Top 15 Fabricantes de Chips de IA de Borda com Casos de Uso

A demanda por processamento de baixa latência impulsionou a inovação em chips de IA de borda. Esses processadores são projetados para realizar computações de IA localmente nos dispositivos, em vez de depender de soluções baseadas em nuvem.

Com base em nossa experiência analisando fabricantes de chips de IA, identificamos as principais soluções para robótica, IoT industrial e sistemas embarcados.

*TOPS = Tera Operações por Segundo. Estes são os valores máximos declarados pelos fornecedores.
**O desempenho do Kria K26 varia conforme a configuração do FPGA.

Análise dos chips de IA de borda

1. NVIDIA Jetson AGX Orin

NVIDIA Jetson AGX Orin oferece 275 TOPS, posicionando-o como o módulo de IA de borda de maior desempenho atualmente disponível. O módulo é construído sobre a arquitetura Ampere da NVIDIA e foi projetado para robótica e sistemas autônomos que exigem capacidades significativas de processamento no dispositivo.

Principais especificações:

• Consumo de energia: 10-60W (configurável com base na carga de trabalho)
• Memória: Até 64GB LPDDR5
• Software: Suporte total a CUDA, compatibilidade com a pilha de IA de data center da NVIDIA

A faixa de consumo de energia de 10-60W oferece flexibilidade para diferentes cenários de implantação. Modos de menor consumo podem prolongar a vida útil da bateria em aplicações de robótica móvel, enquanto o modo de desempenho máximo suporta múltiplas cargas de trabalho de IA simultâneas.

O ecossistema de software da NVIDIA representa uma vantagem significativa. Os models desenvolvidos para as GPUs de datacenter da NVIDIA podem ser implantados no Jetson com modificação mínima. Essa compatibilidade reduz o tempo de desenvolvimento para equipes que trabalham no ecossistema NVIDIA.

2. Axelera Metis IA Platform

A plataforma Metis IA da Axelera oferece até 214 TOPS para cargas de trabalho de inference de visão de alto rendimento. A plataforma usa a arquitetura Digital In-Memory Computing (D-IMC) para melhorar o rendimento e a eficiência.

Principais especificações:

• Desempenho: Até 214 TOPS
• Consumo de energia: 20-40W
• Arquitetura: Digital In-Memory Computing (D-IMC)
• Alvo: inference de visão computacional

A arquitetura D-IMC realiza computações diretamente nas matrizes de memória, reduzindo a movimentação de dados entre a memória e as unidades de processamento. Essa abordagem aborda o gargalo de largura de banda da memória que limita o desempenho em arquiteturas tradicionais.

A Axelera tem como alvo aplicações que exigem o processamento simultâneo de múltiplos fluxos de vídeo. O alto rendimento permite a análise em tempo real de dezenas de feeds de câmera a partir de um único dispositivo.

Casos de uso:

• Sistemas de vigilância com múltiplas câmeras
• Infraestrutura de cidades inteligentes
• Análise de varejo com implantações densas de câmeras
• Sistemas industriais de inspeção de qualidade

A Axelera recebeu €61,6 milhões em financiamento da EuroHPC Joint Undertaking em março de 2025, apoiando o desenvolvimento do seu chiplet Titania para implantação até 2028.

3. Renesas RZ/V2H

O Renesas RZ/V2H oferece até 80 TOPS usando computação esparsa, ou 8 TOPS em INT8, visando robótica e automação de fábrica que combinam IA de visão com controle em tempo real em um único chip. A MPU integra o acelerador DRP-AI3 de terceira geração juntamente com núcleos de processador de aplicação e de tempo real.

Principais especificações:

• Desempenho: Até 80 TOPS (esparso) ou 8 TOPS (INT8)
• Eficiência energética: 10 TOPS/W
• Acelerador de IA: DRP-AI3 (Dynamically Reconfigurable Processor for IA)
• CPU: Quad-core Cortex-A55 a 1,8GHz, dual-core Cortex-R8 a 800MHz e um Cortex-M33
• Interfaces: PCIe Gen3, USB 3.2, Gigabit Ethernet

O DRP-AI3 usa quantização INT8 e poda não estruturada suportada por hardware para alcançar o desempenho nominal, permitindo que o chip execute reconhecimento de objetos sem dissipador de calor. Um processador separado dinamicamente reconfigurável lida com o processamento de imagens, como operações OpenCV, descarregando esse trabalho dos núcleos da CPU.

A combinação de núcleos de aplicação e núcleos de tempo real permite que o RZ/V2H processe resultados de reconhecimento de imagem e os aplique ao controle mecânico no mesmo dispositivo. Isso atende a aplicações em que a inference de visão e o controle de movimento são executados em conjunto.

Casos de uso:

• Robôs de serviço que exigem controle em tempo real
• Robôs móveis autônomos
• Drones industriais
• Automação de fábrica e visão de máquina

4. NVIDIA Jetson Orin Nano Super

NVIDIA Jetson Orin Nano Super oferece 67 TOPS com operações esparsas ou 33 TOPS com operações densas, posicionando-o abaixo do Jetson AGX Orin como um ponto de entrada de menor custo para a mesma pilha de software.

Principais especificações:

• Desempenho: 67 TOPS (esparso) ou 33 TOPS (INT8 denso)
• Consumo de energia: 7-25W (configurável com base na carga de trabalho)
• GPU: arquitetura Ampere com 1.024 núcleos CUDA e 32 núcleos Tensor
• CPU: Arm Cortex-A78AE de 6 núcleos a 1,7GHz
• Memória: 8GB LPDDR5 com largura de banda de 102 GB/s
• Software: Suporte total a CUDA, NVIDIA JetPack SDK

O valor de 67 TOPS representa um aumento de 1,7 vezes em relação ao Jetson Orin Nano anterior, obtido por meio de um modo de energia que eleva os clocks da GPU, da CPU e da memória. Os atuais proprietários do Orin Nano podem aplicar o aumento por meio de uma atualização de software, em vez de comprar novo hardware.

A largura de banda de memória e a compatibilidade de software permitem que o módulo execute small language models, vision transformers e vision-language models no dispositivo. Os models desenvolvidos para outras plataformas Jetson e NVIDIA são transferidos com modificações mínimas, reduzindo o tempo de desenvolvimento para equipes que usam o ecossistema NVIDIA.

Casos de uso:

• Navegação e percepção robótica
• Protótipos de IA de visão
• Language e vision-language models no dispositivo
• Educação e pesquisa

5. EdgeCortix SAKURA

O EdgeCortix SAKURA oferece 60 TOPS com consumo de energia abaixo de 10W, visando servidores de IA de borda e aplicações de visão de alto desempenho. A plataforma apresenta uma arquitetura reconfigurável que se adapta a diferentes cargas de trabalho de IA.

Principais especificações:

• Desempenho: 60 TOPS
• Consumo de energia: <10W
• Arquitetura: Dynamic Neural Accelerator (DNA)
• Software: compilador MERA com suporte a TensorFlow, PyTorch, ONNX

A arquitetura reconfigurável da plataforma SAKURA permite otimização para diferentes topologias de rede neural sem alterações de hardware. Essa flexibilidade possibilita a implantação de arquiteturas de model emergentes sem exigir substituições de chip.

Casos de uso:

• Data centers de borda
• Sistemas distribuídos de inference de IA
• Cenários de implantação multi-model
• Cargas de trabalho de IA de visão que exigem flexibilidade

6. SiMa.ai MLSoC

O MLSoC (Machine Learning System-on-Chip) da SiMa.ai oferece mais de 50 TOPS, mantendo o consumo de energia abaixo de 5W. O chip tem como alvo aplicações de visão embarcada que exigem alto desempenho em ambientes com restrições de energia.

Principais especificações:

• Desempenho: 50+ TOPS
• Consumo de energia: <5W
• Software: SiMa Platform SDK
• Arquitetura: otimizada para vision transformers e CNNs

A SiMa.ai projetou o MLSoC especificamente para cargas de trabalho de visão computacional. O envelope de energia abaixo de 5W permite a implantação em dispositivos alimentados por bateria que exigem inference sustentada de alto desempenho.

Casos de uso:

• Robôs móveis autônomos
• Sistemas de inspeção baseados em drones
• Câmeras inteligentes para vigilância e análise
• Dispositivos de realidade aumentada

7. Hailo-10H

O Hailo-10H oferece 40 TOPS em INT4, ou 20 TOPS em INT8, consumindo tipicamente 2,5W, estendendo o hardware focado em visão da Hailo para cargas de trabalho de IA generativa. O acelerador usa a arquitetura de núcleo neural de segunda geração da empresa em um formato de módulo M.2.

Principais especificações:

• Desempenho: 40 TOPS (INT4) ou 20 TOPS (INT8)
• Consumo de energia: 2,5W típico
• Formato: módulo M.2
• Memória: LPDDR4/4X no módulo
• Software: suporta TensorFlow, PyTorch, ONNX e Keras

Uma interface DDR direta, da qual o Hailo-8 não dispõe, permite que o Hailo-10H carregue models maiores para language e vision-language inference. A Hailo relata que o chip executa models de 2 bilhões de parâmetros a cerca de 10 tokens por segundo, gera imagens com Stable Diffusion 2.1 em menos de cinco segundos e executa detecção de objetos em um fluxo de vídeo 4K para tarefas de visão convencionais. Esses números são relatados pelo fornecedor, e não medidos de forma independente.¹

O Hailo-10H é qualificado para AEC-Q100 Grau 2 para uso automotivo, com produção de veículos prevista para 2026. Tornou-se disponível para pedidos em meados de 2025 como módulos M.2 autônomos.

Casos de uso:

• Pipelines híbridos combinando visão e IA generativa
• Large language e vision-language models no dispositivo
• Câmeras inteligentes com compreensão de cena
• Infotainment veicular e monitoramento do motorista

8. Hailo-8 IA Accelerator

O Hailo-8 oferece 26 TOPS consumindo 2,5-3W, representando uma das maiores relações desempenho por watt entre chips de IA de borda.

Principais especificações:

• Desempenho: 26 TOPS
• Consumo de energia: 2,5-3W
• Formatos: módulo M.2, placa PCIe
• Software: Hailo SDK com model zoo

O chip suporta camadas de rede neural padrão e pode executar models desenvolvidos em TensorFlow, PyTorch e ONNX. Compilador da Hailo.

9. Ambarella CV5

O system-on-chip CV5 da Ambarella oferece mais de 20 TOPS especificamente otimizados para visão computacional em aplicações automotivas e de câmeras. O chip combina processamento de IA com recursos avançados de processamento de sinal de imagem (ISP).

Principais especificações:

• Desempenho: 20+ TOPS
• Consumo de energia: 2,5-5W
• Arquitetura: motor de IA CVflow
• Integrado: codificação de vídeo 4K/8K, ISP avançado

O ISP integrado do CV5 lida com o pré-processamento complexo de imagens, reduzindo a carga computacional do motor de IA. Essa integração melhora a eficiência geral do sistema para aplicações baseadas em visão.

Casos de uso:

• Câmeras ADAS e de direção autônoma
• Sistemas de vigilância profissionais
• Dashcams com IA
• Sistemas de imagem para drones

10. Qualcomm Robotics RB5 Platform

A plataforma Robotics RB5 da Qualcomm integra conectividade 5G com processamento de IA de borda, oferecendo aproximadamente 15 TOPS por meio de seu Qualcomm IA Engine. A plataforma tem como alvo robôs autônomos e drones que exigem conectividade de alta largura de banda e processamento de IA no dispositivo.

Principais especificações:

• Desempenho de IA: 15 TOPS
• Conectividade: 5G, Wi-Fi 6, Bluetooth 5.1
• Processamento: Qualcomm Kryo 585 CPU, Adreno 650 GPU, Hexagon 698 DSP
• Consumo de energia: 5-15W

A integração do 5G oferece conectividade de alta largura de banda e baixa latência para aplicações que exigem comunicação em nuvem em tempo real.

A plataforma RB5 suporta até 7 entradas de câmera simultâneas. Essa capacidade multi-câmera oferece suporte a sistemas de percepção de 360 graus para robôs móveis autônomos.

Casos de uso:

• Robôs de entrega autônomos
• Drones de inspeção industrial
• Sistemas de automação de armazéns
• Veículos conectados

11. Kneron KL730

O SoC de IA KL730 da Kneron oferece 7 TOPS com consumo de energia ultrabaixo, visando aplicações de IoT e casa inteligente. O chip enfatiza o processamento na borda para aplicações sensíveis à privacidade.

Principais especificações:

• Desempenho: 7 TOPS
• Consumo de energia: 0,5-2W
• Arquitetura: NPU Kneron com ARM Cortex-M4
• Software: Kneron PLUS SDK

O baixo consumo de energia do KL730 permite o processamento de IA sempre ativo em dispositivos alimentados por bateria. O chip suporta reconhecimento facial, detecção de objetos e reconhecimento de gestos com consumo mínimo de energia.

Casos de uso:

• Campainhas inteligentes e câmeras de segurança
• Hubs de casa inteligente
• Dispositivos vestíveis
• Sensores de IoT com capacidades de IA

12. Rockchip RK3588 SoC

O RK3588 é um SoC de 8 núcleos com uma unidade de processamento neural de 6 TOPS. O chip tem como alvo computadores de placa única e dispositivos de borda que exigem desempenho de IA moderado juntamente com capacidades de computação de propósito geral.

Principais especificações:

• CPU: Quad-core Cortex-A76 + Quad-core Cortex-A55
• NPU: 6 TOPS
• GPU: Mali-G610 MP4
• Consumo de energia: 8-15W
• Memória: suporte para até 32GB LPDDR4/5

A NPU de 6 TOPS lida com a inference de redes neurais para tarefas de visão computacional, processamento de linguagem natural e processamento de áudio.

Casos de uso:

• Sinalização digital com reconhecimento de conteúdo
• Gateways de borda com pré-processamento de IA
• Hubs de casa inteligente
• Painéis IHM industriais

As capacidades de computação de propósito geral do RK3588 o tornam adequado para aplicações em que a inference de IA é um componente de um sistema maior. Organizações que criam dispositivos de borda que combinam IA com servidores web, bancos de dados ou outros serviços de software adotaram este SoC.

13. NXP i.MX 8M Plus

O iMX 8M Plus da NXP possui uma unidade de processamento neural de 2,3 TOPS, projetada especificamente para aplicações de IoT industrial. O processador prioriza confiabilidade, segurança e disponibilidade de longo prazo em vez de desempenho máximo.

Principais especificações:

• NPU: 2,3 TOPS
• CPU: Quad-core Cortex-A53, núcleo de tempo real Cortex-M7
• Consumo de energia: 3-8W
• Segurança: enclave seguro EdgeLock

A inclusão de um núcleo de tempo real Cortex-M7 possibilita processamento determinístico para ciclos de controle críticos em termos de tempo. Essa arquitetura oferece suporte a aplicações que combinam tomada de decisão baseada em IA com controle em tempo real, como robôs industriais e equipamentos de fabricação automatizados.

Os recursos de segurança EdgeLock da NXP fornecem inicialização segura baseada em hardware, armazenamento criptografado e gerenciamento seguro de chaves.

Casos de uso:

• Automação industrial
• Dispositivos médicos
• Automação predial
• Agricultura inteligente

14. Renesas RZ/V2L

O Renesas RZ/V2L oferece 1,0 TOPS otimizado para aplicações de visão industrial com consumo de energia extremamente baixo. O chip tem como alvo automação de fábrica e sistemas de inspeção de qualidade.

Principais especificações:

• Desempenho: 1,0 TOPS
• Consumo de energia: 1,5-3W
• Arquitetura: DRP-IA (Dynamically Reconfigurable Processor for IA)
• CPU: Dual-core Cortex-A55

A arquitetura DRP-IA oferece flexibilidade para diferentes algoritmos de visão, mantendo baixo consumo de energia. Esse design é adequado para ambientes industriais que exigem confiabilidade de longo prazo e desempenho determinístico.

Casos de uso:

• Inspeção de qualidade em fábricas
• Câmeras industriais
• Sistemas de monitoramento de processos
• Sistemas automatizados de classificação

15. AMD Xilinx Kria K26 SOM

O Kria K26 System-on-Module combina um MPSoC Zynq UltraScale+ com tecido FPGA, possibilitando soluções adaptativas de IA de borda. A arquitetura FPGA permite a personalização do pipeline de processamento para cargas de trabalho específicas de visão computacional e sensor-fusion.

Principais especificações:

• Processamento: Quad-core Arm Cortex-A53, dual-core Arm Cortex-R5F
• FPGA: lógica programável UltraScale+
• Consumo de energia: 5-15W
• Memória: 4GB DDR4

A AMD fornece aplicações de visão de IA pré-construídas por meio do Kria KV260 Vision IA Starter Kit. Essas aplicações incluem implementações de câmeras inteligentes com recursos para detecção, classificação e rastreamento de objetos.

Vantagens:

• Pipeline de processamento personalizável
• Interfaces de sensores de baixa latência
• Adaptável a novas arquiteturas de model de IA

Limitações:

• Exige experiência em desenvolvimento FPGA para implementações personalizadas
• O desempenho depende da configuração do FPGA
• Maior complexidade de desenvolvimento em comparação com aceleradores de função fixa

Análise de Desempenho vs. Consumo de Energia

Os chips de IA de borda enfrentam um compromisso entre desempenho e consumo de energia.

Alto desempenho (>50 TOPS):

• NVIDIA Jetson AGX Orin (275 TOPS, 10-60W)
• Axelera Metis (214 TOPS, 20-40W)
• EdgeCortix SAKURA (60 TOPS, <10W)
• SiMa.ai MLSoC (50+ TOPS, <5W)

Essas soluções visam aplicações em que o desempenho de IA é o requisito principal. Os casos de uso incluem veículos autônomos, robótica industrial e sistemas de análise de vídeo com múltiplas câmeras.

Desempenho equilibrado (15-30 TOPS):

• Hailo-8 (26 TOPS, 2,5-3W)
• Ambarella CV5 (20+ TOPS, 2,5-5W)
• Qualcomm RB5 (15 TOPS, 5-15W)

Soluções equilibradas otimizam a relação desempenho por watt. Esses chips são adequados para aplicações em que tanto o desempenho quanto o consumo de energia são restritos, como robôs alimentados por bateria e câmeras inteligentes.

Baixo consumo (<10 TOPS):

• Kneron KL730 (7 TOPS, 0,5-2W)
• Rockchip RK3588 (6 TOPS, 8-15W)
• Intel Movidius Myriad X (4 TOPS, 5W)
• Google Edge TPU (4 TOPS, 2W)
• NXP i.MX 8M Plus (2,3 TOPS, 3-8W)
• Renesas RZ/V2L (1,0 TOPS, 1,5-3W)

Soluções de baixo consumo priorizam a eficiência energética em vez do desempenho bruto. Dispositivos de IoT, câmeras alimentadas por bateria e sistemas embarcados com orçamentos térmicos limitados normalmente usam esses chips.

A seleção do hardware adequado depende de:

1. Throughput de inference necessário (quadros por segundo, inferences por segundo)
2. Orçamento de energia (requisitos de vida útil da bateria, restrições térmicas)
3. Requisitos de latência (processamento em tempo real vs. quase em tempo real)
4. Complexidade do model (número de parâmetros, operações por inference)

Ecossistema de software

O suporte de software tem um impacto significativo no desempenho prático e no tempo de desenvolvimento para implantações de IA de borda.

NVIDIA Jetson suporta todo o ecossistema CUDA. Os models desenvolvidos para as NVIDIA data center GPUs podem ser implantados com modificação mínima. Essa compatibilidade reduz o tempo de desenvolvimento para equipes que usam hardware da NVIDIA.

Google Edge TPU exige models TensorFlow Lite com quantização int8. Embora essa limitação garanta desempenho ideal no TPU, ela exige etapas de conversão e validação de model. Organizações que não usam TensorFlow podem enfrentar trabalho de desenvolvimento adicional.

Intel Movidius integra-se ao kit de ferramentas OpenVINO, que suporta vários frameworks de model. As capacidades de otimização do kit de ferramentas podem melhorar significativamente o desempenho da inference, mas exigem o aprendizado de ferramentas específicas da Intel.

AMD Xilinx Kria exige experiência em desenvolvimento FPGA para implementações personalizadas. Embora as pilhas de visão de IA pré-construídas reduzam esse requisito, organizações que buscam pipelines de processamento personalizados exigem habilidades especializadas.

Qualcomm, Hailo e outros fornecedores fornecem seus próprios SDKs e compiladores de model. As equipes de desenvolvimento devem avaliar essas ferramentas durante o processo de seleção para entender o esforço necessário para a implantação e otimização de model.

Opções de formato

Os chips de IA de borda estão disponíveis em vários formatos para atender a diferentes requisitos de integração:

System-on-Module (SoM):

• NVIDIA Jetson AGX Orin
• AMD Xilinx Kria K26
• Qualcomm RB5

O SoM fornece um módulo de computação completo que pode ser integrado a placas-mãe personalizadas. Essa abordagem reduz a complexidade do design de hardware, permitindo a personalização das interfaces de E/S.

Placas M.2 e PCIe:

• Hailo-8
• Google Coral
• Intel Movidius (via adaptador M.2)

Os formatos M.2 e PCIe permitem adicionar aceleração de IA a sistemas existentes. Essa abordagem é adequada para aplicações que atualizam plataformas de hardware existentes com capacidades de IA.

Aceleradores USB:

• Google Coral USB Accelerator
• Intel Neural Compute Stick 2

Os aceleradores USB fornecem o caminho de integração mais simples. Esses dispositivos são adequados para prototipagem, desenvolvimento e aplicações em que o sistema host possui portas USB disponíveis e largura de banda suficiente.

SoC integrado:

• Rockchip RK3588
• NXP i.MX 8M Plus
• Ambarella CV5
• Kneron KL730
• Renesas RZ/V2L

Os SoCs integrados combinam CPU, GPU e NPU em um único chip. Essa integração reduz a complexidade e o custo da placa para produtos projetados em torno do SoC específico.

Recomendações específicas por aplicação

Robótica e sistemas autônomos: NVIDIA Jetson AGX Orin ou Qualcomm RB5 fornecem o desempenho necessário para navegação em tempo real, detecção de objetos e planejamento de trajetória. A escolha depende de a conectividade 5G ser um requisito.

IoT industrial e automação de fábrica: NXP i.MX 8M Plus ou AMD Xilinx Kria K26 atendem aos requisitos de segurança e processamento em tempo real comuns em aplicações industriais. A plataforma Kria é adequada para aplicações que exigem interfaces de sensores personalizadas ou latência determinística.

Câmeras inteligentes e análise de vídeo: Hailo-8 ou Axelera Metis oferecem a relação desempenho por watt necessária para processamento de vídeo sempre ativo. O Hailo-8 é adequado para implantações de câmera única ou poucas câmeras, enquanto o Axelera Metis visa sistemas com múltiplas câmeras.

Dispositivos de IoT alimentados por bateria: Google Edge TPU oferece o menor consumo de energia para aplicações em que a vida útil da bateria é a principal restrição. O consumo de energia de 2W permite operação prolongada com baterias pequenas.

Drones e dispositivos de RA: Intel Movidius Myriad X ou SiMa.ai MLSoC equilibram desempenho e consumo de energia para dispositivos aéreos e vestíveis. As restrições de peso e térmicas nessas aplicações favorecem soluções eficientes.

Aplicações automotivas: Ambarella CV5 ou plataformas Qualcomm oferecem as certificações de grau automotivo e o desempenho necessários para aplicações ADAS e de direção autônoma.

Desenvolvimento e prototipagem: Intel Neural Compute Stick 2 ou Google Coral USB Accelerator permitem a avaliação rápida das capacidades de IA de borda sem modificações de hardware. Esses dispositivos USB são adequados para projetos de prova de conceito e desenvolvimento de algoritmos.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Perguntas frequentes

Leitura adicional

• Top 30 provedores de GPU em nuvem e suas GPUs
• Software de GPU para IA: CUDA vs. ROCm
• Top 20+ fabricantes de chips de IA: NVIDIA e seus concorrentes
• Benchmark multi-GPU: B200 vs H200 vs H100 vs MI300X

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Top 15 Fabricantes de Chips de IA de Borda com Casos de Uso}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/edge-ai-chips}},
  note   = {AIMultiple. Acessado em 4 junho 2026}
}

Registro de alterações

2 atualizações

2026

1. 4 jun

   Substituídos GrAI Matter, Google Coral e Intel Neural Compute Stick 2 por Renesas RZ/V2H, Jetson Orin Nano Super e Hailo-10H.

2. 22 jan

   Substituído o Google Coral Dev Board pela Plataforma Axelera Metis AI na lista de fabricantes de chips de IA de ponta.

Links de referência

1.

Edge AI for Consumer Enterprise & Automotive Devices | Hailo AI

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017.

O trabalho de Cem na AIMultiple foi citado por publicações globais líderes, incluindo Business Insider, Forbes, Morning Brew e Washington Post, por empresas globais como Deloitte e HPE, ONGs como o World Economic Forum e organizações supranacionais como a European Commission. [1], [2], [3], [4], [5]

Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas sobre suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.

Ele liderou a estratégia de tecnologia e as compras de uma operadora de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de deep tech Hypatos, que atingiu uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia líderes como TechCrunch e Business Insider.

Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou como engenheiro da computação pela Bogazici University e possui um MBA pela Columbia Business School.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário