隨著物聯網與5G、網絡通信、人工智能等技術融合發展，各(ge)行各(ge)業也都在致力于(yu)推進數(shu)字化、智(zhi)能化轉型。
物(wu)聯網從來不是垂直領域(yu)的(de)概念(nian)，而是千百個(ge)行業中應(ying)用的(de)集合。
在復雜的(de)(de)應(ying)用場(chang)景下(xia)，邊緣計(ji)算的(de)(de)概念變得火熱。云(yun)計(ji)算的(de)(de)大數(shu)據(ju)時代，數(shu)據(ju)被上(shang)傳(chuan)到云(yun)端(duan)集中處(chu)理，但(dan)海量數(shu)據(ju)的(de)(de)傳(chuan)輸會在云(yun)端(duan)形成堵塞，對物聯網的(de)(de)響應(ying)速度造(zao)成影響。
在這(zhe)種背景下，邊緣計(ji)算(suan)的應用迎來(lai)爆發。
將算(suan)力(li)分配(pei)到邊緣(yuan)，能夠減少算(suan)力(li)集(ji)中，讓(rang)產生于邊緣(yuan)的數(shu)據在(zai)邊緣(yuan)“就近處理”，這(zhe)正(zheng)好(hao)與設備多而雜(za)的物聯(lian)網要(yao)求(qiu)相符(fu)。
隨著物聯網的應(ying)用(yong)愈(yu)加廣闊，并與人工智能結合，智能邊緣的概(gai)念(nian)應(ying)運而生。
人工智能點火，物聯網起飛
人工智能如(ru)今早已經浸(jin)入生活(huo)的方(fang)方(fang)面面。
從能夠戰勝人類頂(ding)尖(jian)圍棋選手(shou)的(de)(de)AlphaGo，到能夠語(yu)音(yin)控制家電(dian)的(de)(de)智(zhi)能音(yin)箱(xiang)，人工智(zhi)能使(shi)成千(qian)上萬的(de)(de)行業和場(chang)景發(fa)生了(le)前所未(wei)有的(de)(de)變化。
對物聯網行業(ye)來(lai)說，人工智能(neng)的出(chu)現帶來(lai)了全新的生(sheng)機。
“萬物互(hu)聯”的概念早已存在(zai)，人工(gong)智能(neng)則進一步賦予了互(hu)聯的萬物“思考”的能(neng)力。
作為(wei)一種強大的(de)(de)(de)識(shi)別技術(shu)，人(ren)工(gong)智(zhi)能(neng)(neng)的(de)(de)(de)出現大大強化了(le)物聯網設備(bei)對當前現狀(zhuang)的(de)(de)(de)分析能(neng)(neng)力，以識(shi)別一只(zhi)貓(mao)(mao)為(wei)例(li)子，使用過去的(de)(de)(de)傳統軟(ruan)件方(fang)法需(xu)要(yao)軟(ruan)件開(kai)發者從(cong)貓(mao)(mao)圖像中提取出貓(mao)(mao)的(de)(de)(de)特(te)征，如貓(mao)(mao)有三角形的(de)(de)(de)尖(jian)耳(er)朵和(he)胡(hu)須，并(bing)將圖像與這些(xie)特(te)征進(jin)行匹配。但這種主觀判(pan)斷(duan)方(fang)法很難避(bi)免折(zhe)耳(er)貓(mao)(mao)，側身(shen)照(zhao)片，黑(hei)色背景等例(li)外(wai)情況(kuang)下(xia)脫(tuo)離預(yu)設的(de)(de)(de)圖像特(te)征。而使用人(ren)工(gong)智(zhi)能(neng)(neng)方(fang)法，則只(zhi)需(xu)要(yao)輸(shu)入(ru)大量的(de)(de)(de)、不同狀(zhuang)態下(xia)的(de)(de)(de)貓(mao)(mao)照(zhao)片，人(ren)工(gong)智(zhi)能(neng)(neng)就能(neng)(neng)自(zi)動(dong)建立準確(que)(que)、深(shen)層的(de)(de)(de)貓(mao)(mao)圖像特(te)征模型，從(cong)而準確(que)(que)的(de)(de)(de)在圖片中識(shi)別出貓(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(wei)例，人工智(zhi)能的(de)加入讓智(zhi)能家居的(de)重點從“連接”走向(xiang)“智(zhi)能”，結合溫濕度、光線、加速度等(deng)傳感(gan)器數(shu)據(ju)，根(gen)據(ju)實時情況調整物聯網設備狀態，打造(zao)一(yi)個(ge)“活著”的(de)家已(yi)經(jing)成為(wei)了智(zhi)能家居在更高維度上的(de)新定義。
但(dan)物聯網(wang)的(de)廣泛(fan)的(de)應用場(chang)景(jing)也給AI提出了新的(de)需求。
IoT技術更加強(qiang)調(diao)“物與物”之間(jian)的(de)互聯，連接(jie)更為廣泛并(bing)對時間(jian)敏(min)感。且大(da)多終端設備(bei)都工作(zuo)內(nei)容(rong)簡單，算(suan)力(li)要求小，工作(zuo)時間(jian)長，續(xu)航要求高的(de)特點。
這些(xie)要(yao)求讓終端(duan)設(she)備不(bu)得不(bu)考(kao)慮功耗問題，甚至有許多終端(duan)設(she)備由(you)電池(chi)供電，在物聯網設(she)備中部署人工(gong)智能算(suan)力時還要(yao)考(kao)慮對電池(chi)供電的支(zhi)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。
為了適應實際應用(yong)中(zhong)分散式，碎(sui)片化(hua)的需求，人工智(zhi)能逐漸與(yu)邊緣計算(suan)相結(jie)合(he)，將算(suan)力(li)從(cong)云端遷(qian)移至邊緣。
IoT時代，MCU再進化
邊緣(yuan)端AI的要(yao)求(qiu)與云端不同(tong)。邊緣(yuan)端AI只處理由(you)邊緣(yuan)產生的數據(ju)，主(zhu)要(yao)面向圖像分析、聲音分析、波形識別等(deng)工作(zuo)。對于終(zhong)端單一應用(yong)來說，算力(li)要(yao)求(qiu)不會很高(gao)。
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(bian)緣的(de)物聯網設備(bei)(bei)對(dui)功耗非常敏感(gan)，如傳(chuan)感(gan)器、安防攝像頭(tou)等設備(bei)(bei)要求(qiu)長(chang)期在線(xian)工作，但(dan)提(ti)供傳(chuan)統人工智能算力的(de)FPGA或GPU在邊(bian)緣端(duan)很難滿足這樣的(de)工作要求(qiu)。
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(yi)個(ge)(ge)例(li)子(zi)形象的(de)(de)解(jie)釋了這種需求(qiu)錯配：終端(duan)一(yi)個(ge)(ge)安防攝像頭的(de)(de)工(gong)作往(wang)往(wang)只是拍攝一(yi)幅圖(tu)片(pian)再分析(xi)一(yi)次，然后再拍衣(yi)服圖(tu)片(pian)并(bing)再分析(xi)一(yi)次，這并(bing)不(bu)需要很高的(de)(de)算力(li)，反而需要的(de)(de)是能夠滿足(zu)長(chang)時間待機需求(qiu)的(de)(de)長(chang)續航。
在(zai)邊緣應用的新要求下，AI正在(zai)尋找新的出路(lu)，MCU則是這個問題的一個可能解(jie)。
早(zao)在上(shang)世(shi)紀60年(nian)代末，MCU產(chan)品的(de)雛形就已經(jing)出現(xian)。某種(zhong)程度(du)上(shang)，通用型MCU的(de)廣泛應(ying)用為上(shang)世(shi)紀后五十年(nian)的(de)電(dian)子設備創新打下了基礎。
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(she)(she)備(bei)本身(shen)的功(gong)能還是作為物(wu)聯(lian)網(wang)的一部分，物(wu)聯(lian)網(wang)設(she)(she)備(bei)在連接、交(jiao)互、安全等方面都(dou)已經離不(bu)開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(bu)署，正在成為新的潮流(liu)。
在過去(qu)幾(ji)年(nian)里，包括瑞薩在內的多(duo)家MCU廠商都在積極探索將MCU與人工智能(neng)結合。
在(zai)日前舉辦(ban)的ADI MCU Media Workshop上，ADI中(zhong)國技術支持中(zhong)心高級工程師辛毅(yi)就(jiu)介紹的ADI最新的邊緣AI解(jie)決方案(an)MAX78000就(jiu)是踐行(xing)的這條路線。
辛毅(yi)介紹到，MAX78000集成了(le)卷積神經網絡（CNN）引擎，能夠滿足邊緣人工智能應用需求，并且MAX78000的設計宗旨(zhi)是最大程度(du)降低(di)CNN引擎功耗。
為了這(zhe)個目標，該(gai)器(qi)(qi)件采(cai)用了Arm Cortex-M4F處(chu)理(li)器(qi)(qi)與(yu)32位(wei)RISC-V處(chu)理(li)器(qi)(qi)的雙內核架構，內置了CNN引擎。
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。
在這樣(yang)的(de)架構下(xia)，能夠減(jian)少數(shu)據遷移(yi)，提高數(shu)據并行性，降低電流消耗。
兩個(ge)不同(tong)架(jia)構的(de)(de)微控制(zhi)器則有著進(jin)一(yi)步(bu)分(fen)工(gong)。李勇介紹，Arm與RISC-V雙內(nei)(nei)(nei)核在(zai)具體工(gong)作過程中各司(si)其職，算力(li)較強的(de)(de)Arm內(nei)(nei)(nei)核負責MCU的(de)(de)控制(zhi)處(chu)理(li)，而RISC-V內(nei)(nei)(nei)核則作為協(xie)處(chu)理(li)器配(pei)合CNN引(yin)擎進(jin)行AI計算中的(de)(de)數(shu)據搬運(yun)。功耗甚至能夠做到MCU+DSP架(jia)構的(de)(de)百(bai)分(fen)之一(yi)。
在人工智能時(shi)代(dai)，MCU這個芯片屆的(de)(de)(de)老前輩并沒(mei)有落后(hou)，依然“歷久彌新”，在可見的(de)(de)(de)未來里，已(yi)經成為了物(wu)聯網邊緣不可或缺的(de)(de)(de)“大腦(nao)”。
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。
