針對稍早針對裝置端學習應用需求所打造的Project Trillium設計平台，ARM機器學習事業群總經理Jem Davies在此次MWC 2018接受訪談時表示，裝置端的學習運算將會是未來發展趨勢，應用層面更從物聯網、手機等小型裝置，大至自動駕駛車輛、機器人，或是數據中心與智慧城市等大型規模「設備」，預期將可藉由深度學習方式優化數據傳輸、降低延遲，進而從中獲取建置成本優化與安全提昇等優勢。
就ARM日前宣佈推出的Project Trillium設計平台，主要基於ARM ML架構設計的處理器能有更快的機器學習效率，同時也能藉由基於ARM OD架構設計的處理器更快感知辨識物件變化，例如精準判斷人臉以外的動作、手勢，甚至身上配戴物件，再透過名為ARM NN的軟體串接諸如TensorFlow、Caffe或Android NN等學習框架，並且利用硬體運算效能加速學習效果。
而不同之前藉由CPU、GPU協同作業達成機器學習效率，藉由Project Trillium設計平台的學習數據吞吐量幾乎可達2-4倍以上，其中更可透過1080p@60fps畫面形式捕捉影像，進而讓終端裝置可以學習正確辨識人臉，甚至進一步學習判斷表情變化、手勢等肢體動作，或是配合識別人臉以外的裝飾物。
根據Jem Davies說明，基於ARM ML架構設計的處理器最高可在行動裝置上產生4.6TFLOPS運算量，或是以3TFLOPS相對更具效率方式運作，並且能比一般數位訊號處理元件提供快上80倍的處理速度，同時基於ARM OD架構設計的處理器更可對應工業等級物件識別效果。
同時，在Project Trillium設計平台中，若開發者希望藉由既有硬體與軟體框架打造端點學習運算模式，ARM也同樣提供相關技術解決方案，意味在ARM的看法裡，無論是藉由獨立學習運算元件達成加速效果，或是藉由既有CPU、GPU等元件，搭配軟體學習框架運作方式，其實都能是不錯的端點運算學習應用模式，最主要還是看實際應用層面，畢竟不同使用情境依然有最佳合適學習應用模式。
例如需要更快即時識別速度的話，搭配專屬學習加速處理元件可能會是較好作法，而若是需要依據不同使用情況彈性變動運算模式的話，藉由既有CPU、GPU等元件，配合學習框架以FPGA可程化指令集架構運作，反而能有更大運算優勢。
裝置端學習應用將驅動全新運算模式
以目前來看，包含華為、蘋果等廠商均採用專屬學習運算元件輔助加速，藉此縮減傳統運算時所產生遲滯現象，同時聯發科稍早揭曉的Helio P60也在影像識別應用加上專屬APU獨立運算元件，藉此對應速度更快的人臉識別成效。
而Qualcomm等廠商則認為透過專屬學習運算元件加速的設計雖然重要，但考量要讓絕大多數的硬體設計都能維持在相同架構模式運作，採用獨立運算元件輔助加速的作法勢必會在軟硬體版本更新時面臨侷限，進而造成應用服務無法正常相容，或是無法達成效率最佳化，甚至可能造成產品設計時的額外成本增加，因此認為透過既有硬體配合軟體運算方式，藉此達成相近或更高的學習加速效果會是更符合效益作法。
但從ARM的角度來看，雖然市場提出不同作法，但基本上都是源自旗下合作廠商，因此本身也會針對此類需求提出更便利的設計應用參考方案，讓更多合作夥伴能藉由此類設計平台快速打造應用產品，或是進一步調整創造全新技術，本身主要還是在此發展中扮演技術供應端角色。
Jem Davies認為，裝置端的學習加速應用與5G連網技術發展沒有絕對關連，而是在裝置端的對於運算效率、隱私安全與貼身使用等需求成長下，進而從過往仰賴雲端協同運算情況開始轉向在裝置端即可以學習加速完成前期運算，同時配合雲端服務完成更大規模的數據運算應用，藉此縮減從裝置端到雲端之間協同運算的延遲現象。
同時，Jem Davies也預期裝置端的學習加速應用將改變傳統運算模式，不僅涵蓋目前ARM現行擅長的行動裝置、監控設備或更多物聯網應用市場，未來也可能進一步改變PC裝置使用模式。
