Deepx kündigt neue KI-Beschleuniger mit seinem Genesis-Kern an
Das südkoreanische Unternehmen Deepx hat seine neue Reihe von KI-Beschleunigern vorgestellt, die auf der CES 2026 präsentiert wurden. Die Modelle DX-H1 V-NPU, DX-H1 Quattro und DX-M1 M.2 zielen darauf ab, mit traditionellen GPU-basierten Lösungen zu konkurrieren, indem sie eine spezialisierte, effizientere Architektur vorschlagen. 🚀
Der DX-H1 V-NPU: Spezialist für Videostreams
Dieses Gerät ist für Videooperationen konzipiert. Es kann mehrere Streams gleichzeitig dekodieren, kodieren und transkodieren. Laut Deepx ermöglicht die Integration dieses Moduls eine Reduzierung der Hardwarekosten um 80 % und des Energieverbrauchs um 85 % im Vergleich zu GPU-Konfigurationen, ohne die Anzahl der unterstützten Kanäle zu opfern.
Schlüsselvorteile des DX-H1 V-NPU:- Fokussiert auf Video-Verarbeitung für Sicherheits- und Streaming-Anwendungen.
- Erreicht extremen Energieeinsparungen im Vergleich zu konventionellen GPUs.
- Beibehaltung einer hohen Kanal-Dichte für das gleichzeitige Handhaben vieler Übertragungen.
Der Schlüssel zum Energiesparen ist nicht, das Gerät auszuschalten, sondern ein effizienter Chip, der für dich arbeitet.
Produktfamilie und gemeinsame Architektur
Zusätzlich zum Video-Modell umfasst die Serie den DX-H1 Quattro und den DX-M1 im M.2-Format. Letzterer ist für eine einfache Integration in verschiedene Systeme ausgelegt. Alle teilen den Genesis NPU-Neuronalverarbeitungskern, den das Unternehmen speziell für schnelle und stromsparende Ausführung von KI-Inferenzaufgaben optimiert hat.
Merkmale der Genesis NPU-Architektur:- Ist der gemeinsame Kern der drei neuen Beschleuniger.
- Optimiert für effiziente KI-Inferenz.
- Zielt auf hohe Leistung in kompakter Form ab, die Platz und Strom spart.
Ein Einsatz für spezialisierte Effizienz
Mit diesen Launches positioniert Deepx seine Genesis NPU-Technologie als leistungsstarke und effiziente Alternative zu Allzweck-GPUs für spezifische KI-Workloads. Der Fokus auf Kostensenkung und Verbrauchsreduktion macht sie attraktiv für die Skalierung von KI-Lösungen, wo operative Effizienz entscheidend ist. 💡