Meer en meer apparaten gebruiken gespecialiseerde chips voor kunstmatige intelligentie. Zo heeft de Google Pixel 6 een AI-chip en is de iPhone al jaren voorzien van een Neural Engine. Wat is er zo speciaal aan deze chips en welke taken kunnen ze versnellen?

Standaardprocessors zijn ontworpen om zo snel mogelijk instructies na elkaar uit te voeren. Die race naar steeds snellere kloksnelheden heeft al een tijdje moeten plaatsmaken voor parallellisatie: hierbij voeren meerdere processorkernen op hetzelfde moment instructies uit. Maar de meeste software maakt daarvan geen efficiënt gebruik. Je tekstverwerker haalt niet zoveel voordeel uit acht gelijktijdig werkende processorkernen.

Deep learning

Maar er zijn heel wat gespecialiseerde toepassingen die wel profiteren van verregaande parallellisatie. Vooral in AI (kunstmatige intelligentie) en dan in het bijzonder deep learning, een vorm van neurale netwerken. Deze algoritmen profiteren ervan om dezelfde instructies op grote hoeveelheden verschillende data tegelijk uit te voeren. Dat vereist een heel ander soort processor.

Neurale netwerken bootsen de werking van de hersenen na, die een biologisch neuraal netwerk vormen: een kluwen van ontzettend veel verbindingen tussen neuronen (hersencellen). Een kunstmatig neuraal netwerk bestaat meestal uit meerdere lagen: een invoerlaag van neuronen die de invoer van een probleem voorstellen (bijvoorbeeld een foto), een uitvoerlaag van neuronen die de oplossing van het probleem voorstellen (bijvoorbeeld de naam van de persoon op de foto), en een of meer tussenliggende lagen die berekeningen uitvoeren. Bij een groot aantal lagen tussen en uitvoer spreken we van deep learning.

©PXimport

Tensors

De data in deep learning worden opgeslagen in de vorm van tensors. Een tensor is een veralgemening van een vector of matrix naar meerdere dimensies. We kunnen een tensor beschrijven aan de hand van drie primaire eigenschappen: de rang, de vorm en het datatype. De rang van een tensor is het aantal assen. Zo is de rang van een matrix 2, van een vector 1 en van een getal 0.

De vorm van een tensor is het aantal elementen volgens elke as van de tensor. Stel dat je een tensor van rang 2 aanmaakt met op de eerste rij de getallen 1 en 2, op de tweede rij de getallen 3 en 4, en op de derde rij de getallen 5 en 6. Dan is de vorm van deze tensor de vector (en dus ook een tensor, namelijk van rang 1) [3, 2]. De tensor heeft namelijk drie rijen van 2 elementen.

Het datatype van een tensor beschrijft welke getallen de tensor bevat. Dat kan bijvoorbeeld float32 zijn (kommagetallen van 32 bit), of int8 (gehele getallen van 8 bit).

©PXimport

Machine learning met tensors

Voor elke taak waarvoor je een neuraal netwerk wilt trainen, moet je dus de data omzetten in tensors. Een afbeelding waarin je objecten wilt herkennen, zet je dan om in een tensor van rang 3: de vorm is dan [hoogte, breedte, kanalen], waarbij kanalen voor de kleurkanalen zoals rood, groen en blauw staat.

Vaak verwerken algoritmen in machine learning maar een deel van de data tegelijk. In ons voorbeeld van objectherkenning worden dan meerdere afbeeldingen in een batch onderverdeeld. We werken dan met een tensor van rang 4 met als vorm [samples, hoogte, breedte, kanalen]: de eerste as bevat het aantal samples in een batch.

Deep learning met GPU’s

Toen deep learning rond 2010 na jarenlange ontwikkeling eindelijk doorbrak, was dat vooral door de opkomst van snelle GPU’s (graphical processing units). Onderzoekers ontdekten dat de chips die in grafische kaarten zitten om sneller beelden te renderen, ook uitstekend uitgerust waren voor deep learning, in het bijzonder bij volledig verbonden neurale netwerken.

Computerwetenschapper Andrew Ng bepaalde dat deep learning-systemen met een factor 100 versneld konden worden door gebruik van GPU’s. Niet langer had men weken nodig om algoritmen voor handschriftherkenning of objectdetectie te trainen, maar slechts dagen.

Een GPU bestaat dan ook gemakkelijk uit duizenden processorkernen. Bovendien maakt een GPU gebruik van het SIMD-paradigma (zie kader ‘SIMD’): dezelfde bewerking wordt op duizenden stukjes data tegelijk uitgevoerd. Dat is ideaal voor deep learning, wat een heleboel tensorbewerkingen nodig heeft op grote hoeveelheden data.

Grafische kaart voor AI

In het begin werden voor AI-taken gewoon grafische kaarten voor consumenten gebruikt. Ondertussen produceert Nvidia ook GPU’s, ontwikkelbordjes en volledige servers die specifiek zijn ontworpen voor deep learning. Dat alles doet het bedrijf onder de naam Jetson. De prijzen van de Jetson Developer Kits beginnen bij 75 euro.

De prestaties van deze GPU’s variëren van 472 gigaflops (472 miljard floating-point-bewerkingen per seconde) op de 128-core Nvidia Maxwell-GPU in de Jetson Nano tot 200 tops (200 biljoen bewerkingen per seconde) op de 2048-core Nvidia Ampere-GPU met 64 tensor-cores (te vergelijken met de tensor processing units van Google, zie verder) in de later dit jaar verwachte Jetson AGX Orin. Wat al deze GPU’s gemeen hebben, is dat ze met Nvidia’s toolkit CUDA (Compute Unified Device Architecture) te programmeren zijn.

©PXimport

SIMD

Computerwetenschapper Michael J. Flynn stelde in 1966 een invloedrijke classificatie op van computerarchitecturen volgens hun parallellisme. Deze werkt op basis van twee parameters: het aantal instructies dat tegelijk wordt uitgevoerd en het aantal datastromen dat tegelijk wordt verwerkt.

Een computer zonder parallellisme, zoals de pc vóór de komst van multicore-processors, valt onder single instruction, single data (SISD). Een GPU die dezelfde instructie op meerdere data tegelijk uitvoert, valt onder single instruction, multiple data (SIMD). Maar ook moderne processors ondersteunen gedeeltelijk SIMD-instructies, zoals Advanced Vector Extensions (AVX) op Intel- en AMD-processors, de Neon-extensie op ARM-processors en AltiVec op PowerPC.

Multiple instruction, single data is nogal ongewoon. De boordcomputer van de Space Shuttle gebruikt deze aanpak voor foutentolerantie. Multiple instruction, multiple data is de architectuur voor alle vormen van gedistribueerde systemen.

Overigens zijn moderne GPU’s geen perfecte implementatie van SIMD meer, maar eerder van single instruction, multiple threads (SIMT): je voert meerdere threads uit die elk SIMD toepassen.

Tensor processing unit

Hoewel GPU’s al een hele prestatiewinst bieden ten opzichte van CPU’s voor deep learning, kunnen de prestaties nog met zeker een factor 10 verbeteren door application-specific integrated circuits (ASIC) te gebruiken. Die chips hoeven immers geen rekening te houden met de GPU-architectuur en zijn speciaal ontworpen voor berekeningen met lagere precisie. Door berekeningen bij benadering uit te voeren, in plaats van exact tot op zoveel cijfers na de komma, gaan ze veel sneller. Die precisie is immers in veel toepassingen met neurale netwerken niet nodig.

Google ontwikkelde in 2015 zijn tensor processing unit (TPU), een ASIC voor machine learning. De TPU’s zijn ontworpen om met een laag verbruik zoveel mogelijk berekeningen uit te voeren met een lage precisie (doorgaans 8 bit). Specifiek voor convolutional neural networks zijn TPU’s heel geschikt.

TPU’s in de cloud

Het bedrijf zette de TPU’s eerst in zijn eigen datacenters in, en dat blijft het ook nu nog doen. Zo verwerken TPU’s foto’s van Google Photos, tekst van Google Street View en worden de chips ook gebruikt in het zoekalgoritme RankBrain. Google Translate, Google Assistant, Gmail, al deze diensten draaien op TPU’s.

Sinds 2018 biedt Google zijn TPU’s ook aan als onderdeel van het Google Cloud Platform. De dienst heet Cloud TPU. Zo heeft de tweede generatie van de Cloud TPU een snelheid van 45 teraflops. Daarvan worden vier chips op één module geplaatst, met een totale snelheid van 180 teraflops. Google assembleert 64 van die modules tot een ‘pod’ van 256 Cloud TPU-chips met een totale snelheid van 11,5 petaflops.

©PXimport

TPU’s lokaal

In 2019 kwam Google met een nieuwe productlijn TPU’s, de Edge TPU. In tegenstelling tot de Cloud TPU’s zijn deze bedoeld voor edge computing: berekeningen op lokale apparaten. De Edge TPU is in staat om vier biljoen bewerkingen per seconde uit te voeren met een vermogensverbruik van slechts 2 W.

Google biedt zijn Edge TPU-producten aan onder de merknaam Coral. Tot de beschikbare producten behoren ontwikkelbordjes van allerlei afmetingen, M.2-insteekkaartjes en de USB Accelerator die je eenvoudig via usb op je laptop of Raspberry Pi aansluit. De Edge TPU wordt ook aan andere fabrikanten gelicentieerd. Zo biedt Asus zijn ontwikkelbordje Tinker Edge T aan, evenals een PCIe-kaart waarin 8 of 16 Edge TPU-chips zijn geïntegreerd.

De Edge TPU programmeer je met TensorFlow Lite, een lichtgewicht framework voor deep learning. Aangezien de chip alleen 8bit-bewerkingen ondersteunt, moet het neurale netwerk getraind worden zodat het hiermee rekening houdt, of je kwantiseert een netwerk tot 8 bit.

Verder zijn de bewerkingen die de Edge TPU ondersteunt ook beperkt, waardoor de chip voornamelijk nuttig is voor inference, en niet voor het trainen van netwerken. Een voorbeeld van inference is het detecteren van objecten in foto’s. De training van het neurale netwerk dat je daarvoor gebruikt, moet op een ander platform gebeuren.

©PXimport

TPU in je broekzak

In 2019 bracht Google zijn telefoon Pixel 4 uit met een Neural Core. Deze chip was een aangepaste versie van de Edge TPU en hielp met het ontgrendelen via je gezicht, een snellere Google Assistant en een slimmere camera.

In de Pixel 5 verdween de Neural Core vreemd genoeg, maar in de Pixel 6 maakte de Edge TPU een comeback, deze keer ingebouwd in een nieuwe SoC, de Google Tensor. Deze bevat zowel een CPU als een GPU, TPU en nog andere versnellerhardware.

De TPU verbetert de automatische spraakherkenning van Google Assistant en helpt ook het automatische ondertitelingssysteem Live Caption zonder de batterij snel leeg te trekken. En met het neuraal netwerk HDRnet verbetert de TPU beelden met een breed bereik aan helderheden. Door de TPU voor deze taken te gebruiken, hoeft de Pixel 6 minder vaak verbinding te leggen met de Cloud TPU’s van Google zelf. Dat komt de batterijduur ten goede.

Telefoons met AI

Google is niet de enige die gespecialiseerde AI-chips in zijn telefoons steekt. In 2018 introduceerde Samsung zijn Exynos 9820 met een neural processing unit (NPU). De AI-versnellerchip zit onder andere in de Samsung Galaxy S10.

Ook Qualcomm heeft in zijn recente Snapdragon-SoC’s een zogeheten AI Engine ingebouwd. De module die MediaTek in zijn SoC’s heeft ingebouwd, heet een artificial intelligence processing unit (APU). AI is tegenwoordig al zo ingeburgerd in telefoons dat elke serieuze SoC-fabrikant dit inbouwt.

©PXimport

Apple Neural Engine

Ook Apple heeft AI-versnellerhardware. Die dook voor het eerst op in de A11 Bionic-SoC die Apple ontwierp voor de iPhone 8, iPhone 8 Plus en iPhone X van september 2017. Apple noemt deze hardware een Neural Engine. In de A11 bestond die uit twee cores die tot 600 miljard bewerkingen per seconde konden uitvoeren. De versneller werd gebruikt voor Face ID, Animoji en andere taken waarbij intelligentie nodig is.

In de A12 (onder andere gebruikt in de iPhone XR) voerde Apple het aantal cores in de Neural Engine op naar acht, met een snelheid van 5 biljoen bewerkingen per seconde. Niet alleen was dat negen keer sneller, maar de nieuwe versie verbruikte ook tien keer minder vermogen. In de A13 (van de iPhone 11) bleef het aantal kernen op 8 steken. Het resultaat was 20% sneller (6 biljoen bewerkingen per seconde) en 15% zuiniger.

Sneller en ook voor derden

In de A14 (van de iPhone 12) werd het aantal cores van de Neural Engine verdubbeld tot 16, met een snelheid tot 11 biljoen bewerkingen per seconde. In de Apple M1, de eerste door Apple zelf ontworpen ARM-SoC voor Macs, zat zo goed als dezelfde versie van de Neural Engine. In de Apple A15 (van de iPhone 13) werd de snelheid van de 16-core Neural Engine opgevoerd tot 15,8 biljoen bewerkingen per seconde.

Oorspronkelijk was de kracht van de Neural Engine alleen beschikbaar voor apps van Apple zelf. Maar ondertussen kunnen ook third-party app-ontwikkelaars ervan gebruikmaken via het framework Core ML dat Apple aanbiedt voor machine learning. App-ontwikkelaars die zware analysetaken uitvoeren, doen er goed aan om dat via Core ML te doen. Door deze taken op de Neural Engine uit te voeren, werken ze immers energie-efficiënter en blijft de batterij van de iPhone langer meegaan.

©PXimport

Black box

Het is belangrijk om te weten dat een TPU, NPU, Neural Engine of hoe het ook heet altijd is geoptimaliseerd voor een specifiek type bewerkingen. Een neuraal netwerk bestaat altijd uit verschillende lagen en die kunnen van verschillende types zijn. Niet elke AI-versnellerchip ondersteunt alle types. Ook de ondersteunde datatypes hangen af van de hardware: alleen gehele getallen of ook kommagetallen, en 8, 16 of 32 bit?

De bijbehorende ontwikkeltools moeten je normaliter helpen om een neuraal netwerk aan te passen op de versnellerhardware. Maar de Neural Engine en Core ML van Apple zijn een black box. Apple geeft third-party ontwikkelaars geen richtlijnen over hoe ze hun modellen kunnen optimaliseren om in Core ML gebruik te maken van de Neural Engine. Er is zelfs geen documentatie over welke types lagen ondersteund worden door de Neural Engine. Matthijs Hollemans heeft door te experimenteren wel wat bevindingen over de Neural Engine kunnen publiceren.

TensorFlow-modellen 

Bij de Edge TPU ziet het plaatje er al heel wat inzichtelijker uit. Google heeft uitgebreide documentatie over de compatibiliteit van TensorFlow-modellen op de Edge TPU. Allereerst is er de beperking dat de Edge TPU alleen feed-forward neurale netwerken kan uitvoeren. Hierbij vormen de verbindingen tussen neuronen geen cyclus, maar vloeit de informatie maar in één richting. Dit in tegenstelling tot de recurrent neural networks, waarvoor CPU’s overigens nog altijd goed geschikt zijn. De tweede beperking is dat de Edge TPU alleen TensorFlow Lite-modellen met 8bit-voorstellingen van data kan uitvoeren.

Je traint een model nooit rechtstreeks met TensorFlow Lite. Je traint eerst een TensorFlow-model, dat werkt met floating-point getallen van 32 bit. Dit zet je dan met de TensorFlow Lite Converter om naar een TensorFlow Lite-model met 8bit-getallen en compileer je tot een .tflite-bestand dat je op de Edge TPU kunt uitvoeren.

©PXimport

Deels op de CPU

Zelfs als je een model voor de Edge TPU hebt gemaakt dat intern gekwantiseerd is tot 8bit-getallen, zijn de invoertensors mogelijk nog 32bit-kommagetallen. De Edge TPU-compiler heeft dan een kwantisatiebewerking in het begin van je model toegevoegd. Ook aan het einde van je model komt dan een bewerking die de 8bit-uitvoer weer omzet naar 32 bit. Beide bewerkingen worden op de CPU uitgevoerd. Dat hoeft niet zo’n probleem te zijn en levert doorgaans maar een kleine vertraging op.

Als de Edge TPU Compiler een niet-ondersteunde bewerking tegenkomt, compileert hij de bewerkingen vóór die bewerking voor de Edge TPU. Alle bewerkingen daarna worden dan op de CPU uitgevoerd. De compiler vertelt je ook hoeveel bewerkingen hij op de Edge TPU kan uitvoeren en voor hoeveel hij de CPU nodig heeft. Zelfs als maar een kleine fractie van de bewerkingen op de CPU wordt uitgevoerd, kan dat een grote impact op de prestaties hebben. Je moet er altijd naar streven om 100% van het model op de Edge TPU te kunnen draaien.

Coprocessors

Het idee van een AI-versneller, al dan niet ingebouwd in een SoC, is niet zo nieuw. Al in de jaren 1980 werden processors uitgerust met zogenoemde coprocessors om specifieke taken sneller uit te voeren. Zo hadden Intels eerste x86-CPU’s bijbehorende x87-FPU’s (floating-point units): de 8086 kreeg hulp van de 8087 voor berekeningen met kommagetallen, de 80286 van de 80287 en de 80386 van de 80387. De 80486 was de eerste in de reeks met een ingebouwde FPU.

©PXimport

Als je alles uit je staafmixer wilt halen, moet je wel weten hoe je ermee om moet gaan. Met deze tips krijg je niet alleen de beste (lees: lekkerste) resultaten, maar gaat je staafmixer ook langer mee. Win-win! 

Lees ook: Dit kun je allemaal (nog meer) met een staafmixer

Tip 1: Ingrediënten voorsnijden

Hoewel staafmixers erg krachtig kunnen zijn, hebben ze ook relatief kleine mesjes. In tegenstelling tot bijvoorbeeld een blender kan het voor een staafmixer daarom lastig zijn om grote stukken goed en gelijkmatig te verpulveren. Je kunt je staafmixer dus een handje helpen door je ingrediënten van tevoren in kleinere stukken te snijden. Hiermee verklein je de kans op klonten of stukjes in je soep of saus én raken de messen minder snel overbelast. 

Tip 2: Let op het vermogen

Het is altijd belangrijk om rekening te houden met het vermogen van je staafmixer, want dat bepaalt welke ingrediënten het apparaat kan pureren. Het pureren van harde ingrediënten zoals noten of ongekookte groenten met een staafmixer met een laag vermogen gaat hoogstwaarschijnlijk niet lukken. Of het lukt wel, maar met een overbelaste motor tot gevolg. Voor harde ingrediënten is vaak een vermogen van minstens 600 watt nodig. Wil je vaak en veel gaan pureren, kies dan voor een vermogen van minstens 1000 watt. Maar let ook op het toerental, oftewel het aantal rotaties per minuut (RPM). Een staafmixer kan namelijk een laag vermogen hebben, maar wél een toerental van minstens 10.000 RPM. Dan is hij alsnog krachtig genoeg om harde ingrediënten te pureren. 

©Khaletski Siarhei | goffkein.pro

Tip 3: Niet te lang pureren

Lang achter elkaar pureren is funest voor de messen en de motor van een staafmixer. Beter is om in pulsen te pureren, waarbij je de motor tussen het pureren door steeds een paar seconden laat rusten. Vooral bij dikkere mengsels, zoals notenpasta, smoothies en dikke soepen, is dit belangrijk. Het is afhankelijk van het vermogen van een staafmixer hoe lang hij achter elkaar kan pureren. Vaak staat dit aangegeven bij de specificaties. Heb je geen idee? Pureer zachte ingrediënten dan niet langer dan 1,5 minuut en harde ingrediënten niet langer dan 45 seconden. Maakt je staafmixer een raar geluid of wordt hij erg warm, stop dan meteen met pureren. Dit zijn signalen dat het apparaat overbelast is. 

Tip 4: De juiste snelheid

De meeste staafmixers hebben meerdere snelheidsstanden en dat is niet zonder reden. Zo heb je voor het fijn pureren van dikkere mengsels en harde ingrediënten vaak een hogere snelheid nodig dan voor lichte bereidingen. En de turbostand kan handig zijn om harde ingrediënten kort maar krachtig te verpulveren of om een extra gladde soep te maken. Soms wil je een combi van snelheden gebruiken. Je begint bijvoorbeeld met een lage snelheid om spatten in de keuken te voorkomen en bouwt vervolgens geleidelijk op naar een hogere snelheid voor een glad resultaat. 

Tip 5: Ronddraaiende beweging

Beweeg je je staafmixer tijdens het pureren altijd gewoon op en neer? Op zich niks mis mee, want pureren doet het apparaat toch wel. Maar wil je zeker weten dat je geen plekken overslaat, maak dan tijdens het op en neer gaan óók een cirkelvormige beweging. Want op een mayonaise met klontjes zit natuurlijk niemand te wachten. 

©VI Studio

Tip 6: Schoonmaken

Een staafmixer neemt je veel werk uit handen, maar daar moet je wel iets voor terugdoen. Een staafmixer die niet goed schoongemaakt wordt, zal sneller vastlopen door aangekoekte etensresten. De motor moet dan tijdens het pureren harder werken en zal waarschijnlijk sneller overbelast raken. Daarnaast is een vieze staafmixer natuurlijk niet zo hygiënisch. Wil je geen bacteriën en nare geurtjes in je verse soep, maak je staafmixer dan na elk gebruik goed schoon. Dat kost je nauwelijks moeite: laat het apparaat even draaien in een maatbeker met warm water en wat afwasmiddel of doe hem, als dat kan, in de vaatwasser.

Tijdens het persevent van Sony op het Europese hoofdkwartier in Weybrigde in het Verenigd Koninkrijk werden de nieuwe soundbars en tv's van 2025 aangekondigd. Het bedrijf zegt het misschien niet met zoveel woorden, maar de boodschap is duidelijk: minder frequente updates van alle modellen, en miniled blijft de technologie voor het topmodel.

 De 2023 A95L qd-oled-tv heeft twee jaar in het aanbod gestaan, ondanks het feit dat er vorig jaar wel degelijk een nieuw paneel beschikbaar was. In 2025 krijgt het model wel een update. De Bravia 8 II - te lezen als Bravia 8 Mark 2 - zal uitgerust zijn met het nieuwste (3e generatie) qd-oled-paneel van Samsung Display. Sony claimt dat dit paneel een 25% hogere piekhelderheid zal leveren ten opzichte van de A95L. Als we kijken naar wat Samsung Display (de panelfabrikant) claimde op CES, dan kan dit paneel tot 4.000 nits piekhelderheid leveren. We vermoeden dat Sony daar onder zal blijven, het merk is over het algemeen wat voorzichtiger en pusht zijn oled-panelen niet tot het uiterste op het gebied van piekhelderheid. Opmerkelijk genoeg vermeldde Sony expliciet dat de Bravia 8 II goedkoper zal zijn dan de A95L, maar concrete prijzen zijn er nog niet. De Bravia 8 II zal beschikbaar zijn in 55 en 65 inch.

©Eric Beeckmans | ID.nl

De Bravia 5 en Bravia 3

Verder naar onder in de line-up worden de Bravia 5 en Bravia 3 aangekondigd, ze vervangen respectievelijk de X90L en de X75WL. De Bravia 5 wordt uitgerust met de XR-processor (ook te vinden op de hogere modellen) en een XR Backlight Master Drive, een miniled-achtergrondverlichting die zes keer meer zones zal gebruiken dan de X90L. Hij zal beschikbaar zijn in 55, 65, 75,85, en 98 inch. De Bravia 3 is een instap 4K-model met direct led-achtergrondverlichting en de X1-processor. Dit model zal beschikbaar zijn in 43, 50, 55, 65, 75, en 85 inch. Beide modellen ondersteunen Dolby Vision en Dolby Atmos.

Demo's van nieuwe modellen

Sony toonde een aantal demonstraties van de nieuwe modellen, in vergelijking met een aantal concurrenten (dat waren uiteraard 2024-modellen). De Bravia 8 II stond opgesteld naast de voorganger de A95L, een Sony referentie studiomonitor, en een LG G4 en Samsung S95D. Zowel in Vivid Mode als de Filmmaker Mode (of vergelijkbaar want Sony gebruikt geen Filmmaker Mode) liet de Bravia 8 II een sterke indruk na. Zijn beelden leunen erg dicht tegen de studioreferentie aan. Kleuren in zeer heldere accenten zijn beter, en donkere gradaties worden nauwkeuriger weergegeven.

De Bravia 5 stond opgesteld naast een X85L (wat overigens een ietwat vreemde vergelijking is, want het toestel vervangt de X90L) en een Samsung QN85D. De XR Backlight Master Drive geeft de Sony flink wat extra helderheid en een duidelijke verbetering in contrast. Sony toonde ook een nieuwe techniek voor ruisonderdrukking bij oude bronnen (SD-content zoals Friends). Dat presteerde in sommige gevallen goed, maar liet in andere gevallen meer ruis zien. Mogelijk verfijnt Sony dit nog voordat het model op de markt komt. Het feit dat de testen in Vivid beeldmode gedaan werden, maakt de vergelijking ook moeilijk, vermits fabrikanten daar vaak veel vrijheid nemen.

Audioverwerking, beeldverwerking en Studio Calibrated

Op het gebied van beeldverwerking liet Sony dit keer geen belangrijke nieuwigheden zien. Ons oordeel over het nieuwe ruisonderdrukkingsalgoritme dat tijdens de Bravia 5 demo getoond werd, laten we nog even achterwege totdat we het zelf kunnen testen. De Bravia 3 heeft een nieuw algoritme voor beeldkwaliteit, maar dat werd alleen in Vivid-mode getoond en dat is een test waaruit weinig op te maken valt.  

©Eric Beeckmans | ID.nl

Sony benadrukte verder nog de aanwezigheid van Voice Zoom 3 op de Bravia 8 II en Bravia 5. Daarmee kan de processor nauwkeurig stem of dialogen isoleren van de rest van de audio. Zo kun je die selectief versterken (voor film kijken ’s avonds) of verzwakken (om de commentator bij sport wat stiller te maken).

De tagline van Sony, ‘Cinema is coming home', wil de fabrikant garanderen met een aantal Studio Calibrated beeldmodes: Netflix Adaptive Calibrated Mode, Prime Video Calibrated Mode en Sony Pictures Core Calibrated Mode. Die modi zijn specifiek in samenwerking met de respectievelijke streamingdienst opgezet. Voor alle andere content is er de ‘Professional’-beeldmode.

Tweejaarlijkse cyclus en miniled als toptechnologie

Net als vorig jaar heeft Sony alleen een deel van line-up vernieuwd. Dat is een aanpak die we toejuichen, want het maakt de verbeteringen die een nieuw model krijgt veel duidelijker. Sony kan daar eventueel nog wel van afwijken, bijvoorbeeld als een model het slecht doet in de markt. Maar we hopen dat dit voorbeeld navolging krijgt.

De 2024 Bravia 9 - een miniled-model - geldt nog steeds als het topmodel, ondanks de vernieuwde Bravia 8 II QD-OLED. Sterker nog, Sony kondigde voor volgend jaar een RGB-miniled technologie aan die duidelijk voorbestemd is om het nieuwe topmodel te worden.

Wat is een rgb-miniled achtergrondverlichting?

De achtergrondverlichting is het onderdeel van een lcd-tv dat licht produceert. Dat kunnen witte leds zijn, maar een moderne premium lcd-tv gebruikt doorgaans talloze minileds die blauw licht produceren, dat via een quantum dot-folie wordt omgezet naar wit licht. De leds worden onderverdeeld in zones die de processor individueel kan aansturen om het contrast te verbeteren. In donkere zones dimt hij het licht, in heldere zones kan hij de leds sterker aansturen. Om kleur te produceren wordt elke pixel met behulp van een kleurfilter opgedeeld in een rode, groene en blauwe subpixel.

©Sony

RGB-miniled technologie vervangt dit systeem door trio's van rode, groene en blauwe minileds te gebruiken die samen wit licht creëren, waardoor de quantum dot-laag overbodig wordt. Omdat er nog steeds veel minder leds dan pixels zijn, blijft het kleurenfilter nodig om per pixel de juiste kleuren te creëren. Net zoals bij een huidige miniled-tv worden de leds onderverdeeld in zones om het contrast te verbeteren.

©Sony

Maar deze technologie kan nog een stapje verder gaan. Als de processor detecteert dat er in een bepaalde zone enkel groen licht nodig, dan kan hij de rode en blauwe leds uitschakelen. Dat is alvast veel efficiënter dan het overbodige licht weg te filteren.

Wachten tot 2026 voor nog rijkere, helderdere kleuren

Sony claimt dat dit soort achtergrondverlichting een piekhelderheid van 4.000 nits en kleurbereik van 99 % P3 kan bereiken en 90% Rec.2020. Dat is een flinke upgrade ten opzichte van de beste tv’s die momenteel wel 4000 nits halen, maar eerder 95% P3 en 75% Rec.2020 leveren. Concreet kan een rgb-miniled veel helderdere kleuren tonen, die toch erg intens zijn.

©Sony

Daarnaast zijn ook meer nauwkeurige kleurgradaties mogelijk, en dat zowel in heel donkere als heel heldere tinten. Een aangezien meer en meer filmmakers vaak erg donkere scènes gebruiken, zou dat een welkome verbetering zijn. De technologie heeft nog twee extra voordelen. Ze is schaalbaar naar grote tv-maten. En een rgb-miniled tv zou ook een betere kijkhoek hebben, al liet Sony niet weten hoe dat gerealiseerd wordt. Sony zal een eerste model vermoedelijk in 2026 lanceren.

Ook bij audio een beperkt aantal nieuwe modellen

Net als bij de televisies worden ook de audioproducten niet meer elk jaar vernieuwd zo blijkt. Vorig jaar kreeg de top van het aanbod een make-over, dit jaar is de onderste helft aan de beurt. De Bravia Theatre Bar 6 is een 3.1.2 soundbar met subwoofer. De Bravia Theatre System 6 is een 5.1 soundbar met bijgeleverde surroundluidsprekers en subwoofer. Beide ondersteunen Dolby Atmos, DTS:X, Voice Zoom 3. We kregen een korte demo van de vernieuwde Bravia Bar 6, die een duidelijk vollere en stevigere klank produceerde dan de voorganger.

©Eric Beeckmans | ID.nl

Daarnaast zijn er ook twee optionele accessoires. De Bravia Theatre Rear 8 bestaat uit één paar draadloze surroundluidsprekers die je kunt gebruiken om de Bar 6 uit te breiden. De Bravia Theatre Sub 7 is een compacte draadloze subwoofer van 100W.

Bekijk andere Sony-tv's op Kieskeurig.nl: