隨著物聯(lián)網(wǎng)與5G、網(wǎng)絡(luò)通信、人工智能等技術(shù)融合發(fā)展，各行各業(yè)也都在致力于推進數(shù)字化、智能化轉(zhuǎn)型。

物聯(lián)網(wǎng)從來不是垂直領(lǐng)域的概念，而是千百個行業(yè)中應(yīng)用的集合。

在復(fù)雜的應(yīng)用場景下，邊緣計算的概念變得火熱。云計算的大數(shù)據(jù)時代，數(shù)據(jù)被上傳到云端集中處理，但海量數(shù)據(jù)的傳輸會在云端形成堵塞，對物聯(lián)網(wǎng)的響應(yīng)速度造成影響。

在這種背景下，邊緣計算的應(yīng)用迎來爆發(fā)。

將算力分配到邊緣，能夠減少算力集中，讓產(chǎn)生于邊緣的數(shù)據(jù)在邊緣“就近處理”，這正好與設(shè)備多而雜的物聯(lián)網(wǎng)要求相符。

隨著物聯(lián)網(wǎng)的應(yīng)用愈加廣闊，并與人工智能結(jié)合，智能邊緣的概念應(yīng)運而生。

人工智能點火，物聯(lián)網(wǎng)起飛

人工智能如今早已經(jīng)浸入生活的方方面面。

從能夠戰(zhàn)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(yè)和場景發(fā)生了前所未有的變化。

對物聯(lián)網(wǎng)行業(yè)來說，人工智能的出現(xiàn)帶來了全新的生機。

“萬物互聯(lián)”的概念早已存在，人工智能則進一步賦予了互聯(lián)的萬物“思考”的能力。

作為一種強大的識別技術(shù)，人工智能的出現(xiàn)大大強化了物聯(lián)網(wǎng)設(shè)備對當前現(xiàn)狀的分析能力，以識別一只貓為例子，使用過去的傳統(tǒng)軟件方法需要軟件開發(fā)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，并將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(cè)身照片，黑色背景等例外情況下脫離預(yù)設(shè)的圖像特征。而使用人工智能方法，則只需要輸入大量的、不同狀態(tài)下的貓照片，人工智能就能自動建立準確、深層的貓圖像特征模型，從而準確的在圖片中識別出貓。

這種變化對物聯(lián)網(wǎng)來說是顛覆性的，以物聯(lián)網(wǎng)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(jié)合溫濕度、光線、加速度等傳感器數(shù)據(jù)，根據(jù)實時情況調(diào)整物聯(lián)網(wǎng)設(shè)備狀態(tài)，打造一個“活著”的家已經(jīng)成為了智能家居在更高維度上的新定義。

但物聯(lián)網(wǎng)的廣泛的應(yīng)用場景也給AI提出了新的需求。

IoT技術(shù)更加強調(diào)“物與物”之間的互聯(lián)，連接更為廣泛并對時間敏感。且大多終端設(shè)備都工作內(nèi)容簡單，算力要求小，工作時間長，續(xù)航要求高的特點。

這些要求讓終端設(shè)備不得不考慮功耗問題，甚至有許多終端設(shè)備由電池供電，在物聯(lián)網(wǎng)設(shè)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(tǒng)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(lián)網(wǎng)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(yīng)實際應(yīng)用中分散式，碎片化的需求，人工智能逐漸與邊緣計算相結(jié)合，將算力從云端遷移至邊緣。

IoT時代，MCU再進化

邊緣端AI的要求與云端不同。邊緣端AI只處理由邊緣產(chǎn)生的數(shù)據(jù)，主要面向圖像分析、聲音分析、波形識別等工作。對于終端單一應(yīng)用來說，算力要求不會很高。

但在另一方面，在物聯(lián)網(wǎng)環(huán)境中計算對功耗和成本則更加敏感。

處于邊緣的物聯(lián)網(wǎng)設(shè)備對功耗非常敏感，如傳感器、安防攝像頭等設(shè)備要求長期在線工作，但提供傳統(tǒng)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產(chǎn)品線資深業(yè)務(wù)經(jīng)理李勇說：“傳統(tǒng)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(yīng)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解釋了這種需求錯配：終端一個安防攝像頭的工作往往只是拍攝一幅圖片再分析一次，然后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(xù)航。

在邊緣應(yīng)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產(chǎn)品的雛形就已經(jīng)出現(xiàn)。某種程度上，通用型MCU的廣泛應(yīng)用為上世紀后五十年的電子設(shè)備創(chuàng)新打下了基礎(chǔ)。

在物聯(lián)網(wǎng)時代到來后，MCU則被賦予了端側(cè)計算中樞這一更高使命。無論是設(shè)備本身的功能還是作為物聯(lián)網(wǎng)的一部分，物聯(lián)網(wǎng)設(shè)備在連接、交互、安全等方面都已經(jīng)離不開MCU。

而當如今智能遇上邊緣，MCU又擔(dān)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(jīng)提升到GHz級別，已經(jīng)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(xiàn)端側(cè)部署，正在成為新的潮流。

在過去幾年里，包括瑞薩在內(nèi)的多家MCU廠商都在積極探索將MCU與人工智能結(jié)合。

在日前舉辦的ADI MCU Media Workshop上，ADI中國技術(shù)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(jīng)網(wǎng)絡(luò)（CNN）引擎，能夠滿足邊緣人工智能應(yīng)用需求，并且MAX78000的設(shè)計宗旨是最大程度降低CNN引擎功耗。

為了這個目標，該器件采用了Arm  Cortex-M4F處理器與32位RISC-V處理器的雙內(nèi)核架構(gòu)，內(nèi)置了CNN引擎。

辛毅形象的把這個架構(gòu)比喻成“爸爸和媽媽”：兩個微控制器內(nèi)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(gòu)下，能夠減少數(shù)據(jù)遷移，提高數(shù)據(jù)并行性，降低電流消耗。

兩個不同架構(gòu)的微控制器則有著進一步分工。李勇介紹，Arm與RISC-V雙內(nèi)核在具體工作過程中各司其職，算力較強的Arm內(nèi)核負責(zé)MCU的控制處理，而RISC-V內(nèi)核則作為協(xié)處理器配合CNN引擎進行AI計算中的數(shù)據(jù)搬運。功耗甚至能夠做到MCU+DSP架構(gòu)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后，依然“歷久彌新”，在可見的未來里，已經(jīng)成為了物聯(lián)網(wǎng)邊緣不可或缺的“大腦”。雷峰網(wǎng)(公眾號：雷峰網(wǎng))=

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。