就ARM看法认为，若以中阶装置硬件规格与市场销售定价来看，搭载独立机器学习算子件的设计模式可能无法符合成本效益，同时也较难在市场达成普及目标，因此借由现有硬件架构，与软件设计，配合将高阶处理器的架构设计与技术下放，让更多中阶机种也能享有等同高阶机种的机器学习效率，如此才能让人工智能运算成为市场主流。
相较先前多数针对装置端的学习应用均以高阶行动装置为主，在ARM此次宣布更新的Mali多媒体IP套件，以及稍早推出的Project Trillium设计平台，除了希望能让装置端有更高运算效率，更计划让机器学习运算方式在更多终端装置普及应用，使人工智能技术成为主流运算模式。
在此次更新的Mali多媒体IP套件所做提升，其中包含针对中阶硬件规格装置提升显示效能明显提升，借此提升手机端等产品上的高解析影音内容、3D游戏、HDR内容，以及包含虚拟实境、扩增实境在内虚拟视觉应用，此外也借由GPU加速、支援主流学习框架应用，让更多终端装置能支援机器学习应用，进而发挥人工智能运算模式，并且提升装置端运算效率，同时降低整体电力损耗。
从ARM日前提出的Project Trillium设计平台来看，可以理解ARM所提出装置端机器学习应用，分别区分以既有硬件搭配软件的学习模式，或是额外透过ARM ML架构、ARM OD架构处理器辅助加速运算的学习模式，借此对应不同使用需求的应用领域。而此次借由提升Mali多媒体IP套件运算效能，并且让更多中阶装置也能借由GPU效能加速获取更高机器学习效率，让人工智能技术应用可在更多装置端普及。
就ARM看法认为，若以中阶装置硬件规格与市场销售定价来看，搭载独立机器学习算子件的设计模式可能无法符合成本效益，同时也较难在市场达成普及目标，因此借由现有硬件架构，与软件设计，配合将高阶处理器的架构设计与技术下放，让更多中阶机种也能享有等同高阶机种的机器学习效率，如此才能让人工智能运算成为市场主流。
而针对目前装置端的学习应用模式，ARM基本上还是认为是以实际应用层面作为考量，不一定就是采用独立算子件的学习加速模式就是最佳解决方案，例如需要有更具弹性的指令架构变更时，采用既有硬件搭配软件方式将会有更多元应用效益。
以现阶段的人工智能应用模式，ARM表示无论是基于既有硬件架构，或是搭配独立算子件的加速学习模式，其实都能符合装置端的学习应用，最终还是看实际应用层面需求，以ARM立场来看的话，自然是针对两种应用模式都有提供对应的设计方案，例如在Project Trillium设计平台便同时提供两种以上的机器学习运算模式，让合作伙伴能依据实际需求打造最佳架构配置模式，甚至也能搭配自有核心架构设计的CPU，或是客制化GPU、特定独立学习加速算子件打造截然不同的装置端人工智能技术应用成效。
