersehbare Verarbeitung von Datenströmen wie Audio-Samples, Videopixel und Sensormessungen zugeschnitten.

Zu den wichtigsten architektonischen Merkmalen, die einen modernen DSP definieren, gehören:

  • Harvard-Architektur oder modifizierte Harvard-Architektur - separate Programm- und Datenspeicherbusse ermöglichen gleichzeitige Befehlsabrufe und Datenzugriff, wodurch der Durchsatz verdoppelt wird.
  • Hardware Multi-Acculate (MAC) Einheiten - eine einzelne Anweisung kann zwei Zahlen multiplizieren und das Ergebnis in einem Taktzyklus zu einem Akkumulator hinzufügen, wobei die Kernoperation von Falten und Matrixmultiplikationen ausgeführt wird.
  • Single-Instruction, Multiple-Data (SIMD) Fähigkeiten - DSPs können auf mehreren Datenelementen mit einer einzigen Anweisung arbeiten, Vektor- und Matrixoperationen beschleunigen, die zentral für ML sind.
  • Null-Overhead-Hardwareschleifen – wiederholte Operationen (wie Faltungsschleifen) werden ohne die Strafe von Zweiganweisungen gehandhabt, wobei die Pipeline voll gehalten wird.
  • Low-Latenz-Interrupt-Handling – kritisch für Echtzeit-Anwendungen, bei denen das Fehlen einer Stichprobe den Output verfälschen könnte.

Diese Design-Entscheidungen ermöglichen es DSPs, hohe Leistung bei einem Bruchteil der Taktfrequenz einer CPU zu erreichen und dabei deutlich weniger Strom zu verbrauchen. Beispielsweise kann ein typischer DSP, der mit 500 MHz arbeitet, eine 2-GHz-CPU für einen bestimmten Satz von Signalverarbeitungsaufgaben übertreffen und dabei nur wenige hundert Milliwatt zeichnen. Dieser Wirkungsgrad ist der Hauptgrund, warum DSPs seit Jahrzehnten in Milliarden von Geräten eingebettet sind, von Hörgeräten bis hin zu zellularen Basisstationen.

Die Rolle von DSPs in Machine Learning Workloads

Modernes maschinelles Lernen – insbesondere tiefe neuronale Netze – ist mathematisch intensiv. Die häufigsten Operationen während der Inferenz umfassen Faltung, Matrixmultiplikation, Aktivierungsfunktionen (z. B. ReLU, Sigmoid), Pooling und Normalisierung. Alle diese sind stark auf multipliziert akkumulierte Operationen angewiesen. Eine einzelne Faltungsschicht in einem neuronalen Netzwerk kann Millionen von MACs pro Inferenz erfordern. DSPs sind speziell für die Ausführung dieser Operationen mit minimalem Overhead ausgelegt.

DSPs können Fixpunkt-Arithmetik nativ verarbeiten, was ein großer Vorteil für eingebettete ML ist. Quantisierte neuronale Netzwerke - diejenigen, die Ganzzahl- oder Festpunktdarstellungen anstelle von Gleitkomma verwenden - reduzieren die Speicherbandbreite und den Stromverbrauch dramatisch und behalten gleichzeitig eine akzeptable Genauigkeit. Viele moderne DSPs enthalten dedizierte Hardware-Unterstützung für Integer-MAC-Operationen, wodurch sie ideal für den Betrieb von quantisierten Modellen aus Frameworks wie TensorFlow Lite für Microcontroller oder ONNX Runtime sind.

Darüber hinaus enthalten DSPs oft spezielle Anweisungen, die gängige neuronale Netzprimitive direkt implementieren, wie Faltungsfilter mit Schritt und Dilatation, Tiefenfaltungen und Aktivierungsfunktionsannäherungen, was die Anzahl der für jede Schicht erforderlichen Zyklen reduziert und den Softwareoptimierungspfad vereinfacht.

Hauptvorteile von DSPs für ML am Rand

  • High performance per watt: Die primäre Metrik für Edge AI ist TOPS/W (Tera-Operationen pro Sekunde pro Watt). DSPs liefern konsistent höhere TOPS/W als CPUs und GPUs für typische ML-Inferenz-Workloads. Für batteriebetriebene Geräte bedeutet dies eine längere Betriebsdauer und kleinere thermische Budgets.
  • Deterministisches Echtzeitverhalten: Im Gegensatz zu CPUs mit unvorhersehbaren Cache-Ausfällen und Fehlvorhersagen bieten DSPs deterministisches Ausführungs-Timing. Dies ist für Anwendungen wie Closed-Loop-Steuerung in der Robotik oder Echtzeit-Audioverarbeitung von entscheidender Bedeutung, bei denen das Fehlen einer Deadline zu Systemausfällen führen kann.
  • Effiziente Datenbewegung: DSPs sind so konzipiert, dass sie Daten effizient zwischen Speicher und Recheneinheiten verschieben. Mehrbankspeicher und direkte Speicherzugriffs-Engines (DMA) ermöglichen es, Daten in den Prozessor zu streamen, ohne die Pipeline zu blockieren, was für die Verarbeitung kontinuierlicher Sensorströme unerlässlich ist.
  • Da DSPs in der Nähe des Sensors arbeiten, können sie Daten verarbeiten und Ergebnisse in Mikrosekunden erzeugen. Diese Latenzzeit unter Millisekunden ist für autonome Systeme, die sofort reagieren müssen, wie z. B. Kollisionsvermeidung bei Drohnen, unerlässlich.
  • Reife und Ökosystem: DSPs sind nicht neu; Jahrzehnte der Toolchain-Entwicklung haben ausgereifte Compiler, Debugger und optimierte Bibliotheken hervorgebracht. Unternehmen wie Texas Instruments, Analog Devices, NXP und Cadence bieten umfangreiche Software-Stacks für die Bereitstellung neuronaler Netzwerke an, wodurch die Markteinführungszeit verkürzt wird.

Architekturinnovationen speziell für Machine Learning

Während herkömmliche DSPs bereits für ML-Workloads geeignet sind, haben die jüngsten Generationen Funktionen explizit für Deep Learning-Beschleunigung integriert, die die Grenze zwischen einem DSP und einer neuronalen Verarbeitungseinheit (NPU) verwischen.

Sehr lange Instruction Word (VLIW) Architekturen

Viele moderne DSPs, wie die aus der C6000-Familie von TI oder der NeuPro-Serie von CEVA, verwenden VLIW-Designs. Mehrere unabhängige Operations-Slots in einer einzigen Anweisung ermöglichen es dem Compiler, MACs zu planen, zu laden/speichern und parallel zu steuern. In Kombination mit tiefen Pipelines können VLIW-DSPs eine hohe Instruktionsparallelität ohne die komplexe Out-of-Order-Logik von CPUs erreichen und Energie sparen.

Deep Learning Coprozessoren

Einige DSPs integrieren eng gekoppelte Hardware-Beschleuniger für faltungsneurale Netze. Beispielsweise umfasst der Cadence Tensilica Vision 5 DSP ein Tensor-Rechenfeld für Matrixoperationen, eine dedizierte Faltungs-Engine und Hardware-Unterstützung für Aktivierungsfunktionen und Pooling. Diese Blöcke arbeiten in Verbindung mit dem DSP-Kern und entladen die rechenintensivsten Schleifen, während der DSP Vorverarbeitungs- und Nachverarbeitungsaufgaben erledigt.

Unterstützung für quantisierte und sparsame Modelle

Effiziente ML auf DSPs beruhen stark auf Quantisierung. Neuere DSPs bieten fusionierte Multi-Add-Anweisungen für 8-Bit- oder sogar 4-Bit-Ganzzahlen, verdoppeln oder vervierfachen den Durchsatz im Vergleich zu 16-Bit- oder 32-Bit-Operationen. Sie unterstützen auch Skip-Null-Optimierungen, bei denen multi-akkumulierte Operationen, die einen Nulleingang beinhalten, vollständig übersprungen werden - ein häufiger Fall in ReLU-aktivierten Netzwerken, in denen viele Aktivierungen zu Null werden. Diese Sparsity-Ausnutzung kann die effektive Latenz drastisch reduzieren.

Vergleich von DSPs mit anderen ML-Beschleunigern

Um zu verstehen, wo DSPs passen, ist es hilfreich, sie mit anderen gängigen Hardwareoptionen für eingebettete ML zu vergleichen: CPUs, GPUs, FPGAs und NPUs.

DSP vs. CPU

Allzweck-CPUs sind flexibel, aber ineffizient für sich wiederholende MAC-Operationen neuronaler Netzwerke. Eine CPU kann aufgrund von Pipeline-Gefahren und Speicherengpässen Dutzende von Zyklen pro MAC erfordern. DSPs führen einen MAC in einem einzigen Zyklus aus und enthalten oft SIMD-Anweisungen für mehrere MACs pro Zyklus. Für kontinuierliche Signalverarbeitungs-Workloads kann ein DSP eine CPU um das 10-50-fache übertreffen, während er weniger Strom verbraucht.

DSP vs. GPU

GPUs zeichnen sich durch massive Parallelität mit Hunderten von Kernen aus, aber sie ziehen Dutzende bis Hunderte von Watt. Für eingebettete Systeme mit einem Leistungsbudget von wenigen Watt sind GPUs normalerweise unpraktisch. Darüber hinaus führen GPU-Treiber Latenz ein, die für die Echtzeitsteuerung inakzeptabel ist. DSPs bieten ein viel besseres Leistungs-Watt-Verhältnis für typische Edge-Inferenzaufgaben, obwohl sie nicht mit dem Rohdurchsatz einer GPU für große Batch-Verarbeitung übereinstimmen können.

DSP vs. FPGA

FPGAs können so umkonfiguriert werden, dass sie benutzerdefinierte Datenpfade für ML erstellen, was eine sehr hohe Effizienz für ein bestimmtes Modell bietet. Allerdings erfordert die FPGA-Entwicklung Fachwissen in Hardwarebeschreibungssprachen und ist weniger portabel. DSPs, da sie fest funktionsfähige Prozessoren sind, sind einfacher zu programmieren (C/C++ oder sogar grafisches modellbasiertes Design) und haben ein reichhaltigeres Software-Ökosystem. Für die schnelle Bereitstellung von ML auf vorhandener Hardware sind DSPs oft praktischer.

DSP vs. NPU (Neural Processing Unit)

NPUs sind spezialisierte Beschleuniger, die ausschließlich für neuronale Netzwerkinferenz entwickelt wurden. Sie erreichen typischerweise die höchste Effizienz für einen festen Satz von Schichttypen. Allerdings können NPUs nicht die allgemeinen Signalverarbeitungsfähigkeiten eines DSP haben. Viele eingebettete Systeme müssen nicht nur ML-Inferenz, sondern auch Vorverarbeitung (z. B. Filterung, FFT, Audio-Feature-Extraktion) und Nachverarbeitung (z. B. Beamforming, Rauschunterdrückung) durchführen. Ein einzelner DSP kann all diese Aufgaben plus die ML-Inferenz bewältigen, was die Hardware vereinfacht und die Stücklistenkosten reduziert.

Anwendungen in Embedded Systems

Die Vielseitigkeit von DSPs macht sie für eine breite Palette von Embedded ML-Anwendungen in allen Branchen geeignet. Die folgenden Anwendungsfälle zeigen, wie DSPs maschinelle Lernaufgaben in der Praxis beschleunigen.

Sprach- und Audioverarbeitung

Intelligente Lautsprecher, Hörgeräte und Freisprechsysteme für Fahrzeuge setzen auf DSPs für Keyword Spotting, Sprachbefehle und Audioverbesserung. Eine typische Pipeline umfasst Beamforming (Multimikrofonverarbeitung), Rauschunterdrückung (adaptive Filterung), Feature-Extraktion (MFCCs oder Spektrogramme) und dann ein kleines neuronales Netzwerk für die Wake-word-Erkennung. DSPs behandeln den gesamten Weg mit Mikrosekundenpräzision und ermöglichen immer eingeschaltete Sprachassistenten, die weniger als 10 mW verbrauchen. Zum Beispiel wird die TMS320C55x-Serie von Texas Instruments in Hörgeräten häufig verwendet, um Echtzeit-Geräuschklassifizierung und Dynamikkompression auszuführen.

Computer Vision am Rande

DSPs sind in Kameramodule für Objekterkennung, Gesichtserkennung und Gestensteuerung in intelligenten Kameras, Drohnen und Industrierobotern integriert. Die Vision-DSPs von Cadence und CEVA umfassen dedizierte Hardware für die Bildsignalverarbeitung (ISP) - Demosaiking, Weißabgleich, Gammakorrektur - kombiniert mit einem Deep Learning-Beschleuniger. Dies ermöglicht es einem einzelnen Chip, rohe Sensordaten bis hin zu Inferenzergebnissen ohne separate GPU zu verarbeiten. Zum Beispiel verwendet das Ambarella CV25 System-on-Chip einen DSP-basierten Vision-Prozessor, um neuronale Netzwerke für intelligente Sicherheitskameras mit 30 fps zu betreiben und unter 2 W zu zeichnen.

Sensorfusion in autonomen Systemen

Autonome Fahrzeuge und fortschrittliche Fahrerassistenzsysteme (ADAS) fusionieren Daten von Kameras, Radar, Lidar und Inertialsensoren. Die Sensorfusion umfasst die Verarbeitung von schweren Signalen (Filterung, Timing-Ausrichtung, Kalibrierung) und ML-basierte Objekterkennung/-verfolgung. DSPs bieten die deterministische, latenzarme Berechnung, die für sicherheitskritische Funktionen erforderlich ist. Der NXP-S32V234-Fahrzeugvisionsprozessor kombiniert eine Quad-Core-CPU mit einem DSP und einem Bildverarbeitungsbeschleuniger, was eine Spurerkennung und Fußgängererkennung in Echtzeit ermöglicht.

Predictive Maintenance im industriellen IoT

In der Fertigung überwachen Vibrations- und Temperatursensoren den Zustand der Maschine. DSPs analysieren FFTs und Zeitreihendaten, um Anomalien mithilfe von leichtgewichtigen Anomalieerkennungsmodellen (z. B. Autoencoder) zu erkennen. Die Fähigkeit, Inferenz lokal auf dem Sensorknoten auszuführen, reduziert Datenuploads und ermöglicht sofortige Warnungen. Die ADSP-CM40x-Serie von Analog Devices wird in der Motorsteuerung und Zustandsüberwachung verwendet, wobei sowohl Signalverarbeitung als auch ML-Inferenz auf einem einzigen Chip integriert werden.

Tragbare medizinische Geräte

EKG-Monitore, tragbare Fitness-Tracker und tragbare Ultraschallgeräte nutzen DSPs für die Echtzeit-Biosignalanalyse. ML-Modelle können Arrhythmien klassifizieren, Schlafapnoe erkennen oder die Herzfrequenzvariabilität abschätzen. Niedriger Stromverbrauch und kleiner Fußabdruck sind entscheidend - DSPs ermöglichen es Geräten, wochenlang auf einer Münzzellenbatterie zu laufen, während sie kontinuierliche Inferenz durchführen. Zum Beispiel werden MSP430-Mikrocontroller von Texas Instruments mit integrierten DSP-Erweiterungen in tragbaren Herzpflastern verwendet.

Integration von DSPs in Embedded ML Pipelines

Die Bereitstellung eines maschinellen Lernmodells auf einem DSP umfasst eine End-to-End-Pipeline, die über die Inferenz-Engine hinausgeht.

  1. Datenerfassung — Sensoren (Mikrofone, Kameras, IMUs) liefern Rohdaten über ADC oder parallele Schnittstelle. DSPs enthalten oft dedizierte Peripheriegeräte wie I2S für Audio oder MIPI CSI für Kameras.
  2. Vorverarbeitung — Rohdaten werden konditioniert: Filterung zum Entfernen von Rauschen, Fensterung für FFT, Normalisierung oder Feature-Extraktion (z. B. Mel-Spektrogramme für Audio, Größenänderung von Frames für Vision).
  3. Inference — Die vorverarbeiteten Daten werden an das neuronale Netzwerk übergeben. DSPs führen das quantisierte Modell Schicht für Schicht aus, wobei Hardwarebeschleunigung für Falten und vollständig verbundene Schichten verwendet wird.
  4. Post-Processing — Output-Tensoren werden in aussagekräftige Ergebnisse umgewandelt: Softmax für die Klassifizierung, Bounding Box Decoding für Objekterkennung, Schwellwert für Anomalieerkennung.
  5. Aktion/Kommunikation — Das Ergebnis löst einen Aktuator aus (z. B. ein Licht einschalten, eine Warnung senden) oder wird drahtlos übertragen.

Viele Halbleiterhersteller bieten Software-Toolkits an, die einen Großteil dieser Pipeline automatisieren. Zum Beispiel nimmt das CDNN-Toolkit (Deep Neural Network) von CEVA Modelle von TensorFlow oder PyTorch, wendet Quantisierung an und generiert optimierten C-Code für ihre DSP-Kerne. In ähnlicher Weise bietet die NNP-Bibliothek (Neural Network for Processors) von Texas Instruments optimierte Kernel für die C6000-Architektur.

Herausforderungen und Überlegungen

Trotz ihrer Vorteile sind DSPs nicht die Wunderwaffe für jedes eingebettete ML-Szenario. Ingenieure müssen sich mit mehreren Herausforderungen auseinandersetzen:

  • Präzision vs. Genauigkeits-Kompromisse: Aggressive Quantisierung (z. B. 4-Bit-Gewichte) kann die Modellgenauigkeit erheblich beeinträchtigen, wenn sie nicht sorgfältig durchgeführt wird. Quantisierungsbewusste Trainings- und Kalibrierungsdatensätze sind für die Aufrechterhaltung der Leistung unerlässlich.
  • Speicherbeschränkungen: DSPs haben typischerweise einen begrenzten On-Chip-SRAM (einige hundert Kilobyte bis einige Megabyte). Das Speichern eines vollständigen neuronalen Netzwerkmodells und seiner Zwischenaktivierungen kann eine Herausforderung darstellen. Techniken wie Speicher-Packing, Modell-Prunting und Streaming-Aktivierungen von externen Flashs sind erforderlich.
  • Softwarekomplexität: Während DSPs einfacher zu programmieren sind als FPGAs, benötigen sie immer noch spezialisierte Compiler und Bibliotheken. Das Portieren eines Modells von einem High-Level-Framework in DSP-optimierten Code beinhaltet oft manuelles Tuning oder die Verwendung von herstellerspezifischen SDKs. Entwickler müssen mit Fixpunkt-Arithmetik und Speicherverwaltung vertraut sein.
  • Begrenztes Ökosystem für bestimmte Modelltypen: Einige fortgeschrittene Schichten (z. B. Aufmerksamkeitsmechanismen, Transformatoren, wiederkehrende Netzwerke mit dynamischen Sequenzen) können nicht effizient auf traditionelle DSP-Architekturen abgebildet werden. Neuere DSPs bieten Unterstützung, aber das Ökosystem hinkt hinter GPUs zurück.
  • Entwicklung und Debugging: DSP-Debug-Tools sind weniger ausgereift als die für CPUs. Das Profiling der Ausführung auf Zyklusebene auf eingebetteten Echtzeitsystemen kann schwierig sein, da Hardware-Trace-Funktionen erforderlich sind.

Die Entwicklung von DSPs für maschinelles Lernen beschleunigt sich. Mehrere Trends werden die nächste Generation von Embedded AI prägen:

  • RISC-V mit DSP-Erweiterungen: Die Open-Source-RISC-V-Architektur umfasst jetzt P-Erweiterungen (gepackte SIMD) und Vektorerweiterungen, die DSP-Funktionen sehr ähnlich sind. Viele Chip-Designer erstellen benutzerdefinierte RISC-V-Kerne mit DSP-ähnlichen MAC-Einheiten und Hardwareschleifen für ML-Beschleunigung, was eine hochgradig anpassbare und kostengünstige Alternative zu proprietären DSPs verspricht.
  • Heterogene Integration: System-on-Chips (SoCs) kombinieren zunehmend einen Mikrocontroller (MCU), DSP, NPU und GPU auf einem einzigen Werkzeug. Der DSP übernimmt Signalverarbeitung und Low-Power-immer-on-ML, während die NPU schwerere Inferenzlasten anpackt. Dieser heterogene Ansatz maximiert die Effizienz über verschiedene Arbeitslasten hinweg.
  • Advanced compression and sparsity: DSPs werden ausgefeiltere Techniken wie strukturiertes Beschneiden, Gewichtsverteilung und spärliche Matrixmathematik anwenden, um die wachsende Sparsität optimierter neuronaler Netzwerke auszunutzen. Hardware, die dynamisch nullwertige Gewichte und Aktivierungen überspringt, wird Standard werden.
  • On-Device-Lernen: Während derzeit von Inferenz dominiert, entwickeln sich einige DSPs, um leichtes On-Device-Training oder Feinabstimmung zu unterstützen. Funktionen wie Backpropagation-Hardware-Beschleunigung und Akkumulation von Gradienten mit niedriger Präzision ermöglichen adaptive Modelle, die sich im Laufe der Zeit ohne Cloud-Konnektivität verbessern.
  • Energy Harvesting und nahezu Null-Power ML: Die Forschung treibt DSPs voran, die mit Strombudgets unter Milliwatt arbeiten können, was ML-Rückschlüsse aus Energiegewinnungsquellen ermöglicht. Solche Geräte könnten jahrelang Anomalieerkennung auf einer einzelnen Münzzelle oder sogar aus Umgebungslicht ausführen.

Schlussfolgerung

Digitale Signalprozessoren haben sich als leistungsstarke und praktische Lösung für die Beschleunigung von maschinellen Lernaufgaben in eingebetteten Systemen erwiesen. Ihr architektonisches Erbe – optimiert für die Echtzeit-numerische Verarbeitung mit geringem Stromverbrauch – passt perfekt zu den Anforderungen moderner neuronaler Netzwerk-Inferenz am Rand. Durch die Bereitstellung von hoher Leistung pro Watt, deterministischer Ausführung und einer etablierten Toolchain ermöglichen DSPs eine neue Generation intelligenter Geräte, die autonom, reaktionsschnell und effizient arbeiten.

Da Embedded ML weiterhin in Branchen von Unterhaltungselektronik bis hin zu Gesundheitswesen und Automobilindustrie zunimmt, wird die Rolle des DSP nur noch größer werden. Ingenieure, die verstehen, wie man DSP-Architekturen für ML-Workloads nutzt - einschließlich Quantisierung, Speicheroptimierung und Integration mit Signalverarbeitungspipelines - werden gut positioniert sein, um Spitzenprodukte zu entwickeln, die die Grenzen des Möglichen an der Grenze verschieben. Mit laufenden Innovationen in RISC-V, heterogenem Computing und Sparsity-Unterstützung ist der bescheidene DSP bereit, ein Eckpfeiler der eingebetteten künstlichen Intelligenz für die kommenden Jahre zu bleiben.