Presentato alla IEEE International Solid-State Circuits Conference (ISSCC) 2026, ALPhA-Vision è il nuovo acceleratore a basso consumo energetico firmato NVIDIA, pensato per svolgere compiti di visione artificiale in modo continuo, come il rilevamento dei volti, senza mandare in rovina l’autonomia dei dispositivi. Un progetto che arriva in un momento storico in cui l’intelligenza artificiale integrata negli oggetti di tutti i giorni ha fame costante di elaborazione visiva. E qui sta il punto: nei sistemi tradizionali, questo tipo di lavoro finisce sulle spalle della GPU, che però consuma parecchio e non è esattamente ideale per scenari di monitoraggio continuo. ALPhA-Vision, invece, opera con un consumo medio di appena 4,6 mW a 60 fps, mantenendo un’accuratezza del 99,3%. Numeri che fanno riflettere.
Va chiarito subito un aspetto: ALPhA-Vision non è un chip a sé stante. È piuttosto un sottosistema flessibile e programmabile, progettato per essere integrato dentro un System-on-Chip (SoC) più ampio. Il suo compito è gestire in autonomia le reti neurali profonde (DNN), supportando sia architetture CNN che Vision Transformer (ViT) per l’elaborazione delle immagini. E mentre lui lavora, il resto del SoC può tranquillamente dormire.
Come è fatto e perché funziona così bene
La struttura interna divide i compiti tra quattro componenti specializzati. C’è un acceleratore per il deep learning (DLA), che è il vero motore matematico del sistema e lavora a precisione ridotta (INT8 e INT4) per spremere ogni goccia di efficienza. Poi c’è un processore “near-memory” (NMP), un motore vettoriale a larga banda che gestisce i calcoli meno pesanti e la riorganizzazione dei dati, evitando che le operazioni minori diventino un collo di bottiglia. A coordinare tutto ci pensa un processore RISC-V a 32 bit, mentre una memoria SRAM da 2,125 MB, divisa in due aree distinte, conserva i pesi della rete neurale e ospita l’immagine in ingresso insieme ai calcoli temporanei.
Il dettaglio davvero notevole è che ALPhA-Vision acquisisce ed elabora i dati visivi internamente, senza mai dover accedere alla memoria esterna. Questo significa che CPU, GPU e sistema di memoria del dispositivo possono restare completamente in modalità sleep.
La strategia “Race-to-Sleep” e gli scenari futuri
Per raggiungere questi livelli di efficienza su un processo produttivo standard a 16 nm, i ricercatori NVIDIA hanno adottato una strategia chiamata “race-to-sleep”: completare l’elaborazione di ogni frame nel minor tempo possibile, così da massimizzare il periodo in cui il chip resta spento. L’elaborazione di un singolo frame richiede meno di un millisecondo. A 60 fps, il sistema passa il 95,3% del tempo in modalità di riposo: circa 0,0159 secondi dormendo e appena 783 microsecondi in stato attivo per ogni frame. Il software può anche spegnere dinamicamente i singoli banchi di memoria e applicare il clock gating, arrivando a congelare l’intera distribuzione del clock e mantenendo attivo solo un minuscolo contatore a 31 bit per il risveglio.
Le applicazioni pratiche sono parecchie: rilevamento della presenza umana, monitoraggio della sicurezza, interazione con i dispositivi tramite comandi gestuali. Secondo i ricercatori, i sistemi di visione sempre attivi diventeranno quasi cruciali con l’arrivo della cosiddetta Embodied AI, cioè l’intelligenza artificiale integrata in robot fisici che si muovono nel mondo reale.
Per i dispositivi consumer, uno scenario particolarmente interessante riguarda i notebook: ALPhA-Vision potrebbe abilitare un rilevamento del volto “opportunistico”, mettendo istantaneamente in standby lo schermo quando l’utente distoglie lo sguardo o si allontana. Il tutto operando in locale, senza risvegliare CPU o GPU, con un risparmio energetico tangibile sull’autonomia complessiva. Altri ambiti includono il monitoraggio continuo su veicoli autonomi e droni, oppure il riconoscimento di persone, animali e oggetti nei dispositivi per la smart home. Maggiori dettagli tecnici sono disponibili sulla pagina dedicata a questa pubblicazione sul portale NVIDIA e sul portale IEEE, dove si trova il paper integrale.
