На прошлой неделе Radxa и корейский стартап DeepX выкатили крутую штуку. Встречайте – AICore DX-M1M. M.2 модуль, который жрёт всего 3 ватта, но обещает 25 триллионов операций в секунду для ваших этих нейросетей.
Этот ускоритель вставляется в обычный слот для NVMe и, если верить заявлениям, тянет YOLO, ResNet и распознавание жестов без перегрева материнской платы.
Полный анонс английской новости про AICore можно почитать на LinuxGizmos, а я попробую пояснить вам основные моменты этих ускорителей.
Кто вообще это сделал?
DeepX – это южнокорейская AI-компания, Radxa – те самые ребята, которые делают крутые платы на Рокчип RK3588 (ROCK серия) – помогают им упаковать NPU в M.2 форм-фактор.
Первая попытка была ещё в конце 2025 года – модуль AICore DX-M1.
- Формат: M.2 2280 (как обычный NVMe)
- Интерфейс: PCIe Gen3 ×4
- Память: 4GB LPDDR5
- Энергопотребление: 3-5W
Солидно, но слишком громоздко, хотя оптимально для любых проектов на базе ИИ (конечно, если речь идет о доступном обычному пользователю сегменте)
Новый DX-M1M совсем другой. Меньше, экономнее, но с компромиссами.
Таблица Характеристик DeepX DX-M1 и DeepX DX-M1M
| Параметр | DeepX DX-M1 (прошлогодний) | DeepX DX-M1M (новинка) |
| AI производительность | До 25 TOPS | До 25 TOPS |
| Форм-фактор | M.2 2280 | M.2 2242 (M + B Key) |
| Интерфейс | PCIe Gen3 ×4 | PCIe Gen3 ×2 |
| Оперативная память | 4GB LPDDR5 | 1GB LPDDR4X (4266 MT/s) |
| Встроенное хранилище | ? | 1Gbit QSPI flash |
| Потребление | 3-5W | ~3W |
| Цель | Тяжёлый инференс | Компактные системы, vision |
| Цена | Около $85 |
25 TOPS при 3 ваттах – это мощно, я бы сказал круто. Если для сравнения взять Rockchip RK3588, то там 6 TOPS при 4-5W. Конечно, разные цели, но тем не менее. Или другой варинат – NVIDIA Jetson Orin Nano при 20 TOPS, 7-15W
DeepX на бумаге бьёт конкурентов по эффективности достаточно серьезно, хотя этот сегмент только набирает обороты. Красивый флекс, ничего не скажешь. Но есть нюанс с памятью.
M.2 магия и её цена
DX-M1M использует короткий стандарт M.2 2242 – 42 мм вместо 80 мм. Это плюс. Он влезает в Raspberry Pi 5 (через переходник на FPC) и в любую плату Radxa ROCK 5B или нашу KiwiPI 5B.
Минус №1: PCIe Gen3 ×2, а не ×4. Пропускная способность ниже.
Минус №2: всего 1GB LPDDR4X. Один гигабайт. Это ну не очень много.
Напомню: RK3588 может адресовать до 32GB оперативки. А тут модель нейросети должна целиком влезть в 1GB. Radxa честно пишет, для чего модуль: классификация изображений, детекция объектов, сегментация, оценка позы.
Если вы хотели запустить локально большую языковую модель, то идите мимо.
С кем это дружит по хостам?
Интересное здесь начинается с другого момента: – DX-M1M работает с ARM и x86 хостами через PCIe.
Radxa называет конкретные платы и варианты: 1) Raspberry Pi 5 (разъём FPC) 2) ROCK 5A / 5B / 5B+ / 5 ITX 3) Любой слот M.2 2280 через переходник
То есть вы берёте популярный и любимый всеми Pi 5 за $80, вставляете туда этот NPU и получаете 25 TOPS. Эбен Аптон (глава Raspberry Pi) в недавней конференции сказал, что не будет встраивать NPU в Pi 6, потому что «CPU сам справится с AI». Окей, тогда мы сами добавим ускоритель в M.2 слот, раз такая возможность подвернулась уже сейчас.
Кстати, если вы как раз сейчас выбираете плату-хост под этот модуль – посмотрите нашу подборку лучших аналогов Raspberry Pi в 2026 году. Там и KiwiPi 5B, и Radxa ROCK 5B+, и другие достойные варианты с полными таблицами характеристик.
Модуль ставится как NVMe – под углом, прикручивается винтиком, загружаетесь. Radxa предупреждает, что такой вариант греется. Рекомендуют активное охлаждение или металлический корпус, что и так логично. 3W на площади 22×42 будет нагревать нереально сильно.
Софт – вечная боль (тут вроде получше)
DeepX даёт DXNN SDK в комплекте:
- DX-COM компилятор (TensorFlow, ONNX, Keras, PyTorch)
- DX-RT рантайм
- Драйверы устройств
- Плагин для GStreamer (видео)
- DX-All Suite для установки
Поддерживаемые ОС хоста: Windows 10/11, Ubuntu 20.04/22.04/24.04. Docker тоже работает.
Это нормальный софт-стек. Как минимум, лучше, чем у 90% китайских NPU-стартапов, которые дают ZIP-архив с Baidu Pan, что, сами понимаете, смешно для пользователей за пределами материкового Китая.
Но давайте еще разок, софт – это то, где Radxa и DeepX должны доказать не только свою зрелость и эффективность, но и актуальность. У Rockchip RKNN, например, ушли годы, чтобы стать юзабельным. DeepX начинают с нуля, но перспективы очень хорошие. Посмотрим.
Цена и выводы
Модуль стоит $85 на Arace Tech. Это недёшево, и его нет в наличии на данный момент (out of stock), что обычно значит либо высокий спрос, либо проблемы с производством, но чаще второе. Хотя, учитывая эту безумную ИИ-гонку, то все эти факторы влияют на подобное положение.DX-M1M – это чистый ускоритель. Ему нужен хост/плата, поэтому вопрос цены будет всегда актуальным. Спросите себя, а вам реально нужны эти 25 TOPS? RK3588 даёт 6 TOPS, и этого хватает для огромного количества задач, например. И платы с RK3588 на любой вкус (Как наша линейка KiwiPi). И да, новый чип RK3688 уже на подходе, так что вариантов будет много.
Кстати, мы тоже делаем модуль M.2 AI-ускорители на базе DeepX DX-M1/M2, а так же любые проекты, базирующие на архитектуре Rockchip и не только.