市场开始越来越重视端点运算的原因包含借由网络带宽进行协同运算方式仍可能带来延迟、增加额外开销，以及包含额外增加电力损耗、建置成本、可靠度与安全等考量，因此开始有厂商开始借由既有硬件搭配学习框架，或是透过额外独立学习算子件达成装置端学习应用效果，借此让装置端整体运算效率可进一步做提升，并且产生不同运算应用。
在此次北京活动里，除了针对新款Mali多媒体IP套件更新项目做说明外，ARM再次针对稍早前推出的终端装置学习设计平台Project Trillium进一步做说明，强调将会针对小至物联网设备，大到云端服务器设备的端点学习应用做优化，并且以此将人工智能应用推广到更多元市场应用层面。
就稍早ARM方面说明，Project Trillium设计平台的目标是将更多人工智能应用带进各类终端装置，甚至可让规模大至云端服务器的装置也能借由机器学习方式达成更具效率的运算效果，而就连小至行动装置或物联网设备也能借由人工智能技术应用加快运作反应速度。
以Project Trillium设计平台细节来看，其中包含借由包含Cortex-A系列、Cortex-M系列及Mali系列既有ARM架构处理器的配置模式，或是搭配独立学习算子件ARM ML架构处理器，以及ARM OD架构处理器，分别对应数据推理或影像识别为主的机器学习应用，搭配市场常见的TensorFlow、Caffe或Android NN等软件端学习框架，借此发挥更大机器学习效率，同时也能针对装置设计需求，或是实际应用需求配置不同组合，例如借由既有硬件，或是额外搭配ARM ML架构处理器、ARM OD架构处理器对应特定领域运算需求。
ARM资深市场营销总监Ian Smythe表示，市场开始越来越重视端点运算的原因包含借由网络带宽进行协同运算方式仍可能带来延迟、增加额外开销，以及包含额外增加电力损耗、建置成本、可靠度与安全等考量，因此开始有厂商开始借由既有硬件搭配学习框架，或是透过额外独立学习算子件达成装置端学习应用效果，借此让装置端整体运算效率可进一步做提升，并且产生不同运算应用。
因此，就ARM本身基于技术授权供应角色立场，自然也会针对此类应用需求提供最佳设计方案，而Project Trillium设计平台便是为了提供更具弹性的应用需求所打造，让合作伙伴能更容易打造各类基于机器学习应用的终端设备，借此将人工智能技术推广至更多装置使用情境。
而针对部分合作伙伴如Qualcomm认为装置端的学习运算模式将会先在高阶硬件设备普及应用，之后才会陆续推广置中阶或入门机种，ARM方面的看法则认为并不尽然，主要还是看实际应用模式，例如在物联网设备端的学习应用虽然不比智能手机需要更复杂运算模式，但同样可借由简单或特定模式的机器学习方式推动更具效率的运算效果，因此认为装置端的学习应用将会更快广泛普及。
至于导入机器学习应用设计是否让装置端的设计成本额外增加，Ian Smythe表示这部分主要还是取决终端装置实际应用需求，并且在设计成本与最终效益间进行考量，而当然在未来更加普及应用之后，也将使整体设计研发成本可具体降低，进而让人工智能成为未来主要运算使用模式。
在未来学习应用处理器发展模式，Ian Smythe表示最主要还是会观察市场应用趋势、客户需求，以及ARM本身对于未来发展看法研究，借此推展更多学习应用处理器规格，并且比照既有Cortex-A、Cortex-M等处理器有更多元应用设计，而不仅局限在既有设计框架。
