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

Nog niet zo heel lang geleden was een elektrische deken vooral iets voor omaatjes. Maar sinds de gasprijzen eind 2021 enorm opliepen, hebben we allemaal de warmtekussen en -dekens omarmd. Welk deel van je lichaam je ook wilt verwarmen: het aanbod is enorm. Tijd voor een uitgebreide test dus. Zaten we er warmpjes bij?

Het van oorsprong Duitse bedrijf Beurer richt zich vooral op producten die te maken hebben met beauty, medical en wellbeing. Dat loopt van haardrogers tot weegschalen en bloeddrukmeters. Maar van oorsprong – en we hebben het dan over 1919(!) – hield Beurer zich bezig met de productie van warmtekussens. Het is dan ook niet vreemd dat het bedrijf een aanzienlijk aantal warmteproducten in het assortiment heeft. Voor deze test probeerden we vier producten uit: een verzwaarde warmtemat (HK 145), een oplaadbaar warmtekussen (Heaty HK 77), een voetenwarmer met massagefunctie (FWM 45) en tot slot een elektrische bovendeken (HD 82 Stockholm). 

Voor gerichte warmte: HK 145 Cosy Weight Green Planet

We beginnen met de HK 145. Hoewel de HK 145 Cosy Weight door Beurer zelf als verwarmingskussen wordt aangeduid, zouden wij het toch eerder een warmtemat noemen. Dat komt door de langwerpige vorm (60x30 centimeter) en de geringe dikte (iets minder dan 9 centimeter). Heel geschikt dus om op specifieke delen van je lichaam te leggen – denk aan een stijve schouder of pijnlijke knieën. Ook als je bijvoorbeeld menstruatiekrampen hebt, kan de HK 145 helpen.

Bij het uit de doos halen viel meteen het gewicht van de mat op: ongeveer anderhalve kilo. Door de vulling van glaskralen is hij een stuk zwaarder dan traditionele warmtekussens. Wie wel eens onder een verzwaringsdeken heeft geslapen, weet hoe rustgevend dat werkt. Bovendien zorgen de kralen ervoor dat de warmte langer wordt afgegeven. Fijn is dat de mat gemaakt is van superzachte materiaal (100% gerecycled – de HK 145 maakt deel uit van de duurzame Green Planet-lijn).

©AK | ID.nl

De werking is heel simpel: stekker in het stopcontact en de gewenste stand kiezen. In totaal zijn er zes warmtestanden. Omdat wij enorme koukleumen zijn, vonden we de hoogste stand het lekkerst, maar dat is een persoonlijk iets. We hebben het kussen eerst uitgeprobeerd op onze de buik. Dat voelde door het verzwarende effect vooral heel ontspannend. Daarna was onze schouder aan de beurt (de combinatie een zekere leeftijd + 40 uur per week achter de laptop zitten is daar niet al te best voor). De warmte werkte snel en gericht: na een minuut of vijftien voelde de schouder duidelijk soepeler. Langer doorgaan was minder prettig, vooral door het gewicht en de harde rand van de mat, die in onze nek begon te drukken.

Om mee te knuffelen: HK 77 Heaty warmtekussen

Zeg je cosy warmte, dan zeg je al snel: warmtekussen. Maar dan wel eentje die in je interieur past. Dat hebben ze bij Beurer goed begrepen: het HK 77 Heaty kussen is verkrijgbaar met een corduroy hoes (in crème, oudroze, blauwgroen) of een velvet hoes (in taupe, roze. blauw). De hoes is wasbaar.

Net als bij de andere producten in deze test wordt ook de Heaty (wij probeerden de velvetblauwe versie) geleverd met een handleiding met een duidelijke schematische tekening waarop alle onderdelen en functies staan uitgelegd. Het enige wat we in de handleiding niet helemaal duidelijk vonden, was of je de accu kunt opladen terwijl hij nog in het zakje van het binnenkussen zat, of dat je hem eerst moet verwijderen. Voor de veiligheid hebben wij hem eruit gehaald. Het opladen zelf wijst zich vanzelf. Drie witte ledjes op het bedieningspaneel (het bruine label aan de buitenzijde) geven de voortgang van het opladen aan. Is de accu helemaal opgeladen, dan regel je via de drukknop op het paneel de hoogte van de warmte. Als het kussen aan staat, zie je zowel de ingestelde temperatuur-indicator als de ledjes van het batterijniveau.

©AK | ID.nl

Om met die warmte te beginnen: we kunnen niet anders concluderen dan dat het ultiem comfort is, snuggelen met een warm kussen. Wij als koukleumen opteerden natuurlijk voor de hoogste stand, maar ook na terugschakelen naar een lagere stand gaf het kussen nog steeds behaaglijke warmte af.

Wel vonden we dat de accu redelijk snel leegliep.Na ongeveer een uur op de hoogste warmtestand waren al twee van de drie witte ledlampjes uit. Volgens Beurer heeft de accu een maximale gebruiksduur van vier uur, maar dat geldt alleen voor de laagste stand. Op de hoogste stand haal je dus waarschijnlijk nét het einde van een romantische kerstfilm niet.

Warmte en ontspanning voor je voeten: FWM 45 voetenwarmer

Wie vaak koude voeten heeft, heeft niets aan een warmtekussen. Speciaal voor die mensen is er de FWM 45: een voetenwarmer met een teddyvoering, die twee verschillende warmtestanden heeft én twee verschillende massagestanden. Je kunt zowel de warmte als de massage afzonderlijk of tegelijkertijd gebruiken. Variatie genoeg dus.

Op een thuiswerkdag waarop het buiten behoorlijk koud was hebben wij de voetenzak onder het bureau gezet. Stekker in het stopcontact, even laten opwarmen en voeten erin. Aanvankelijk hielden we daarbij onze sokken aan. Dat voelde oké, maar echt warm: nee. Met blote voeten ging dat wat beter, hoewel het van ons nog wel wat warmer had gemogen. Jammer is dat de warmte alleen van een verwarmingselement aan de onderkant komt en dat de bovenkant niet elastisch sluit, waardoor er een opening blijft waardoor koude lucht naar binnen glipt. Kleine tip: vouw de teddyvoering uit in plaats van die over de zak te laten hangen, zodat je onderbenen beter bedekt zijn. Doen, wat ons betreft.

©AK | ID.nl

Bijzonder aan deze voetenwarmer (geschikt voor voeten tot en met maat 47) is dat er een massagefunctie op zit. Je kunt daarbij kiezen uit twee standen: rustgevend en verkwikkend. De rustgevende modus (stand 1) doet precies wat hij belooft. Je voelt de trilling in je voeten en kuiten. Het is niet hinderlijk en vooral ontspannend. We kunnen ons voorstellen dat dit een prettige stand is bij het tv-kijken na een dag hard werken. Tv-kijken terwijl de verkwikkende modus (stand 2) aan staat, zouden we zelf niet zo snel doen. Het masseren gaat in deze stand namelijk een stuk harder (en maakt ook wat meer geluid). Voelt het vervelend? Nee, dat niet. Maar het voelt ook niet heel lekker – je bent je vooral heel de tijd bewust van het getril onder je voeten. Wij vonden het lastig om ons tijdens deze stand te focussen op ons werk.

Om nooit meer onderuit te kruipen: HD 82 Stockholm warmtedeken

Reviewen is soms hard werken, maar soms is het een feestje. Het uitproberen van de HD 82 warmtedeken was zo'n feestje. Dankzij zijn afmetingen (130x180 centimeter) kun je er helemaal in wegkruipen. Op de handig verlichte bedieningseenheid kun je kiezen uit zes warmtestanden, waarbij koukleumen zoals wij ook bij een lagere stand dan de hoogste nog heerlijk warm blijven.

©AK | ID.nl

De deken is heel zacht (fleece) en ziet er luxueus uit. Geen deken die je na gebruik opbergt omdat hij lelijk staat in je interieur, maar echt een deken om standaard op de bank te hebben liggen. Een fijn idee daarbij is dat er een veiligheidssysteem is ingebouwd: bij een storing schakelt de deken automatisch uit. Ook wanneer hij drie uur heeft aangestaan, schakelt hij automatisch uit. Dat voorkomt dat je hem zelf vergeet uit te zetten. Scheelt weer op je energierekening! Niet veel, want een gemiddelde warmtedeken verbruikt ongeveer 100 watt per uur. Na drie uur is dat dus ongeveer 0,3 kWh. Bij een gemiddelde elektriciteitsprijs van 0,28 euro per kWh (niveau november 2025; bron: ANWB) kom je uit op net iets meer dan 9 cent. Dat is veel goedkoper dan drie uur de kachel aan… 

FRITZ! heeft de Mesh Set 1700 uitgebracht, een nieuwe wifi 7-oplossing die je gewoon in het stopcontact prikt. De compacte set bestaat uit kleine repeaters die samen één groot draadloos netwerk vormen, bedoeld om in elke hoek van het huis snel en stabiel internet te bieden.

De set draait om de vernieuwde FRITZ!Repeater 1200 AX, nu uitgerust met wifi 7 en goed voor snelheden tot 3.600 Mbit/s op de 2,4- en 5GHz-banden – een toename van ongeveer 600 Mbit/s ten opzichte van het vorige model. Dankzij multigigabit-wifi kunnen meer apparaten tegelijk verbonden zijn zonder dat de snelheid merkbaar daalt. De nieuwe wifi 7-functie Multi-Link Operation maakt het mogelijk om data gelijktijdig via beide frequentiebanden te versturen, wat de stabiliteit verder verbetert. Voor vaste apparaten is er bovendien een gigabitpoort aanwezig.

Omdat de repeaters direct in het stopcontact worden gestoken, nemen ze nauwelijks ruimte in en zijn ze eenvoudig te installeren. Gebruikers kunnen kiezen voor een set met twee of drie repeaters, afhankelijk van de grootte van de woning. De FRITZ!Mesh Set 1700 werkt het best samen met een FRITZ!Box, maar kan ook worden gekoppeld aan routers van andere merken. In dat geval fungeert de eerste repeater als centrale wifi-regelaar.

Goed om te weten: alle FRITZ!Box-routers en repeaters worden in Europa geproduceerd, krijgen vijf jaar garantie krijgen en ontvangen gratis beveiligings- en functie-updates.

Beschikbaarheid

De FRITZ!Mesh Set 1700 is per direct verkrijgbaar als set van twee of drie repeaters. De afzonderlijke repeater is ook los te koop onder de naam FRITZ!Repeater 1700.