作者：Marc Dupaquier，意法半導體人工智能解決方案 總經(jīng)理

隨著人工智能的不斷發(fā)展，其爭議性也越來越大；而在企業(yè)和消費者的眼中，人工智能價值顯著。如同許多新興科技一樣，目前人工智能的應用主要聚焦于大規(guī)模、基礎(chǔ)設(shè)施密集且高功耗的領(lǐng)域。然而，隨著人工智能應用的高速發(fā)展，大型數(shù)據(jù)中心給電網(wǎng)帶來的壓力日益增大，高度密集型應用的可持續(xù)性和經(jīng)濟性也在大幅下降。

因此，市場對更靈活、以產(chǎn)品為導向的人工智能解決方案的需求不斷飆升，如何將數(shù)據(jù)處理功能移到微型邊緣設(shè)備附近或內(nèi)部的邊緣人工智能正成為新趨勢。換句話說，邊緣人工智能就是在本地設(shè)備上執(zhí)行基本的推理任務，無需把原始數(shù)據(jù)發(fā)送到數(shù)據(jù)中心和云計算服務器。目前，工業(yè)和消費應用的安全性得到了顯著改善，同時邊緣人工智能還提升了設(shè)備的性能和能效，而成本僅為云端人工智能的幾分之一。

但是，如同任何新機遇一樣，邊緣人工智能也帶來了新的挑戰(zhàn)?，F(xiàn)在，為了充分發(fā)揮邊緣人工智能的潛力，產(chǎn)品開發(fā)人員必須考慮如何構(gòu)建正確的基礎(chǔ)設(shè)施，并積累所需的專業(yè)知識。

在本地設(shè)備上推理的重要性

人工智能大體上分為機器學習和神經(jīng)網(wǎng)絡計算兩大領(lǐng)域，機器學習是系統(tǒng)從數(shù)據(jù)中學習的過程，神經(jīng)網(wǎng)絡是模擬人腦思維的特定神經(jīng)網(wǎng)絡模型。這兩種人工智能技術(shù)都是補充性計算機編程方法，通過向計算機輸入相關(guān)數(shù)據(jù)，訓練機器執(zhí)行一項任務，確保輸出結(jié)果準確可靠。這些計算任務通常規(guī)模很大，需要建設(shè)大型數(shù)據(jù)中心才能保證人工智能正常運行。

至于較小的工業(yè)設(shè)備和消費類產(chǎn)品，無論是智能烤箱，工業(yè)機器人，還是在云端進行數(shù)據(jù)分析和人工智能推理等，從經(jīng)濟或環(huán)保的角度來看都缺乏可行性。

相反，邊緣人工智能讓我們看到了本地推理、縮短延遲和降低傳輸負載的機會。在開發(fā)新的人工智能應用時，可以大幅提高成本和能效。我們已經(jīng)注意到，邊緣人工智能有助于提升智能建筑、資產(chǎn)跟蹤和工業(yè)應用的生產(chǎn)效率。例如，通過邊緣人工智能硬件可以加快工業(yè)傳感器的處理速度，更快地發(fā)現(xiàn)故障，并實現(xiàn)預測性維護，提前發(fā)現(xiàn)設(shè)備工況變化。

此外，下一代邊緣智能硬件將從一開始就會引入特定的適配技術(shù)，讓人工智能子系統(tǒng)成為安全架構(gòu)的一部分，在系統(tǒng)內(nèi)部嵌入邊緣人工智能將引起廣泛關(guān)注。

在產(chǎn)品內(nèi)嵌入智能

嵌入式系統(tǒng)的下一個發(fā)展階段是在設(shè)備架構(gòu)內(nèi)引入邊緣人工智能技術(shù)，這些設(shè)備從此叫做“微型邊緣”，即直接在網(wǎng)絡邊緣上處理人工智能模型和機器學習算法的資源有限的微型設(shè)備，包括微控制器、低功耗處理器和嵌入式傳感器，能夠?qū)崟r處理數(shù)據(jù)，并且功耗很小，延遲很低。

現(xiàn)在，在衛(wèi)星邊緣設(shè)備上出現(xiàn)一種新型軟硬件，為在這些設(shè)備上執(zhí)行人工智能運算提供了可能。通過從設(shè)計一開始就將這種處理能力嵌入到設(shè)備架構(gòu)內(nèi)，我們正在將“信號”轉(zhuǎn)化成“數(shù)據(jù)”，而不再需要浪費資源轉(zhuǎn)換信號。例如，微型邊緣傳感器可以收集周邊環(huán)境數(shù)據(jù)，利用片內(nèi)引擎輸出處理結(jié)果。在太陽能發(fā)電廠情景中，太陽能電池板內(nèi)的傳感器可以檢測電源管理系統(tǒng)附近的電弧故障。當出現(xiàn)極端電壓時，傳感器就可以自動觸發(fā)關(guān)機故障保護，避免電氣火災發(fā)生。

根據(jù)ABI Research的市場分析，隨著電弧故障檢測、電池管理或設(shè)備內(nèi)置人臉或物體識別等應用成為這一領(lǐng)域的增長點，讓微小邊緣能夠執(zhí)行人工智能的微控制器將實現(xiàn)高于100%的復合年增長率。要想釋放這一巨大增長潛力，需要下更大的功夫來縮小云端人工智能與邊緣設(shè)備之間的處理能力差距。

就像任何新技術(shù)一樣，只要有需求，就有滿足需求的辦法。

我們已經(jīng)看到了針對這一挑戰(zhàn)的有意義的研發(fā)成果，微型人工智能開始嵌入到各種不同類型的系統(tǒng)中，在某些情況下，消費者已經(jīng)將這項技術(shù)視為理所當然，在與設(shè)備語音交互時，他們根本就沒想過“他們正在用人工智能”。

構(gòu)建邊緣人工智能基礎(chǔ)設(shè)施

為了利用這一新興機會，產(chǎn)品開發(fā)人員必須首先考慮邊緣設(shè)備輸入數(shù)據(jù)的質(zhì)量和類型，因為這兩個因素決定了處理水平以及所需的軟硬件，這是普通邊緣人工智能與微型人工智能的主要區(qū)別，前者運行在算力更強的硬件上，能夠處理復雜的算法和數(shù)據(jù)集，而后者主要用于運行輕量級神經(jīng)網(wǎng)絡模型，執(zhí)行基本的推理任務。

例如，音頻和視覺信息，尤其是視覺信息，極其復雜，分析視覺數(shù)據(jù)需要深度神經(jīng)架構(gòu)。另一方面，處理長期記錄的振動數(shù)據(jù)或電流測量數(shù)據(jù)對神經(jīng)網(wǎng)絡模型要求較低，因此，開發(fā)人員可以在資源受限或超低功耗的低延遲設(shè)備上利用微型人工智能算法分析這類數(shù)據(jù)。

在產(chǎn)品開發(fā)階段，產(chǎn)品選型也非常重要，必須根據(jù)算力具體要求選擇所需的設(shè)備和微控制器。在許多情況下，少即是多，運行更輕、更微型的人工智能模型可以提高設(shè)備的能效和電池續(xù)航時間。話雖如此，無論是處理文本還是視聽信息，開發(fā)人員仍然必須進行預處理，將大量樣本數(shù)據(jù)輸入學習算法，以便訓練人工智能模型。

未來前景

嵌入式人工智能微型邊緣設(shè)備發(fā)展仍處于起步階段，這意味著企業(yè)有機會探索實驗，發(fā)揮創(chuàng)造力，確定成功要素。我們正處于一個巨大浪潮的開端，這將全面加快人類生活數(shù)字化進程。

從智慧城市傳感器等智能公共基礎(chǔ)設(shè)施，到遠程患者監(jiān)護醫(yī)療系統(tǒng)的非創(chuàng)傷式可穿戴設(shè)備，微型人工智能具有廣闊的應用前景，讓用戶能夠改善生活方式，簡化日常工作生活管理，甚至沒有意識到人工智能的存在。

需求是存在的，因為邊緣人工智能和微型人工智能已經(jīng)改變了產(chǎn)品開發(fā)模式，重新定義了什么才算是偉大的技術(shù)，實現(xiàn)了更加個性化的預測、安全性和情境感知功能。在今后幾年，這種類型的人工智能將成為大多數(shù)日用產(chǎn)品的關(guān)鍵，如果沒有人工智能，開發(fā)人員很快就會發(fā)現(xiàn)自己的創(chuàng)新已經(jīng)過時。

人工智能是一項重大進步，但并非沒有挑戰(zhàn)。只有建立更大的生態(tài)圈，提供豐富的開發(fā)工具和軟件資源，才能克服這些挑戰(zhàn)。這只是時間問題。微型邊緣人工智能是人類社會解鎖更大的數(shù)據(jù)和環(huán)境控制權(quán)以及數(shù)據(jù)的實用價值的關(guān)鍵，最終實現(xiàn)更智能的AI驅(qū)動的未來。