Optymalizacja modeli algorytmicznych dla niskoenergetycznej sztucznej inteligencji na krawędzi w 2025 roku: Dynamika rynku, przełomy technologiczne i prognozy strategiczne do 2030 roku. Zbadaj Kluczowe Trendy, Regionalnych Liderów i Możliwości Wzrostu w Inteligencji Krawędziowej.

• Streszczenie wykonawcze i przegląd rynku
• Kluczowe trendy technologiczne w optymalizacji niskoenergetycznej sztucznej inteligencji na krawędzi
• Krajobraz konkurencyjny: wiodący gracze i nowi innowatorzy
• Prognozy wzrostu rynku (2025–2030): CAGR, prognozy przychodów i wskaźniki adopcji
• Analiza regionalna: Ameryka Północna, Europa, Azja i Pacyfik oraz reszta świata
• Wyzwania i możliwości: bariery, czynniki wspierające i miejsca inwestycyjne
• Przewidywania na przyszłość: rekomendacje strategiczne i rozwój nowej generacji AI na krawędzi
• Źródła i odniesienia

Streszczenie wykonawcze i przegląd rynku

Optymalizacja modeli algorytmicznych dla niskoenergetycznej sztucznej inteligencji na krawędzi odnosi się do zestawu technik i narzędzi zaprojektowanych w celu zwiększenia efektywności, szybkości i dokładności modeli sztucznej inteligencji (AI) wdrażanych na urządzeniach brzegowych z ograniczonymi zasobami obliczeniowymi i energetycznymi. Wraz z przyspieszeniem proliferacji urządzeń Internetu Rzeczy (IoT), inteligentnych czujników i systemów wbudowanych, zapotrzebowanie na wnioskowanie AI na krawędzi — zamiast w scentralizowanych centrach danych w chmurze — znacznie wzrosło. Ta zmiana jest spowodowana wymaganiami dotyczącymi przetwarzania w czasie rzeczywistym, prywatności danych, zmniejszenia opóźnień i niższego zużycia pasma.

Globalny rynek sprzętu i oprogramowania AI na krawędzi prognozowany jest na 6,7 miliarda dolarów do 2025 roku, rosnąc w tempie CAGR wynoszącym 20,6% od 2020 roku, według MarketsandMarkets. W tym ekosystemie optymalizacja modeli algorytmicznych jest kluczowym czynnikiem, który umożliwia efektywne uruchamianie złożonych obciążeń AI — takich jak wizja komputerowa, rozpoznawanie mowy i wykrywanie anomalii — na urządzeniach ranging od smartfonów i urządzeń noszonych po kontrolery przemysłowe i pojazdy autonomiczne.

Kluczowe strategie optymalizacji obejmują kwantyzację modeli, przycinanie, destylację wiedzy i poszukiwanie architektury neuronowej. Te podejścia zmniejszają rozmiar modelu, przestrzeń pamięci i wymagania obliczeniowe, co sprawia, że możliwe jest wdrażanie zaawansowanej AI na mikrokontrolerach i innych platformach o niskim zużyciu energii. Wiodący dostawcy technologii, tacy jak Arm, Qualcomm i NVIDIA, wprowadzili dedykowane zestawy narzędzi i SDK w celu ułatwienia tych optymalizacji, podczas gdy otwarte ramy, takie jak TensorFlow Lite i PyTorch Mobile, są szeroko stosowane do wdrożeń na krawędzi.

Rynek jest dodatkowo napędzany postępami w sprzęcie krawędziowym, w tym akceleratorami AI i specjalizowanymi NPU (Jednostki Przetwarzania Neuronowego), które uzupełniają poprawę algorytmiczną. Sektory takie jak inteligentna produkcja, opieka zdrowotna, przemysł motoryzacyjny i elektronia konsumpcyjna są na czołowej pozycji w przyjęciu, wykorzystując zoptymalizowane modele do umożliwienia predykcyjnej konserwacji, diagnostyki w czasie rzeczywistym, autonomicznej nawigacji i spersonalizowanych doświadczeń użytkowników.

Podsumowując, optymalizacja modeli algorytmicznych dla niskoenergetycznej sztucznej inteligencji na krawędzi jest podstawową technologią, która stanowi fundament kolejnej fali inteligentnych, połączonych urządzeń. W miarę jak przypadki użycia AI na krawędzi się rozwijają i możliwości sprzętu ewoluują, znaczenie skutecznej, skalowalnej i solidnej optymalizacji modeli będzie nadal rosło, kształtując krajobraz konkurencyjny do 2025 roku i dalej.

Kluczowe trendy technologiczne w optymalizacji niskoenergetycznej sztucznej inteligencji na krawędzi

Optymalizacja modeli algorytmicznych znajduje się na czołowej pozycji w zapewnieniu efektywnej niskoenergetycznej sztucznej inteligencji na krawędzi w 2025 roku. Ponieważ urządzenia brzegowe — od inteligentnych kamer po przemysłowe czujniki — wymagają inteligencji czasu rzeczywistego w ramach ścisłych ograniczeń energetycznych i obliczeniowych, uwaga skupiła się na zaawansowanych technikach, które minimalizują rozmiar modeli, przestrzeń pamięci i wymagania obliczeniowe bez utraty dokładności.

Jednym z najważniejszych trendów jest powszechna adopcja kwantyzacji, w której wagi i aktywacje sieci neuronowych są reprezentowane przy użyciu typów danych o niższej precyzji (takich jak INT8 lub nawet formaty binarne/ternarne). To zmniejsza zarówno zużycie pamięci, jak i liczbę wymaganych operacji arytmetycznych, co przekłada się na niższe zużycie energii. Wiodący producenci chipów i dostawcy platform AI, w tym Arm i Qualcomm, zintegrowali szkolenie i wnioskowanie z uwzględnieniem kwantyzacji w swoich zestawach narzędzi, co umożliwia deweloperom wdrażanie wysoce efektywnych modeli na sprzęcie o ograniczonych zasobach.

Kolejnym kluczowym trendem jest przycinanie, które polega na usuwaniu zbędnych lub mniej istotnych wag i neuronów z sieci neuronowych. Przycinanie strukturalne, zwłaszcza, zyskuje na popularności dzięki swojej zdolności do tworzenia rzadkich modeli, które są bardziej przyjazne dla przyspieszania sprzętowego. Według Gartnera, przycinanie strukturalne może zmniejszyć rozmiar modelu o nawet 80% w niektórych aplikacjach wizji i mowy, przy minimalnym wpływie na dokładność.

Destylacja wiedzy jest również wykorzystywana do przenoszenia możliwości dużych, złożonych modeli (nauczycieli) na mniejsze, bardziej efektywne (uczniów). To podejście jest szczególnie wartościowe dla AI na krawędzi, gdzie wdrażanie modeli pełnej skali jest niepraktyczne. Firmy takie jak NVIDIA i Google zgłosiły sukces w używaniu destylacji, aby utrzymać wysoką dokładność wnioskowania na urządzeniach krawędziowych przy jednoczesnym znacznym zmniejszeniu obciążenia obliczeniowego.

• Automatyczne Wyszukiwanie Architektury Neuronowej (NAS) jest wykorzystywane do odkrywania architektur modeli zoptymalizowanych pod kątem specyficznego sprzętu krawędziowego, równoważąc dokładność, opóźnienie i zużycie energii.
• Nowe techniki, takie jak dynamiczne wnioskowanie — w którym złożoność modelu dostosowuje się do danych wejściowych — są badane w celu dalszej optymalizacji efektywności energetycznej w aplikacjach czasu rzeczywistego.

Te postępy algorytmiczne, połączone z projektowaniem współpracy sprzętowo-programowej, mają przyspieszyć następną falę wdrożeń niskoenergetycznej AI na krawędzi, jak podkreślono w niedawnych analizach przez IDC i ABI Research.

Krajobraz konkurencyjny: wiodący gracze i nowi innowatorzy

Krajobraz konkurencyjny w zakresie optymalizacji modeli algorytmicznych dla niskoenergetycznej AI na krawędzi szybko się rozwija, napędzany proliferacją urządzeń krawędziowych oraz zapotrzebowaniem na efektywne wnioskowanie AI w czasie rzeczywistym. Wiodący gracze na tym rynku wykorzystują zaawansowane techniki, takie jak kwantyzacja, przycinanie, destylacja wiedzy i wyszukiwanie architektury neuronowej (NAS), aby zmniejszyć rozmiar modeli i wymagania obliczeniowe bez utraty dokładności.

Wśród ustalonych gigantów technologicznych NVIDIA nadal ustala standardy dzięki swoim zestawom narzędzi TensorRT i DeepStream SDK, które oferują solidne pipeline’y optymalizacji modeli dostosowane do wdrożeń na urządzeniach krawędziowych Jetson. Qualcomm jest kolejnym kluczowym graczem, integrując optymalizację modeli AI w swoich platformach Snapdragon dzięki Zestawowi Narzędzi Efektywności Modeli AI (AIMET), co umożliwia efektywne wnioskowanie na urządzeniach mobilnych, IoT i zastosowaniach motoryzacyjnych.

W dziedzinie półprzewodników, Arm’s Ethos-N NPU i Arm NN SDK zapewniają kompleksowy zestaw narzędzi do optymalizacji sieci neuronowych dla niskoenergetycznych procesorów krawędziowych, podczas gdy zestaw narzędzi OpenVINO firmy Intel pozostaje popularnym wyborem do optymalizacji modeli międzyplatformowych, wspierając szeroki zakres sprzętu krawędziowego.

Nowi innowatorzy również odnoszą znaczące sukcesy. Edge Impulse zdobyła popularność dzięki swojej platformie end-to-end do rozwijania i optymalizacji modeli tinyML, skierowanej na mikrokontrolery i urządzenia brzegowe o ograniczonych zasobach. Latent AI specjalizuje się w adaptacyjnej kompresji modeli AI i optymalizacji działania, koncentrując się na dynamicznych obciążeniach pracy i zróżnicowanych środowiskach krawędziowych. DeepCortex i OctoML wykorzystują zautomatyzowane uczenie maszynowe (AutoML) i optymalizacje oparte na kompilatorach, aby uprościć wdrażanie w różnorodnych sprzętach krawędziowych.

• NVIDIA: TensorRT, DeepStream SDK
• Qualcomm: AIMET, Snapdragon AI
• Arm: Ethos-N, Arm NN SDK
• Intel: OpenVINO
• Edge Impulse: optymalizacja tinyML
• Latent AI: adaptacyjna kompresja modeli
• DeepCortex: AutoML dla krawędzi
• OctoML: optymalizacja oparta na kompilatorze

W 2025 roku rynek charakteryzuje się intensywną współpracą między dostawcami sprzętu a oprogramowaniem, z rosnącym naciskiem na otwarte ramy i interoperacyjność. Przewaga konkurencyjna coraz bardziej polega na zdolności do dostarczania mocno zoptymalizowanych modeli, niezwiązanych z konkretnym sprzętem, które mogą być szybko wdrożone w zróżnicowanym ekosystemie krawędziowym.

Prognozy wzrostu rynku (2025–2030): CAGR, prognozy przychodów i wskaźniki adopcji

Rynek optymalizacji modeli algorytmicznych dostosowanych do niskoenergetycznej sztucznej inteligencji na krawędzi jest przygotowany na dynamiczny rozwój między 2025 a 2030 rokiem, napędzany proliferacją urządzeń krawędziowych w sektorach takich jak motoryzacja, opieka zdrowotna, automatyka przemysłowa i elektronika konsumpcyjna. Według prognoz Gartnera, globalny rynek oprogramowania AI na krawędzi — w tym rozwiązania do optymalizacji modeli — ma osiągnąć skumulowaną roczną stopę wzrostu (CAGR) wynoszącą około 22% w tym okresie, przewyższając szerszy rynek oprogramowania AI ze względu na unikalne wymagania wdrożeń krawędziowych.

Prognozy przychodów wskazują, że rynek narzędzi i platform do optymalizacji algorytmów przekroczy 3,5 miliarda dolarów do 2030 roku, w porównaniu do szacowanych 1,1 miliarda dolarów w 2025 roku. Wzrost ten będzie wspierany przez rosnące zastosowanie technik kwantyzacji, przycinania, destylacji wiedzy i wyszukiwania architektury neuronowej (NAS), które są niezbędne do wdrażania modeli AI na sprzęcie krawędziowym o ograniczonych zasobach. IDC raportuje, że ponad 60% nowych wdrożeń AI na krawędzi w 2025 roku uwzględni jakąś formę optymalizacji modeli, przy czym ten wskaźnik przewiduje wzrost do ponad 80% do 2030 roku, ponieważ organizacje dążą do równoważenia dokładności wnioskowania z efektywnością energetyczną i wymaganiami dotyczącymi opóźnienia.

Wskaźniki adopcji są szczególnie wysokie w branżach, gdzie podejmowanie decyzji w czasie rzeczywistym i efektywność energetyczna są krytyczne. Na przykład, sektor motoryzacyjny — napędzany przez zaawansowane systemy wspomagania kierowcy (ADAS) i pojazdy autonomiczne — będzie odpowiadał za niemal 30% całkowitych wydatków na optymalizację AI na krawędzi do 2030 roku, według ABI Research. Podobnie, sektor opieki zdrowotnej przewiduje CAGR na poziomie 25% w zakresie adopcji zoptymalizowanych modeli AI na krawędzi do zastosowań takich jak przenośne diagnostyki i zdalne monitorowanie pacjentów.

• Trendy regionalne: Ameryka Północna i Azja-Pacyfik mają prowadzić zarówno w kwestiach przychodów, jak i wskaźników adopcji, z Europą na bliskim miejscu. Region Azji-Pacyfiku, w szczególności, prognozowany jest na najszybszy wzrost, wspierany przez dużą skalę wdrożeń IoT oraz inicjatywy rządowe wspierające innowacje w AI (McKinsey & Company).
• Czynniki technologiczne: Postępy w adaptacyjnym modelu optymalizacji i integracja narzędzi zautomatyzowanego uczenia maszynowego (AutoML) mają przyspieszyć wzrost rynku, umożliwiając szerszą adopcję wśród średniej wielkości przedsiębiorstw i producentów urządzeń brzegowych.

Podsumowując, okres od 2025 do 2030 roku będzie świadkiem przekształcenia optymalizacji modeli algorytmicznych dla niskoenergetycznej sztucznej inteligencji na krawędzi z możliwości specjalistycznych na mainstreamowe wymaganie, z silnym wzrostem przychodów, wysokimi wskaźnikami adopcji i znaczącym regionalnym oraz sektorowym momentum.

Analiza regionalna: Ameryka Północna, Europa, Azja-Pacyfik i reszta świata

Krajobraz regionalny dla optymalizacji modeli algorytmicznych w niskoenergetycznej sztucznej inteligencji na krawędzi kształtowany jest przez różne poziomy dojrzałości technologicznej, inwestycji oraz skupienia aplikacji w Ameryce Północnej, Europie, Azji-Pacyfiku i reszcie świata. W 2025 roku różnice te mają wpływ zarówno na tempo innowacji, jak i na przyjęcie zoptymalizowanych modeli AI na krawędzi.

• Ameryka Północna: Region pozostaje na czołowej pozycji, napędzany solidnymi ekosystemami B+R oraz znacznymi inwestycjami ze strony wiodących firm technologicznych, takich jak NVIDIA i Qualcomm. Proliferacja urządzeń IoT w sektorach takich jak opieka zdrowotna, motoryzacja i inteligentne miasta napędza zapotrzebowanie na wysoce efektywne, niskoenergetyczne modele AI. Amerykańskie instytucje badawcze i startupy również pionierskie techniki, takie jak wyszukiwanie architektury neuronowej (NAS) i szkolenie z uwzględnieniem kwantyzacji, które są kluczowe do optymalizacji modeli dla wdrożeń na krawędzi. Według IDC, USA ma odpowiadać za ponad 35% globalnych wydatków na AI na krawędzi w 2025 roku.
• Europa: Skupienie Europy na efektywności energetycznej i zgodności z regulacjami, z inicjatywami takimi jak Europejski Zielony Ład wpływającymi na rozwój AI. Firmy takie jak Arm i STMicroelectronics rozwijają techniki kompresji modeli i przycinania, aby spełnić rygorystyczne wymagania dotyczące energii i prywatności. Nacisk regionu na AI na krawędzi dla automatyzacji przemysłowej i inteligentnej infrastruktury napędza współpracę między środowiskiem akademickim a przemysłem, co zostało podkreślone w raportach firmy Gartner.
• Azja-Pacyfik: Szybka urbanizacja i rozwój sieci 5G przyspieszają adopcję AI na krawędzi w Azji-Pacyfiku. Główni gracze, tacy jak Samsung Electronics i Huawei, inwestują w lekkie architektury modeli i współprojektowanie sprzętu oraz oprogramowania, aby umożliwić wnioskowanie w czasie rzeczywistym na urządzeniach o ograniczonych zasobach. Region ten obserwuje również rządowe inicjatywy wspierające innowacje w AI, szczególnie w Chinach, Korei Południowej i Japonii. Mordor Intelligence prognozuje, że Azja-Pacyfik będzie najszybciej rozwijającym się rynkiem optymalizacji AI na krawędzi do 2025 roku.
• Reszta świata: Choć przyjęcie jest wolniejsze, rynki wschodzące w Ameryce Łacińskiej, na Bliskim Wschodzie i w Afryce korzystają z otwartych ram i chmurowo-krawędziowych rozwiązań hybrydowych, aby zlikwidować luki w infrastrukturze. Lokalne startupy koncentrują się na opłacalnych strategiach optymalizacji modeli, często dostosowanych do specyficznych zastosowań, takich jak rolnictwo i bezpieczeństwo publiczne. Międzynarodowe partnerstwa i transfer technologii mają odegrać kluczową rolę w przyspieszaniu możliwości regionalnych, jak zauważył Międzynarodowy Związek Telekomunikacyjny (ITU).

Wyzwania i możliwości: bariery, czynniki wspierające i miejsca inwestycyjne

Optymalizacja modeli algorytmicznych dla niskoenergetycznej AI na krawędzi w 2025 roku napotyka złożony krajobraz wyzwań i możliwości, kształtowany przez szybki postęp w sprzęcie, rozwijające się przypadki użycia oraz zmieniające się priorytety inwestycyjne. Główne bariery obejmują wewnętrzny kompromis między dokładnością modelu a efektywnością obliczeniową, różnorodność sprzętu krawędziowego oraz brak standardowych zestawów narzędzi do wdrożenia. Wiele najnowocześniejszych modeli AI jest zaprojektowanych na potrzeby zasobów w skali chmurowej, co sprawia, że ich bezpośrednie wdrożenie na urządzeniach brzegowych o ograniczonych zasobach — takich jak mikrokontrolery, czujniki IoT i urządzenia mobilne — jest niepraktyczne bez znaczącej optymalizacji.

Kluczowym wyzwaniem technicznym jest kwantyzacja i przycinanie: redukcja rozmiaru i złożoności modelu bez utraty wydajności. Choć techniki takie jak szkolenie z uwzględnieniem kwantyzacji i przycinanie strukturalne dojrzały, ich skuteczność znacznie się różni w zależności od architektury sieci neuronowej i obszaru zastosowania. Ponadto, różnorodność sprzętu krawędziowego — od procesorów ARM Cortex-M po specjalizowane NPU — wymaga dostosowanych strategii optymalizacji, co komplikuje proces rozwoju i wydłuża czas wprowadzenia na rynek. Brak jednorodnych ram i standardów dodatkowo pogłębia problemy integracyjne i interoperacyjności, co podkreślają Gartner i IDC.

W sferze możliwości istnieje kilka czynników wspierających, które przyspieszają postęp. Proliferacja otwartych zestawów narzędzi do optymalizacji — takich jak TensorFlow Lite, ONNX Runtime i Apache TVM — zdemokratyzowała dostęp do zaawansowanych technik kompresji i przyspieszania modeli. Producenci sprzętu, w tym Arm i NXP Semiconductors, coraz częściej dostarczają zestawy narzędzi do rozwoju oprogramowania (SDK) i wzorce referencyjne zoptymalizowane pod kątem swoich platform, obniżając barierę dla deweloperów. Co więcej, pojawienie się zautomatyzowanego wyszukiwania architektury neuronowej (NAS) oraz kompilatorów uczenia maszynowego umożliwia generowanie modeli dostosowanych do specyficznych ograniczeń krawędziowych, co zauważają McKinsey & Company.

• Miejsca inwestycyjne: Według CB Insights, kapitał venture capital płynie do startupów skoncentrowanych na optymalizacji modeli AI na krawędzi, szczególnie tych, które wykorzystują współprojektowanie sprzętowo-programowe i zautomatyzowaną kompresję modeli. Sektory takie jak inteligentna produkcja, motoryzacja (ADAS) i urządzenia noszone w opiece zdrowotnej przyciągają znaczące finansowanie z powodu ich rygorystycznych wymagań dotyczących energii i opóźnień.
• Skupienie regionalne: Ameryka Północna i Wschodnia Azja pozostają wiodącymi regionami zarówno w zakresie B+R, jak i komercjalizacji, napędzanymi silnymi ekosystemami półprzewodników i inicjatywami AI wspieranymi przez rząd, jak raportuje Statista.

Podsumowując, podczas gdy optymalizacja modeli algorytmicznych dla niskoenergetycznej AI na krawędzi w 2025 roku stoi przed wyzwaniami związanymi z techniczną i ekosystemową fragmentacją, jest jednocześnie napędzana innowacjami open-source, kooperacją sprzętowo-programową i ukierunkowanymi inwestycjami w szybko rozwijające się branże.

Przewidywania na przyszłość: rekomendacje strategiczne i rozwój nowej generacji AI na krawędzi

Optymalizacja modeli algorytmicznych ma odegrać kluczową rolę w ewolucji niskoenergetycznej AI na krawędzi do 2025 roku, ponieważ zapotrzebowanie na inteligencję czasu rzeczywistego i na urządzeniu nadal rośnie w sektorach takich jak motoryzacja, przemysł IoT i elektronika użytkowa. Przyszły krajobraz tego obszaru kształtowany jest przez zbieżność zaawansowanych technik kompresji, wyszukiwania architektury neuronowej (NAS) oraz projektowania modeli świadomych sprzętu, mających na celu maksymalizację wydajności w ramach rygorystycznych ograniczeń energetycznych i pamięciowych.

Strategicznie, organizacje powinny priorytetowo traktować przyjęcie metod kwantyzacji, przycinania i destylacji wiedzy, aby zmniejszyć rozmiar modeli i wymagania obliczeniowe bez utraty dokładności. Na przykład, kwantyzacja — konwertowanie wag modeli z 32-bitowej liczby zmiennoprzecinkowej na formaty o niższej precyzji — może przynieść nawet 4-krotne zmniejszenie zużycia pamięci i znaczne oszczędności energetyczne, jak pokazują niedawne benchmarki wykonane przez Arm oraz Qualcomm. Przycinanie, które eliminuje zbędne parametry, i destylacja wiedzy, w której mniejsze modele uczą się od większych, również zyskują na popularności dzięki swojej zdolności do dostarczania efektywnego wnioskowania na urządzeniach brzegowych o ograniczonych zasobach.

Patrząc w przyszłość, integracja narzędzi NAS do automatyzacji przyspieszy odkrywanie optymalnych architektur modeli dostosowanych do specyficznego sprzętu krawędziowego. Firmy takie jak NVIDIA i Google inwestują w ramy NAS, które współoptymalizują pod kątem opóźnienia, mocy i dokładności, co pozwoli na szybkie wdrażanie obciążeń AI nowej generacji na krawędzi. Ponadto, wzrost współprojektowania sprzętowo-programowego — gdzie rozwój modeli jest ściśle związany z projektowaniem chipów — będzie kluczowy dla odblokowania nowych poziomów efektywności, jak podkreślono w 2024 roku przez Gartnera w Hype Cycle dla AI na krawędzi.

• Inwestuj w automatyzowane pipeline’y optymalizacji modeli, które wykorzystują NAS i szkolenie z uwzględnieniem sprzętu, aby uprościć wdrażanie w różnych platformach krawędziowych.
• Współpracuj z partnerami półprzewodnikowymi w celu dostosowania architektur modeli do najnowszych akceleratorów AI o niskim zużyciu energii, takich jak te od Intel i Synaptics.
• Obserwuj nowe standardy i inicjatywy open-source (np. LF Edge), aby zapewnić interoperacyjność i zabezpieczenie rozwiązań AI na krawędzi na przyszłość.

Podsumowując, następna fala optymalizacji modeli algorytmicznych będzie definiowana przez automatyzację, synergię sprzętową oraz nieustanny nacisk na efektywność energetyczną. Organizacje, które proaktywnie inwestują w te strategie, będą najlepiej przygotowane do wykorzystania rosnących możliwości w zakresie niskoenergetycznej AI na krawędzi do 2025 roku i później.

Źródła i odniesienia

• MarketsandMarkets
• Arm
• Qualcomm
• NVIDIA
• TensorFlow Lite
• PyTorch Mobile
• Google
• IDC
• ABI Research
• Edge Impulse
• Latent AI
• OctoML
• McKinsey & Company
• STMicroelectronics
• Huawei
• Mordor Intelligence
• Międzynarodowy Związek Telekomunikacyjny (ITU)
• NXP Semiconductors
• Statista
• Synaptics
• LF Edge