隨著物聯網與5G、網絡通信、人工智能等技術(shu)融合發展(zhan)，各(ge)行各(ge)業也都在致力(li)于推進數字化、智能(neng)化轉型。
物聯(lian)網從來不是垂直領域的概念(nian)，而是千百個行(xing)業中應用的集(ji)合。
在(zai)復雜(za)的(de)(de)(de)(de)應(ying)用(yong)場景下，邊緣計算的(de)(de)(de)(de)概念變得火熱。云(yun)計算的(de)(de)(de)(de)大(da)數據(ju)(ju)時代(dai)，數據(ju)(ju)被(bei)上(shang)傳到云(yun)端集中處(chu)理，但海(hai)量數據(ju)(ju)的(de)(de)(de)(de)傳輸會在(zai)云(yun)端形(xing)成堵塞，對物(wu)聯網的(de)(de)(de)(de)響應(ying)速度造(zao)成影響。
在這(zhe)種(zhong)背景下(xia)，邊緣計算的應(ying)用迎來(lai)爆(bao)發。
將算力(li)分配到邊緣，能夠減少算力(li)集中，讓產生(sheng)于(yu)邊緣的(de)(de)數據在邊緣“就近(jin)處理(li)”，這正好(hao)與設備多而雜(za)的(de)(de)物聯(lian)網(wang)要(yao)求相符。
隨著物聯網的應用愈加廣闊，并與人工智能結(jie)合，智能邊緣的概念(nian)應運而(er)生。
人工智能點火，物聯網起飛
人工(gong)智能如今早已經浸入(ru)生活的方方面面。
從能(neng)夠(gou)戰(zhan)勝人(ren)類頂尖圍(wei)棋選手的AlphaGo，到(dao)能(neng)夠(gou)語音控制家電(dian)的智能(neng)音箱，人(ren)工智能(neng)使(shi)成千上(shang)萬(wan)的行業和(he)場景發(fa)生了前所未(wei)有的變化。
對物聯網行業來說，人(ren)工智能(neng)的出現(xian)帶來了全新(xin)的生機。
“萬物互聯(lian)”的概念(nian)早(zao)已存(cun)在，人工智能則進(jin)一步賦予(yu)了互聯(lian)的萬物“思考”的能力。
作(zuo)為一(yi)種(zhong)強(qiang)大(da)的(de)識(shi)別(bie)技術，人工(gong)智(zhi)(zhi)能(neng)(neng)的(de)出現大(da)大(da)強(qiang)化了(le)物聯網(wang)設備對當前現狀(zhuang)的(de)分析能(neng)(neng)力，以識(shi)別(bie)一(yi)只貓(mao)(mao)為例(li)(li)子，使用(yong)過(guo)去的(de)傳統軟(ruan)件方法(fa)需要軟(ruan)件開發者(zhe)從貓(mao)(mao)圖(tu)像中提取出貓(mao)(mao)的(de)特(te)征(zheng)，如貓(mao)(mao)有三角(jiao)形的(de)尖耳朵(duo)和胡須，并(bing)將圖(tu)像與(yu)這(zhe)些特(te)征(zheng)進行匹配。但這(zhe)種(zhong)主(zhu)觀判斷方法(fa)很難避免折耳貓(mao)(mao)，側身(shen)照片(pian)，黑色背景等例(li)(li)外情況下脫(tuo)離預設的(de)圖(tu)像特(te)征(zheng)。而使用(yong)人工(gong)智(zhi)(zhi)能(neng)(neng)方法(fa)，則只需要輸入(ru)大(da)量的(de)、不同狀(zhuang)態下的(de)貓(mao)(mao)照片(pian)，人工(gong)智(zhi)(zhi)能(neng)(neng)就能(neng)(neng)自(zi)動建立準(zhun)確、深層的(de)貓(mao)(mao)圖(tu)像特(te)征(zheng)模(mo)型，從而準(zhun)確的(de)在圖(tu)片(pian)中識(shi)別(bie)出貓(mao)(mao)。
這種變化對物聯網來說是顛覆性的，以物聯網熱門賽道智能家居為例，人工智(zhi)能的加入讓智(zhi)能家居(ju)的重(zhong)點從(cong)“連接”走向“智(zhi)能”，結合溫濕度(du)、光線、加速度(du)等傳感器(qi)數據(ju)，根(gen)據(ju)實(shi)時情況調(diao)整(zheng)物聯網設備狀(zhuang)態(tai)，打造一個“活(huo)著(zhu)”的家已經成為了智(zhi)能家居(ju)在更(geng)高維度(du)上的新(xin)定義。
但物聯網的廣泛的應用(yong)場景也(ye)給AI提(ti)出了新的需(xu)求。
IoT技術更加強(qiang)調(diao)“物與(yu)物”之間(jian)的(de)(de)互聯，連接更為廣(guang)泛(fan)并對時間(jian)敏感(gan)。且大多終(zhong)端(duan)設備(bei)都工作(zuo)(zuo)內容簡單，算力要(yao)求小，工作(zuo)(zuo)時間(jian)長(chang)，續航要(yao)求高(gao)的(de)(de)特點。
這些要求(qiu)讓終端(duan)設備(bei)不(bu)得不(bu)考慮功耗問題，甚至(zhi)有許多(duo)終端(duan)設備(bei)由電(dian)池供(gong)電(dian)，在物(wu)聯(lian)網設備(bei)中部署人工智能算力時還要考慮對電(dian)池供(gong)電(dian)的支持。
AlphaGo等傳統中心化的人工智能核心雖然算力更高，但在更為碎片化的物聯網中，算力更多時候受到客觀條件制約，無法肆意馳騁，必須戴著“鐐銬”跳舞。
為了適應(ying)實際應(ying)用中分散式(shi)，碎片化(hua)的需求(qiu)，人工智能(neng)逐漸與邊緣(yuan)計算相結合(he)，將算力(li)從云(yun)端遷移(yi)至邊緣(yuan)。
IoT時代，MCU再進化
邊緣(yuan)端(duan)AI的要(yao)(yao)求與云(yun)端(duan)不同。邊緣(yuan)端(duan)AI只處理(li)由(you)邊緣(yuan)產(chan)生的數據(ju)，主(zhu)要(yao)(yao)面向圖像分析、聲(sheng)音分析、波(bo)形識別等(deng)工作。對(dui)于(yu)終端(duan)單一(yi)應用來說，算力要(yao)(yao)求不會很高。
但在另一方面，在物聯網環境中計算對功耗和成本則更加敏感。
處于邊緣(yuan)的(de)物聯網設備(bei)對(dui)功耗非常敏感，如(ru)傳(chuan)感器、安防攝像頭等設備(bei)要求長期在(zai)線工(gong)作，但(dan)提供傳(chuan)統人工(gong)智能算(suan)力(li)的(de)FPGA或GPU在(zai)邊緣(yuan)端很難滿足(zu)這(zhe)樣的(de)工(gong)作要求。
ADI MCU產品線資深業務經理李勇說：“傳統意義上的AI芯片的特點是算力強但功率和尺寸較大，針對的更多是對計算速度、算力較高的應用。如果將FPGA或者GPU用到邊緣端，一是成本受不了，二是沒有辦法用電池進行供電。”
李勇用一個例子形象的(de)解釋了這種需(xu)求(qiu)錯配(pei)：終端一個安防(fang)攝像頭的(de)工作往(wang)往(wang)只是拍(pai)攝一幅(fu)圖片再分析(xi)一次，然后再拍(pai)衣服圖片并再分析(xi)一次，這并不(bu)需(xu)要很高的(de)算力，反而需(xu)要的(de)是能(neng)夠滿足長時間待機需(xu)求(qiu)的(de)長續航。
在邊緣應用的新(xin)要求(qiu)下，AI正在尋找新(xin)的出路，MCU則是這個(ge)問題(ti)的一個(ge)可能解。
早(zao)在上世(shi)紀60年(nian)(nian)代末(mo)，MCU產品的(de)(de)雛(chu)形(xing)就已經出(chu)現。某種程度上，通(tong)用型(xing)MCU的(de)(de)廣(guang)泛應用為上世(shi)紀后五(wu)十(shi)年(nian)(nian)的(de)(de)電子設備創新(xin)打(da)下了基(ji)礎。
在物聯網時代到來后，MCU則被賦予了端側計算中樞這一更高使命。無論是設備(bei)本身的(de)(de)功(gong)能(neng)還是作(zuo)為物聯網的(de)(de)一部分(fen)，物聯網設備(bei)在連接、交互、安全(quan)等方面都已經離不開(kai)MCU。
而當如今智能遇上邊緣，MCU又擔起了新的使命。
隨著MCU的算力進一步提升，高頻MCU的主頻已經提升到GHz級別，已經可以滿足邊緣端低算力人工智能需求。將人工智能集成在MCU上，只用一顆芯片實現端側部署，正(zheng)在成為(wei)新的(de)潮流。
在過(guo)去幾年里，包括瑞(rui)薩在內(nei)的多家MCU廠商(shang)都在積極(ji)探索將MCU與人工智能結(jie)合(he)。
在日前舉辦的ADI MCU Media Workshop上，ADI中(zhong)國技術(shu)支(zhi)持(chi)中(zhong)心高級工程師(shi)辛毅就介(jie)紹的ADI最新的邊緣AI解決方案MAX78000就是踐行的這條路(lu)線。
辛毅介紹到(dao)，MAX78000集成了卷積神(shen)經(jing)網絡(luo)（CNN）引擎，能夠滿足邊緣人工智能應用需求，并且(qie)MAX78000的設計宗旨(zhi)是最大(da)程度降低(di)CNN引擎功耗。
為(wei)了(le)這個(ge)目標，該器件(jian)采用(yong)了(le)Arm Cortex-M4F處理(li)器與32位RISC-V處理(li)器的雙內核(he)架構，內置(zhi)了(le)CNN引(yin)擎。
辛毅形象的把這個架構比喻成“爸爸和媽媽”：兩個微控制器內核是“買菜的媽媽”，CNN加速器則是“做菜的爸爸”，合力完成邊緣智能的計算工作。
在(zai)這(zhe)樣的架構下，能(neng)夠減少數據(ju)遷(qian)移，提高數據(ju)并行性，降低電流消耗。
兩(liang)個不同架構(gou)的(de)微控(kong)制(zhi)器(qi)則(ze)有著進(jin)一(yi)步分(fen)工(gong)。李(li)勇介(jie)紹，Arm與RISC-V雙內(nei)核在具體工(gong)作(zuo)過(guo)程中(zhong)各司其(qi)職，算力較強的(de)Arm內(nei)核負責(ze)MCU的(de)控(kong)制(zhi)處理，而RISC-V內(nei)核則(ze)作(zuo)為協處理器(qi)配合(he)CNN引擎(qing)進(jin)行AI計算中(zhong)的(de)數據搬運(yun)。功耗甚至能夠做到MCU+DSP架構(gou)的(de)百分(fen)之一(yi)。
在人工(gong)智(zhi)能時代，MCU這個芯片(pian)屆的老(lao)前(qian)輩并沒有(you)落后，依然“歷久彌新”，在可見(jian)的未來里，已經成為了物聯(lian)網邊緣不(bu)可或缺的“大腦”。
免責聲明：凡注明為其它來源的信息均轉自其它平臺，目的在于傳遞更多信息，并不代表本站觀點及立場。若有侵權或異議請聯系我們處理。
