Arm 在今年二月份針對人工智慧與機器學習，宣布了名為 Project Trillium 的人工智慧解決方案，為端點人工智慧提供更完善的人工智慧技術，並使人工智慧深入各個端點；此方案包括軟體與硬體兩個層級，提供藉由 CPU + GPU + DSP 的現行異構解決方案，以及漸為潮流的專屬 AI 加速架構，讓客戶依照人工智慧運算需求選擇合宜的方案。
為何讓終端裝置具備獨立的機器學習能力很重要，可從六大領域說起，包括頻寬、能源、成本、延遲、可靠性與安全性。當前許多的人工智慧應用是透過基於雲的方式進行，然而仰賴透過網路傳輸到伺服器端，對於如影像分析、安全、自動駕駛等需要大量影像傳輸的應用，就需要耗用大量的頻寬，同時許多應用需要超低延遲，透過雲的機器學習方式就不堪負荷。
其次由於所有的運算都位於雲端，當越來越多中端具備機器學習能力，也需要更大量的伺服器，這也造成能源浪費與建構成本的增加，另外當伺服器需要負擔大量的運算，加上傳輸過程中網路的不確定性，也會降低雲端模式的可靠性，最終許多的應用牽涉到個人隱私甚至重大安全性，雖然現在已經有大量的安全機制，仍不及在裝置端直接運算來的安全。
那些應用需要在端點進行機器學習？在裝置逐步智慧化、連網化之後，幾乎所有的設備都會應用到機器學習，同時也受機器學習帶來更高的價值，舉凡在手機上拍照的影像處理與使用行為分析，智慧健身的互動語音助理，監控系統的人物辨識，語音助理的自然語意互動，到自動駕駛的邏輯與機器視覺處理，都因能在端點進行機器學習得以實現。
Arm 持續以來都在為機器學習提供良好的基礎，在高性能運算領域， Cortex-A 系列早已提供高效率、高性能的運算能力，而 ARM 也為嵌入式處理器 Cortex-M 系列導入如 CMSIS-NN 這樣能用於機器學習的技術，至於 Mali-GPU 也支援機器學習應用。
不過為了使機器學習更具效率， Arm 也持續提供更具效率的 IP ，包括針對機器學習的專屬加速器架構，另外也將針對機器視覺領域提供物體辨識的專屬 IP 架構，同時讓這些新 IP 架構能與既有的 CPU 與 GPU IP 進行異構運算；另外 Arm 也持續與合作夥伴合作，讓在 DSP 與 FPGA 方面擁有獨一無二的技術的夥伴也能將其核心技術與 Arm 的 IP 進行異構的機器學習。
Arm 提供多元且可擴充性的機器學習解決方案，也是為了滿足不同領域對於機器學習運算力所需的規劃，使合作夥伴能依照從物聯網、智慧終端、自動駕駛到伺服器，提供從 2GDPs 到 140TOPs 層級的運算性能，使各類應用都能獲得合理、高能源效率的解決方案。
Arm 也提到，為了使機器學習更具效率，當初在規劃 Project Trillium 的軟硬體時，就在雙方面有最基本的要求，其一是機器學習( ML )加速器與物件偵測( Object Dectection )加速器除了節能以外，要能夠大幅超越現行 CPU + GPU 的運算能力，但同時又要能與 CPU 、 GPU 與 DSP 等現行架構進行異構，同時在機器學習框架 ARM-NN 也要透過開源方式，讓開發者、合作夥伴共容易利用。
