Arm 在今年二月份针对人工智能与机器学习，宣布了名为 Project Trillium 的人工智能解决方案，为端点人工智能提供更完善的人工智能技术，并使人工智能深入各个端点；此方案包括软件与硬件两个层级，提供借由 CPU + GPU + DSP 的现行异构解决方案，以及渐为潮流的专属 AI 加速架构，让客户依照人工智能运算需求选择合宜的方案。
为何让终端装置具备独立的机器学习能力很重要，可从六大领域说起，包括带宽、能源、成本、延迟、可靠性与安全性。当前许多的人工智能应用是透过基于云的方式进行，然而仰赖透过网络传输到服务器端，对于如影像分析、安全、自动驾驶等需要大量影像传输的应用，就需要耗用大量的带宽，同时许多应用需要超低延迟，透过云的机器学习方式就不堪负荷。
其次由于所有的运算都位于云端，当越来越多中端具备机器学习能力，也需要更大量的服务器，这也造成能源浪费与建构成本的增加，另外当服务器需要负担大量的运算，加上传输过程中网络的不确定性，也会降低云端模式的可靠性，最终许多的应用牵涉到个人隐私甚至重大安全性，虽然现在已经有大量的安全机制，仍不及在装置端直接运算来的安全。
那些应用需要在端点进行机器学习？在装置逐步智慧化、连网化之后，几乎所有的设备都会应用到机器学习，同时也受机器学习带来更高的价值，举凡在手机上拍照的影像处理与使用行为分析，智慧健身的互动语音助理，监控系统的人物辨识，语音助理的自然语意互动，到自动驾驶的逻辑与机器视觉处理，都因能在端点进行机器学习得以实现。
Arm 持续以来都在为机器学习提供良好的基础，在高性能运算领域， Cortex-A 系列早已提供高效率、高性能的运算能力，而 ARM 也为嵌入式处理器 Cortex-M 系列导入如 CMSIS-NN 这样能用于机器学习的技术，至于 Mali-GPU 也支援机器学习应用。
不过为了使机器学习更具效率， Arm 也持续提供更具效率的 IP ，包括针对机器学习的专属加速器架构，另外也将针对机器视觉领域提供物体辨识的专属 IP 架构，同时让这些新 IP 架构能与既有的 CPU 与 GPU IP 进行异构运算；另外 Arm 也持续与合作伙伴合作，让在 DSP 与 FPGA 方面拥有独一无二的技术的伙伴也能将其核心技术与 Arm 的 IP 进行异构的机器学习。
Arm 提供多元且可扩充性的机器学习解决方案，也是为了满足不同领域对于机器学习运算力所需的规划，使合作伙伴能依照从物联网、智慧终端、自动驾驶到服务器，提供从 2GDPs 到 140TOPs 层级的运算性能，使各类应用都能获得合理、高能源效率的解决方案。
Arm 也提到，为了使机器学习更具效率，当初在规划 Project Trillium 的软硬件时，就在双方面有最基本的要求，其一是机器学习( ML )加速器与物件侦测( Object Dectection )加速器除了节能以外，要能够大幅超越现行 CPU + GPU 的运算能力，但同时又要能与 CPU 、 GPU 与 DSP 等现行架构进行异构，同时在机器学习框架 ARM-NN 也要透过开源方式，让开发者、合作伙伴共容易利用。
