作者：Richard Quinnell，主編

機器學習 (ML) 是人工智能 (AI) 的一個分支，多年來一直致力于電子系統(tǒng)。然而，到目前為止，實現(xiàn) ML 所需的處理能力主要將其限制為基于云的活動。然而，這種情況即將改變，隨著新一代微控制器的出現(xiàn)，其內(nèi)核中內(nèi)置了 ML 功能，ML 將擴展到邊緣。

機器學習基本上是使用一種算法來制定系統(tǒng)對輸入數(shù)據(jù)的期望輸出響應，而無需開發(fā)人員定義其間的處理。機器學習不是通過編寫程序程序告訴系統(tǒng)如何處理輸入數(shù)據(jù)，而是讓系統(tǒng)根據(jù)輸入和一些成功標準確定自己的過程。目前，ML 的關鍵方法是人工神經(jīng)網(wǎng)絡 (ANN)，并且有許多實現(xiàn)，稱為框架，用于創(chuàng)建 ML 設計，例如 Tensorflow、Caffe 和 Android NN。

存在許多功能性 ML 系統(tǒng)，盡管它們目前是基于云的。Alexa 語音識別服務就是一個明顯的例子。它一開始是通用的，但隨著時間的推移，它能夠?qū)W習個人的語音和語音模式，以便它可以對不同的用戶做出不同的反應。還有一些機器學習系統(tǒng)會根據(jù)他們從您的互聯(lián)網(wǎng)互動中了解您的興趣和購物歷史來選擇哪些廣告將出現(xiàn)在您的瀏覽器上。工業(yè) ML 系統(tǒng)正在確定如何根據(jù)收到的系統(tǒng)數(shù)據(jù)優(yōu)化控制復雜的化學制造過程或預測設備維護要求。

但云不再是必需品。微控制器供應商開始開發(fā)將機器學習帶到邊緣的芯片，而無需與大型處理器建立網(wǎng)絡連接。這些本地處理器將能夠自行處理任務。

圖片來源：Pixabay。

邊緣機器學習的種子可以在 CES 2018 上看到。CEVA 展示了基于其 CEVA 深度神經(jīng)網(wǎng)絡軟件的NeuPro低功耗機器學習處理器 IP。同樣，萊迪思半導體也提供了基于其 FPGA 技術的人工智能參考設計。ARM 談到了其 專注于產(chǎn)品開發(fā)的新技術團隊，該團隊專注于在其處理器產(chǎn)品中支持機器學習。展會上很明顯，ML 很快就會出現(xiàn)在您附近的微控制器上。

最近，ARM 放棄了另一只鞋，并宣布它正在提供專門用于 ML 應用程序的新處理器架構。這項代號為 Project Trillium 的工作已經(jīng)產(chǎn)生了兩種新的處理器類型：ML 處理器和對象檢測處理器。物體檢測處理器是第二代設計，用于識別 60-Hz 高清視頻圖像流中的人和其他物體。ML 處理器是一種全新設計，針對眾多 ML 框架共有的工作流活動進行了優(yōu)化。兩者可以一起使用，例如，在合影中執(zhí)行面部識別。對象檢測處理器將識別所有面部并將僅面部數(shù)據(jù)發(fā)送到 ML 處理器以進行分類和個人識別。

不過，該公告的主要影響在于 ML 處理器。該設計的 IP 將在年中提供給 ARM 許可持有者，這意味著到 2020 年（如果不是更早），開發(fā)人員應該可以為他們的系統(tǒng)設計提供 ML 處理器。這些處理器具有 tera-OPS 范圍內(nèi)的性能，這將允許它們在本地執(zhí)行大量的 ML 任務，而無需網(wǎng)絡支持。相對于當今基于云的系統(tǒng)，這可以大大降低此類任務的帶寬需求和延遲。

ARM 并不是唯一一個在邊緣追求 ML 的公司。上面提到的 CEVA NeuPro 是 IP，也可以用于基于邊緣的 ML。此外，還有一些初創(chuàng)公司仍處于隱身模式，但很快就會宣布他們的技術，它們正在創(chuàng)建具有適合將 ML 帶入電池供電物聯(lián)網(wǎng)設備的性能和功率屬性的 ML 處理器。

因此，機器學習和人工智能即將從云端涌入大量新應用程序。嵌入式系統(tǒng)開發(fā)人員可以很好地開始學習曾經(jīng)是一門深奧的計算機科學，并開始思考如何在他們的應用領域中利用這些功能。正如可編程微處理器的出現(xiàn)改變了數(shù)字電子設計一樣，機器學習處理器也準備開始成為嵌入式系統(tǒng)設計人員的重要工具。

審核編輯 黃昊宇