# DEEPX DX-M1 e IA en el borde: conectar el entrenamiento con la evaluación del dispositivo La solicitud publicada US20260065050A1 permite explicar los procesadores heterogéneos, la optimización de modelos y la realimentación mediante un supuesto de inspección industrial. Source: https://www.iplexlaw.co.kr/es/blog/deepx-heterogeneous-processors-edge-ai INICIO / Noticias y análisis Noticias y análisis DEEPX DX-M1 e IA en el borde: conectar el entrenamiento con la evaluación del dispositivo La solicitud publicada US20260065050A1 permite explicar los procesadores heterogéneos, la optimización de modelos y la realimentación mediante un supuesto de inspección industrial. IA y software 2026.10.04 publicado IPLEX 9 min de lectura Esquema conceptual de realimentación entre entrenamiento e inferencia El documento y el problema técnico US20260065050A1 se publicó el 5 de marzo de 2026 a nombre de DEEPX Co., Ltd. y trata del entrenamiento de redes neuronales y la inferencia con procesadores heterogéneos. El código A1 identifica una solicitud publicada, no acredita una patente concedida. Este análisis no determina su situación jurídica actual ni afirma que DX-M1 incorpore todas las características reivindicadas. Imaginemos una cámara que detecta arañazos en una línea de producción. El modelo entrenado en un ordenador potente debe ejecutarse junto a la cámara, con otra memoria, operaciones compatibles y limitaciones energéticas. La conversión puede alterar la precisión. Es un ejemplo hipotético, no una instalación de cliente ni una medición de rendimiento. Entrenamiento e inferencia cumplen funciones distintas El entrenamiento ajusta parámetros a partir de ejemplos; la inferencia aplica el modelo entrenado a una entrada nueva. Las imágenes etiquetadas de productos sirven para entrenar, y las nuevas imágenes de la línea, para clasificar. La arquitectura descrita asigna el entrenamiento a un primer procesador y la inferencia a un segundo, de configuración diferente y capacidad más limitada. Desplegar el modelo exige más que copiar un archivo. Hay que comprobar las operaciones admitidas y evaluar su comportamiento después de convertirlo. Que el modelo quepa en el dispositivo no garantiza que siga detectando los mismos defectos. Pesos, estructura y optimización Los pesos son parámetros numéricos; la estructura define las etapas de cálculo y sus conexiones. Actualizar unos no equivale necesariamente a modificar la otra. La poda elimina determinadas conexiones o componentes y la cuantización reduce la precisión de representación. Ambas pueden disminuir recursos, pero también afectar a la exactitud y hacer necesario un nuevo entrenamiento. La figura 5 muestra una GPGPU de entrenamiento (100), unidades NPU de inferencia (200) y memoria (300), con compilador (310), almacenamiento (320) e informes de resultados (330). El compilador adapta el cálculo al destino; los demás módulos facilitan conservar e intercambiar modelos y resultados. La figura no acredita la configuración interna de un chip comercial concreto. Figura 5 de la publicación: GPGPU, NPU, memoria, compilador, almacenamiento e informes La evaluación cierra el ciclo La secuencia comprende entrenamiento, envío de pesos, inferencia y evaluación en destino, devolución de resultados, revisión del modelo y nueva inferencia. El procesador de entrenamiento usa la evaluación para modificar la estructura y actualizar los pesos, que vuelve a remitir para ejecutar el modelo modificado. No se presupone que la NPU de campo realice el reentrenamiento. La figura 7 separa los datos de entrenamiento para la GPGPU de los datos de prueba para el dispositivo y representa el retorno de resultados. En la fábrica hipotética, imágenes con respuesta conocida permiten detectar omisiones, revisar el modelo y evaluarlo de nuevo en el equipo. El diagrama de la fábrica es explicativo, no una prueba experimental. Figura 7 de la publicación: datos de entrenamiento, datos de prueba y retorno de la evaluación Flujo industrial hipotético: entrenamiento, envío de pesos, evaluación, revisión y nueva inferencia; no es una implantación ni un resultado experimental. GPU, NPU y el contexto de DX-M1 Una GPU permite cálculos paralelos; GPGPU designa su utilización para tareas de propósito general. Una NPU está concebida para operaciones de redes neuronales. La solicitud utiliza entrenamiento en GPGPU e inferencia en NPU como ejemplo, con compilación ajustada a las operaciones y a la representación de datos del destino. DEEPX presenta DX-M1 como procesador de IA en el borde. La inferencia se ejecuta cerca del origen de los datos, en lugar de enviar cada entrada a un servidor remoto. Puede reducir comunicaciones, pero la latencia, la energía, la memoria y la precisión dependen del sistema. El posicionamiento del producto y el alcance de la solicitud son cuestiones diferentes. Documentación útil para el análisis de patentes Interesa precisar cómo la evaluación del dispositivo modifica la estructura y los pesos del siguiente modelo, no únicamente que existan dos procesadores. Conviene documentar sus funciones, los datos intercambiados, las optimizaciones, las condiciones de evaluación y las diferencias entre versiones, separando cambios del grafo de cálculo y actualizaciones paramétricas. IPLEX presta apoyo en análisis y redacción de solicitudes sobre IA y software. Un esquema no confidencial, una explicación de los cambios técnicos y condiciones reproducibles de evaluación ayudan a identificar la aportación. Los contenidos relacionados sobre IA y aprendizaje durante la prueba aportan contexto, sin equiparar mecanismos distintos de actualización del modelo. Se conservan las indicaciones originales y se explica su significado técnico en el texto. Artículo original en Tistory Servicios de patentes de IA Análisis relacionado: actualizar pesos durante la prueba Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos EN ESTA PÁGINA El documento y el problema técnico Entrenamiento e inferencia cumplen funciones distintas Pesos, estructura y optimización La evaluación cierra el ciclo GPU, NPU y el contexto de DX-M1 Documentación útil para el análisis de patentes HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Uruaek frente a Urusa: confusión y dilución de una marca en Corea ↗ Anterior Invenciones de empleados en Corea: inicio del plazo para reclamar compensación ↗ Artículos relacionados IA 2026.10.15 PaTH Attention: codificar el recorrido entre tokens Análisis de las transformaciones de Householder dependientes de la entrada, el seguimiento de estados y los límites experimentales de PaTH. ↗ Lea el artículo IA 2026.10.14 Pangu Weather de Huawei: encadenar modelos con distintos intervalos de predicción Lectura técnica de US20250258318A1: selección de intervalos, transferencia de estados previstos y combinación de datos meteorológicos. ↗ Lea el artículo IA 2026.10.13 LaCT: memoria temporal de IA actualizada en bloques grandes Análisis técnico de los pesos rápidos, la eficiencia de GPU y el orden causal de LaCT, con las condiciones y límites de sus experimentos. ↗ Lea el artículo - https://www.iplexlaw.co.kr/es - https://www.iplexlaw.co.kr/es/blog/category/ai - https://iplexlaw.tistory.com/4 - https://www.iplexlaw.co.kr/es/ai-patents - https://www.iplexlaw.co.kr/es/blog/1525199 - https://www.iplexlaw.co.kr/ko/blog/deepx-heterogeneous-processors-edge-ai - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog - https://www.iplexlaw.co.kr/es/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-0 - https://www.iplexlaw.co.kr/es/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-1 - https://www.iplexlaw.co.kr/es/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-2 - https://www.iplexlaw.co.kr/es/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-3 - https://www.iplexlaw.co.kr/es/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-4 - https://www.iplexlaw.co.kr/es/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-5 - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog/brunch-case-1795 - https://www.iplexlaw.co.kr/es/blog/brunch-case-1794 - https://www.iplexlaw.co.kr/es/blog/path-attention-householder-transformations - https://www.iplexlaw.co.kr/es/blog/path-attention-householder-transformations - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models - https://www.iplexlaw.co.kr/es/blog/huawei-pangu-weather-time-interval-models - https://www.iplexlaw.co.kr/es/blog/lact-large-chunk-test-time-training - https://www.iplexlaw.co.kr/es/blog/lact-large-chunk-test-time-training