# DEEPX DX-M1与边缘AI：让部署端评价反馈到模型训练

以美国公开申请US20260065050A1为线索，通过假设的工厂质检场景，解析异构处理器、模型优化及评价反馈的技术关系。

Source: https://www.iplexlaw.co.kr/zh/blog/deepx-heterogeneous-processors-edge-ai

首页 / 新闻与洞见 新闻与洞见 DEEPX DX-M1与边缘AI：让部署端评价反馈到模型训练 以美国公开申请US20260065050A1为线索，通过假设的工厂质检场景，解析异构处理器、模型优化及评价反馈的技术关系。 人工智能与软件 2026.10.04 已出版 IPLEX 阅读约9分钟 训练端与推理设备之间反馈关系的概念图 先区分公开申请与授权专利 US20260065050A1于2026年3月5日公开，申请人为DEEPX Co., Ltd.，主题是利用异构处理器训练神经网络并执行推理。A1表示申请公开，不等于已经授权。本文分析公开文件，不据此确认最新法律状态，也不认定DX-M1实现了全部权利要求。 设想工厂相机检测产品细小划痕：开发机上训练良好的模型，需要部署到内存、支持算子和功耗条件不同的现场设备。模型转换可能影响精度。该工厂场景仅用于解释原理，不是客户案例或实测性能报告。 训练和推理分别解决什么问题 训练利用样本调整参数，推理则把训练后的模型用于新输入。在示例中，带标签的产品图像用于训练，生产线上的新图像用于判定。公开方案由第一处理器负责训练，配置不同且能力相对受限的第二处理器负责推理。 因此，部署并非简单复制文件。必须确认目标设备支持所需运算，并在转换后检查模型行为。模型能够装入设备，并不意味着不会遗漏开发版本原本能够识别的缺陷。 权重、结构与轻量化 权重是计算所用的数值参数，结构则是计算阶段及连接关系。参数更新与结构修改并非一回事。剪枝减少部分连接或组件，量化以较低精度表示数值。这些方法可降低存储或计算负担，也可能损害准确率，因此需要结合重新训练。 图5展示训练用GPGPU（100）、推理用NPU（200）和存储器（300），其中包括编译器（310）、存储（320）及报告（330）功能。编译器使计算适配目标设备，存储与报告支持模型及结果的交换。该图解释技术流程，不证明某一商业芯片的具体内部实现。 公开文件图5：GPGPU、NPU、存储器及编译、存储和报告功能 从现场评价到下一轮训练 流程依次为训练、传输权重、目标端推理及评价、返回评价结果、修改模型、再次推理。训练端根据反馈修改模型结构并更新权重，再把适用于修改后模型的权重发送到执行端。这里并非假定现场NPU自身完成重新训练。 图7区分送往GPGPU的训练数据和送往目标设备的测试数据，并显示反馈路径。工厂示例可用已知答案的测试图像发现漏检，再由开发端调整模型并重新进行实机评价。配套工厂流程图同样是假设性说明，不是实验数据。 公开文件图7：训练数据、测试数据与评价反馈 假设的工厂流程：训练、权重传输、评价、模型修改及再次推理；不是实施案例或实验结果。 GPU、NPU与DX-M1的背景 GPU适合并行计算，GPGPU指将其能力用于通用计算；NPU面向神经网络运算。公开文件以GPGPU训练和NPU推理说明异构处理，并涉及按照目标端支持的运算和数据表示方式编译模型。 DEEPX将DX-M1定位为边缘AI处理器。边缘推理在接近数据源的位置执行，而非将每个输入都送往远程服务器。这可能减少通信需求，但时延、功耗、内存与精度取决于实际系统。产品定位与专利申请的技术范围，应分别分析。 研发团队应保留哪些材料 专利分析的重点不只是存在两个处理器，而是目标端评价如何改变下一轮模型的结构和权重。宜记录各设备职责、交换的信息、优化步骤、评价条件和模型修改前后的差异，并区分计算图变更与参数更新。 IPLEX为AI及软件系统提供专利分析与申请支持。可公开的系统流程图、技术差异说明和可复现的评价条件，有助于识别技术贡献。相关AI业务与测试时训练分析可作为延伸阅读，但不同模型更新机制不能混为一谈。 保留原图标注，各图的技术含义在正文中说明。 Tistory原文 相关AI专利业务 延伸阅读：测试时更新权重 查看韩文原文 本文基于发表时的情况撰写。如需就具体事项咨询，请联系IPLEX。 咨询相关业务 ↗ 全部文章 本页目录 先区分公开申请与授权专利 训练和推理分别解决什么问题 权重、结构与轻量化 从现场评价到下一轮训练 GPU、NPU与DX-M1的背景 研发团队应保留哪些材料 咨询IPLEX 与我们讨论您的需求 保护、维权与管理。 我们将与您共同分析技术与业务需求。 ↗ 联系我们 较新文章 “Uruaek”与“Urusa”：韩国商标争议中的混淆与显著性淡化 ↗ 较早文章 韩国职务发明补偿请求权：诉讼时效从何时起算？ ↗ 相关解读 人工智能 2026.10.15 PaTH Attention：将词元之间的路径编码为位置信息 解析输入依赖的Householder型变换累积机制，以及状态跟踪、长上下文实验的收益与限制。 ↗ 阅读全文 人工智能 2026.10.14 华为盘古气象：如何串联不同时间间隔的预测模型 结合公开申请US20250258318A1，解析预测步长选择、中间状态传递及气象数据融合。 ↗ 阅读全文 人工智能 2026.10.13 LaCT：以大分块更新人工智能的临时记忆 从快速权重、GPU利用率和因果处理顺序，解析LaCT的技术结构、实验条件及适用边界。 ↗ 阅读全文

- https://www.iplexlaw.co.kr/zh
- https://www.iplexlaw.co.kr/zh/blog/category/ai
- https://iplexlaw.tistory.com/4
- https://www.iplexlaw.co.kr/zh/ai-patents
- https://www.iplexlaw.co.kr/zh/blog/1525199
- https://www.iplexlaw.co.kr/ko/blog/deepx-heterogeneous-processors-edge-ai
- https://www.iplexlaw.co.kr/zh/contact
- https://www.iplexlaw.co.kr/zh/blog
- https://www.iplexlaw.co.kr/zh/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-0
- https://www.iplexlaw.co.kr/zh/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-1
- https://www.iplexlaw.co.kr/zh/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-2
- https://www.iplexlaw.co.kr/zh/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-3
- https://www.iplexlaw.co.kr/zh/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-4
- https://www.iplexlaw.co.kr/zh/blog/deepx-heterogeneous-processors-edge-ai#case-deepx-en-5
- https://www.iplexlaw.co.kr/zh/contact
- https://www.iplexlaw.co.kr/zh/blog/brunch-case-1795
- https://www.iplexlaw.co.kr/zh/blog/brunch-case-1794
- https://www.iplexlaw.co.kr/zh/blog/path-attention-householder-transformations
- https://www.iplexlaw.co.kr/zh/blog/path-attention-householder-transformations
- https://www.iplexlaw.co.kr/zh/blog/huawei-pangu-weather-time-interval-models
- https://www.iplexlaw.co.kr/zh/blog/huawei-pangu-weather-time-interval-models
- https://www.iplexlaw.co.kr/zh/blog/lact-large-chunk-test-time-training
- https://www.iplexlaw.co.kr/zh/blog/lact-large-chunk-test-time-training