随着物聯網與 5G、網絡通信、人工智能等技術融合發展,各行各業也都在緻力于推進數字化、智能化轉型。
物聯網從來不是垂直領域的概念,而是千百個行業中應用的集合。
在複雜的應用場景下,邊緣計算的概念變得火熱。雲計算的大數據時代,數據被上傳到雲端集中處理,但海量數據的傳輸會在雲端形成堵塞,對物聯網的響應速度造成影響。
在這種背景下,邊緣計算的應用迎來爆發。
将算力分配到邊緣,能夠減少算力集中,讓産生于邊緣的數據在邊緣 " 就近處理 ",這正好與設備多而雜的物聯網要求相符。
随着物聯網的應用愈加廣闊,并與人工智能結合,智能邊緣的概念應運而生。
人工智能點火,物聯網起飛
人工智能如今早已經浸入生活的方方面面。
從能夠戰勝人類頂尖圍棋選手的 AlphaGo,到能夠語音控制家電的智能音箱,人工智能使成千上萬的行業和場景發生了前所未有的變化。
對物聯網行業來說,人工智能的出現帶來了全新的生機。
" 萬物互聯 " 的概念早已存在,人工智能則進一步賦予了互聯的萬物 " 思考 " 的能力。
作為一種強大的識别技術,人工智能的出現大大強化了物聯網設備對當前現狀的分析能力,以識别一隻貓為例子,使用過去的傳統軟件方法需要軟件開發者從貓圖像中提取出貓的特征,如貓有三角形的尖耳朵和胡須,并将圖像與這些特征進行匹配。但這種主觀判斷方法很難避免折耳貓,側身照片,黑色背景等例外情況下脫離預設的圖像特征。而使用人工智能方法,則隻需要輸入大量的、不同狀态下的貓照片,人工智能就能自動建立準确、深層的貓圖像特征模型,從而準确的在圖片中識别出貓。
這種變化對物聯網來說是颠覆性的,以物聯網熱門賽道智能家居為例,人工智能的加入讓智能家居的重點從 " 連接 " 走向 " 智能 ",結合溫濕度、光線、加速度等傳感器數據,根據實時情況調整物聯網設備狀态,打造一個 " 活着 " 的家已經成為了智能家居在更高維度上的新定義。
但物聯網的廣泛的應用場景也給 AI 提出了新的需求。
IoT 技術更加強調 " 物與物 " 之間的互聯,連接更為廣泛并對時間敏感。且大多終端設備都工作内容簡單,算力要求小,工作時間長,續航要求高的特點。
這些要求讓終端設備不得不考慮功耗問題,甚至有許多終端設備由電池供電,在物聯網設備中部署人工智能算力時還要考慮對電池供電的支持。
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,必須戴着 " 鐐铐 " 跳舞。
為了适應實際應用中分散式,碎片化的需求,人工智能逐漸與邊緣計算相結合,将算力從雲端遷移至邊緣。
IoT 時代,MCU 再進化
邊緣端 AI 的要求與雲端不同。邊緣端 AI 隻處理由邊緣産生的數據,主要面向圖像分析、聲音分析、波形識别等工作。對于終端單一應用來說,算力要求不會很高。
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。
處于邊緣的物聯網設備對功耗非常敏感,如傳感器、安防攝像頭等設備要求長期在線工作,但提供傳統人工智能算力的 FPGA 或 GPU 在邊緣端很難滿足這樣的工作要求。
ADI MCU 産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。如果将 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解釋了這種需求錯配:終端一個安防攝像頭的工作往往隻是拍攝一幅圖片再分析一次,然後再拍衣服圖片并再分析一次,這并不需要很高的算力,反而需要的是能夠滿足長時間待機需求的長續航。
在邊緣應用的新要求下,AI 正在尋找新的出路,MCU 則是這個問題的一個可能解。
早在上世紀 60 年代末,MCU 産品的雛形就已經出現。某種程度上,通用型 MCU 的廣泛應用為上世紀後五十年的電子設備創新打下了基礎。
在物聯網時代到來後,MCU 則被賦予了端側計算中樞這一更高使命。無論是設備本身的功能還是作為物聯網的一部分,物聯網設備在連接、交互、安全等方面都已經離不開 MCU。
而當如今智能遇上邊緣,MCU 又擔起了新的使命。
随着 MCU 的算力進一步提升,高頻 MCU 的主頻已經提升到 GHz 級别,已經可以滿足邊緣端低算力人工智能需求。将人工智能集成在 MCU 上,隻用一顆芯片實現端側部署,正在成為新的潮流。
在過去幾年裡,包括瑞薩在内的多家 MCU 廠商都在積極探索将 MCU 與人工智能結合。
在日前舉辦的 ADI MCU Media Workshop 上,ADI 中國技術支持中心高級工程師辛毅就介紹的 ADI 最新的邊緣 AI 解決方案 MAX78000 就是踐行的這條路線。
辛毅介紹到,MAX78000 集成了卷積神經網絡(CNN)引擎,能夠滿足邊緣人工智能應用需求,并且 MAX78000 的設計宗旨是最大程度降低 CNN 引擎功耗。
為了這個目标,該器件采用了 Arm Cortex-M4F 處理器與 32 位 RISC-V 處理器的雙内核架構,内置了 CNN 引擎。
辛毅形象的把這個架構比喻成 " 爸爸和媽媽 ":兩個微控制器内核是 " 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。
在這樣的架構下,能夠減少數據遷移,提高數據并行性,降低電流消耗。
兩個不同架構的微控制器則有着進一步分工。李勇介紹,Arm 與 RISC-V 雙内核在具體工作過程中各司其職,算力較強的 Arm 内核負責 MCU 的控制處理,而 RISC-V 内核則作為協處理器配合 CNN 引擎進行 AI 計算中的數據搬運。功耗甚至能夠做到 MCU+DSP 架構的百分之一。
在人工智能時代,MCU 這個芯片屆的老前輩并沒有落後,依然 " 曆久彌新 ",在可見的未來裡,已經成為了物聯網邊緣不可或缺的 " 大腦 "。雷峰網 =