【導讀】隨著(zhù)人工智能的不斷發(fā)展，其爭議性也越來(lái)越大；而在企業(yè)和消費者的眼中，人工智能價(jià)值顯著(zhù)。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模、基礎設施密集且高功耗的領(lǐng)域。然而，隨著(zhù)人工智能應用的高速發(fā)展，大型數據中心給電網(wǎng)帶來(lái)的壓力日益增大，高度密集型應用的可持續性和經(jīng)濟性也在大幅下降。
隨著(zhù)人工智能的不斷發(fā)展，其爭議性也越來(lái)越大；而在企業(yè)和消費者的眼中，人工智能價(jià)值顯著(zhù)。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模、基礎設施密集且高功耗的領(lǐng)域。然而，隨著(zhù)人工智能應用的高速發(fā)展，大型數據中心給電網(wǎng)帶來(lái)的壓力日益增大，高度密集型應用的可持續性和經(jīng)濟性也在大幅下降。
因此，市場(chǎng)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，如何將數據處理功能移到微型邊緣設備附近或內部的邊緣人工智能正成為新趨勢。換句話(huà)說(shuō)，邊緣人工智能就是在本地設備上執行基本的推理任務(wù)，無(wú)需把原始數據發(fā)送到數據中心和云計算服務(wù)器。目前，工業(yè)和消費應用的安全性得到了顯著(zhù)改善，同時(shí)邊緣人工智能還提升了設備的性能和能效，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(lái)了新的挑戰?，F在，為了充分發(fā)揮邊緣人工智能的潛力，產(chǎn)品開(kāi)發(fā)人員必須考慮如何構建正確的基礎設施，并積累所需的專(zhuān)業(yè)知識。
在本地設備上推理的重要性
人工智能大體上分為機器學(xué)習和神經(jīng)網(wǎng)絡(luò )計算兩大領(lǐng)域，機器學(xué)習是系統從數據中學(xué)習的過(guò)程，神經(jīng)網(wǎng)絡(luò )是模擬人腦思維的特定神經(jīng)網(wǎng)絡(luò )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(guò)向計算機輸入相關(guān)數據，訓練機器執行一項任務(wù)，確保輸出結果準確可靠。這些計算任務(wù)通常規模很大，需要建設大型數據中心才能保證人工智能正常運行。
至于較小的工業(yè)設備和消費類(lèi)產(chǎn)品，無(wú)論是智能烤箱，工業(yè)機器人，還是在云端進(jìn)行數據分析和人工智能推理等，從經(jīng)濟或環(huán)保的角度來(lái)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(huì )。在開(kāi)發(fā)新的人工智能應用時(shí)，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(guò)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)現故障，并實(shí)現預測性維護，提前發(fā)現設備工況變化。
此外，下一代邊緣智能硬件將從一開(kāi)始就會(huì )引入特定的適配技術(shù)，讓人工智能子系統成為安全架構的一部分，在系統內部嵌入邊緣人工智能將引起廣泛關(guān)注。
在產(chǎn)品內嵌入智能
嵌入式系統的下一個(gè)發(fā)展階段是在設備架構內引入邊緣人工智能技術(shù)，這些設備從此叫做“微型邊緣”，即直接在網(wǎng)絡(luò )邊緣上處理人工智能模型和機器學(xué)習算法的資源有限的微型設備，包括微控制器、低功耗處理器和嵌入式傳感器，能夠實(shí)時(shí)處理數據，并且功耗很小，延遲很低。
現在，在衛星邊緣設備上出現一種新型軟硬件，為在這些設備上執行人工智能運算提供了可能。通過(guò)從設計一開(kāi)始就將這種處理能力嵌入到設備架構內，我們正在將“信號”轉化成“數據”，而不再需要浪費資源轉換信號。例如，微型邊緣傳感器可以收集周邊環(huán)境數據，利用片內引擎輸出處理結果。在太陽(yáng)能發(fā)電廠(chǎng)情景中，太陽(yáng)能電池板內的傳感器可以檢測電源管理系統附近的電弧故障。當出現極端電壓時(shí)，傳感器就可以自動(dòng)觸發(fā)關(guān)機故障保護，避免電氣火災發(fā)生。
根據 ABI Research的市場(chǎng)分析，隨著(zhù)電弧故障檢測、電池管理或設備內置人臉或物體識別等應用成為這一領(lǐng)域的增長(cháng)點(diǎn)，讓微小邊緣能夠執行人工智能的微控制器將實(shí)現高于100% 的復合年增長(cháng)率。要想釋放這一巨大增長(cháng)潛力，需要下更大的功夫來(lái)縮小云端人工智能與邊緣設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(mǎn)足需求的辦法。
我們已經(jīng)看到了針對這一挑戰的有意義的研發(fā)成果，微型人工智能開(kāi)始嵌入到各種不同類(lèi)型的系統中，在某些情況下，消費者已經(jīng)將這項技術(shù)視為理所當然，在與設備語(yǔ)音交互時(shí)，他們根本就沒(méi)想過(guò)“他們正在用人工智能”。
構建邊緣人工智能基礎設施
為了利用這一新興機會(huì )，產(chǎn)品開(kāi)發(fā)人員必須首先考慮邊緣設備輸入數據的質(zhì)量和類(lèi)型，因為這兩個(gè)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據集，而后者主要用于運行輕量級神經(jīng)網(wǎng)絡(luò )模型，執行基本的推理任務(wù)。
例如，音頻和視覺(jué)信息，尤其是視覺(jué)信息，極其復雜，分析視覺(jué)數據需要深度神經(jīng)架構。另一方面，處理長(cháng)期記錄的振動(dòng)數據或電流測量數據對神經(jīng)網(wǎng)絡(luò )模型要求較低，因此，開(kāi)發(fā)人員可以在資源受限或超低功耗的低延遲設備上利用微型人工智能算法分析這類(lèi)數據。
在產(chǎn)品開(kāi)發(fā)階段，產(chǎn)品選型也非常重要，必須根據算力具體要求選擇所需的設備和微控制器。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備的能效和電池續航時(shí)間。話(huà)雖如此，無(wú)論是處理文本還是視聽(tīng)信息，開(kāi)發(fā)人員仍然必須進(jìn)行預處理，將大量樣本數據輸入學(xué)習算法，以便訓練人工智能模型。
未來(lái)前景
嵌入式人工智能微型邊緣設備發(fā)展仍處于起步階段，這意味著(zhù)企業(yè)有機會(huì )探索實(shí)驗，發(fā)揮創(chuàng )造力，確定成功要素。我們正處于一個(gè)巨大浪潮的開(kāi)端，這將全面加快人類(lèi)生活數字化進(jìn)程。
從智慧城市傳感器等智能公共基礎設施，到遠程患者監護醫療系統的非創(chuàng )傷式可穿戴設備，微型人工智能具有廣闊的應用前景，讓用戶(hù)能夠改善生活方式，簡(jiǎn)化日常工作生活管理，甚至沒(méi)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(kāi)發(fā)模式，重新定義了什么才算是偉大的技術(shù)，實(shí)現了更加個(gè)性化的預測、安全性和情境感知功能。在今后幾年，這種類(lèi)型的 人工智能將成為大多數日用產(chǎn)品的關(guān)鍵 ，如果沒(méi)有人工智能，開(kāi)發(fā)人員很快就會(huì )發(fā)現自己的創(chuàng )新已經(jīng)過(guò)時(shí)。
人工智能一項重大進(jìn)步，但并非沒(méi)有挑戰。只有建立更大的生態(tài)圈，提供豐富的開(kāi)發(fā)工具和軟件資源，才能克服這些挑戰。這只是時(shí)間問(wèn)題。微型邊緣人工智能是人類(lèi)社會(huì )解鎖更大的數據和環(huán)境控制權以及數據的實(shí)用價(jià)值的關(guān)鍵，最終實(shí)現更智能的AI驅動(dòng)的未來(lái)。
(作者：Marc Dupaquier，意法半導體人工智能解決方案 總經(jīng)理)
推薦閱讀：
線(xiàn)繞電阻與金屬膜電阻技術(shù)對比及選型指南
