【導讀】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、基礎設施密集且高功耗的領域。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。
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、基礎設施密集且高功耗的領域。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)。現(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)建正確的基礎設施，并積累所需的專業(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習和神經(jīng)網(wǎng)絡計算兩大領域，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都是補充性計算機編程方法，通過向計算機輸入相關數(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，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)展階段是在設備架構(gòu)內(nèi)引入邊緣人工智能技術，這些設備從此叫做“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)星邊緣設備上出現(xiàn)一種新型軟硬件，為在這些設備上執(zhí)行人工智能運算提供了可能。通過從設計一開始就將這種處理能力嵌入到設備架構(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、電池管理或設備內(nèi)置人臉或物體識別等應用成為這一領域的增長點，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備之間的處理能力差距。
就像任何新技術一樣，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)將這項技術視為理所當然，在與設備語音交互時，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設施
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(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設施，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，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)的實用價值的關鍵，最終實現(xiàn)更智能的AI驅(qū)動的未來。
(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：
