提出Project Trillium设计平台的目的，自然在于越来越多终端装置学习应用模式投入发展，因此ARM也开始着重让手机端能完成更多学习运算，而不需要过度依赖云端协作的运算模式，一来可以提升终端装置端的运算精准度，同时也能让运算反应时间缩短，使得手机可以越来越懂得使用需求。
近年来在终端运算有所着墨的ARM，稍早针对装置端的人工智能应用提出名为Project Trillium的软硬件整合设计平台，借此让基于ARM ML架构设计的处理器能有更快的机器学习效率，同时也能借由基于ARM OD架构设计的处理器更快感知辨识物件变化，例如精准判断人脸以外的动作、手势，甚至身上配戴物件，再透过名为ARM NN的软件串接诸如TensorFlow、Caffe或Android NN等学习框架，并且利用硬件运算效能加速学习效果。
ARM稍早宣布结合旗下资源打造的软硬件整合设计平台Project Trillium，最主要透过基于ARM ML架构设计的处理器，以及基于ARM OD架构设计的处理器，再搭配名为ARM NN的软件串接TensorFlow、Caffe或Android NN再内学习框架，借此让装置端能有更具效率的机器学习应用。
根据ARM方面表示，不同之前借由CPU、GPU协同作业达成机器学习效率，借由Project Trillium设计平台的学习数据吞吐量几乎可达2-4倍以上，其中更可透过1080p@60fps画面形式捕捉影像，进而让终端装置可以学习正确辨识人脸，甚至进一步学习判断表情变化、手势等肢体动作，或是配合是别人脸以外的装饰物。
而提出Project Trillium设计平台的目的，自然在于越来越多终端装置学习应用模式投入发展，因此ARM也开始着重让手机端能完成更多学习运算，而不需要过度依赖云端协作的运算模式，一来可以提升终端装置端的运算精准度，同时也能让运算反应时间缩短，使得手机可以越来越懂得使用需求。
除了将使Project Trillium设计平台用于智能手机，ARM也表示此项设计平台同时也能套用在智慧喇叭或物联网产品，预计要在今年4月间才会提供更具体预览内容，同时实际应用产品最快将会在2018年年中进入市场。
