Vom Nullpunkt zum Neuromorphic-Lab

Der Startpunkt war bewusst unspektakulär und genau deshalb interessant: keine Programmiererfahrung, ein BrainChip AKD1500, ein Raspberry Pi 5 und ein kleiner 3D-gedruckter Roboterarm. Statt Neuromorphic Computing nur aus Datenblättern zu betrachten, sollte daraus ein eigenes, funktionierendes System entstehen.

Der Ausgangspunkt

Die erste Aufgabe war nicht „KI bauen“, sondern viel grundlegender: Raspberry Pi und Beschleuniger müssen zuverlässig miteinander sprechen. Erst wenn PCIe, Treiber und Runtime stabil sind, lohnt es sich, über Modelle, Kameras und Robotik nachzudenken.

Genau diese Reihenfolge wurde später zu einem Grundprinzip des Labs: erst die Hardware-Basis reproduzierbar machen, dann eine Variable nach der anderen hinzufügen.

Das eigentliche Ziel

Von Anfang an ging es um mehr als eine Demo. Das Ziel war Objekterkennung und Klassifikation auf echter Edge-Hardware, möglichst lokal und später eingebettet in eine Robotik-Anwendung. Besonders spannend war die Idee, neue Objekte mit sehr wenig zusätzlichem Training beziehungsweise einem „zeig es einmal“-Workflow in das System zu bringen.

Warum das öffentlich dokumentieren?

Die Serie sollte nicht nur Erfolge zeigen. Interessant sind gerade die Fehlannahmen, Treiberprobleme, falschen Verdächtigen und Konfigurationsänderungen, die zwischen „laut Dokumentation müsste es gehen“ und „läuft zehn Minuten stabil“ liegen.

Aus diesem Ansatz ist NEURO//EDGE LAB entstanden: Vendor-Baselines, eigene Beobachtungen und Experimente werden getrennt gekennzeichnet.

Was daraus wurde

Aus dem ersten Aufbau entwickelte sich schrittweise eine Vision-Pipeline, später ENGRAM, der VORSA-M3-Ansatz und die Frage, wie mehrere AKD1500-Geräte auf einem Host sauber betrieben und sinnvoll aufgeteilt werden können.