《韩非子·说林上》中有一句话，“失火而取水于海，海水虽多，火必不灭矣，远水不救近火也。”——指的是失火时用海水救火，虽然海水量大，但远离火场，起不到灭火的作用。
这句话用来形容当今的云计算与边缘计算同样适用，云端人工智能（AI）相当于大海，虽然水多、能力强，但对于特殊的场景终究远水解不了近渴；边缘AI则可以在如语音识别、人体数据分析等对实时性要求高的领域发挥重要作用。
由于物与物之间的互联会产生海量的数据处理需求，只有AI强大的计算能力才能够胜任，物联网（IoT）技术正与AI技术深度融合，产生AIoT的概念。如果将物联网比作遍布全身的周围神经网络，那么AI就相当于人的大脑。要达到类似于人类的智能，设备需要进行大量的矩阵运算，往往只有部署在云端的大型服务器才能够胜任。
由于物联网技术由于是物与物之间的互连，多数设备需要电池供电，并且数据在物与物之间的流通并不能完全依赖于云端，因此物联网通常意味着低成本和低功耗。这就使得AI技术与IoT技术的融合产生了一定矛盾与困难。
边缘AI也可理解为终端AI技术，最早起源于20世纪90年代的边缘计算。其中的边缘指的是物理世界和数字世界之间的边界，如各种传感器连接着真实物理世界和数字世界，构成一组组边缘节点；智能化的AI技术则使机器能够以之前完全不可能的方式来观察、聆听和感知世界。
过去，将AI推理布置到边缘意味着从传感器、摄像机和麦克风收集数据，然后将数据发送到云端实现推理算法，再将结果送回到边缘。由于延迟和能耗较大，这种架构对于边缘普及极具挑战。边缘AI的目的是让边缘节点也具备AI推理的功能，提供高级数据分析、场景感知、实时决策、自组织与协同等服务，解决上述问题的同时具备实时性好、带宽资源要求低、隐私性高等特点。
作为边缘端最常用的硬件，低功耗微控制器（MCU）可用于实施简单的神经网络运算，延迟虽然降低了，但只能在边缘执行简单任务。如果给MCU加上AI功能，可以将AI推理从云端推向边缘端，从而助力电池供电的人工智能和物联网设备发展。
传统软件方式对比AIMCU
“就是一款带有神经网络加速器的超低功耗人工智能微控制器，支持电池供电的嵌入式物联网设备在边缘通过快速、低功耗AI推理来制定复杂决策。”在日前举办的上，ADI中国技术支持中心高级工程师辛毅介绍了ADI最新的边缘AI解决方案，与传统的软件AI方案相比，这种快速、低功耗的决策实施使得复杂的AI推理能耗降低到前期方案的百分之一以内，采用AI技术的电池供电系统可大幅延长其运行时间，有助于实现之前无法逾越的新一代电池供电AI应用。
通俗地来讲，AI设备可以“看到”、“听到”或“感知到”某个物体、声音或事件，并且像人类一样做出相应的行动。此前用传统的软件方法来实现AI，如果要识别一只猫，往往需要程序员编写一组规则来描述猫的特征，从而约束程序的运行，比如猫必须有尖尖的耳朵、三角形的鼻子和长长的胡须。
但实际情况和普遍规则相冲突时，大量例外情况给传统软件技术带来了巨大的困难。辛毅举例到，“比如从后面或者侧面识别一只猫，胡须和鼻子都看不见；比如一只纯黑的猫，在黑暗中无法识别；又比如猫被遮挡、品种是折耳或没有腿，软件方式都无法实现准确识别。”
但是AI技术可以通过海量的、不同的猫照片进行训练，进而提取出猫的深层次抽象特征。这些用于训练的照片既包括猫的普遍特征，又包含大量例外，从而有助于AI技术准确地识别出一张新图片中的猫。
“传统的软件方式是闭着眼睛，相当于盲人摸象，需要告诉软件所有猫的特征，费时费力且不准确；而AI技术相当于海量的学习过程，可以睁开眼睛看各种各样的猫，从而进行学习，训练好之后，看到新的猫图片就能马上判断，可以说是洞若观火。”辛毅形象地形容到。
据介绍，通过集成专用的神经网络加速器，可以在本地以低功耗实时执行AI处理，使机器能够看到和听到复杂的型态。由于执行推理的功耗不到微控制器软件运行功耗的百分之一，大幅提高了机器视觉、语音和面部识别等应用的工作效率。
Arm和RISC-V核心分工明确，集成CNN大幅降低功耗
的核心是专用硬件，其设计旨在最大程度地降低卷积神经网络(CNN)的能耗和延迟。该硬件运行时几乎不需要任何微控制器核的介入，操作的流线化程度极高，能量和时间仅用于实施CNN的数学运算。为了将外部世界的采集数据高效输入到CNN引擎，用户可使用两种集成微控制器核之一：超低功耗-M4F核，或功耗更低的RISC-V核。
产品线资深业务经理李勇表示，两个内核的工作是分配好的。M4F内部配有Flash和SRAM，主要处理应用和通信，而RISC-V是一颗采用32位精简指令集的小内核，主要配合CNN工作。“由于CNN工作时需要输入图片、声音、波形等原始数据，RISC-V内核会将数据搬运至存储空间，再用于CNN。经过硬件计算，CNN将原始数据通过矩阵乘法和加法得到特征值，再放入内存进行比对。”
据辛毅介绍，系列的数据加载和启动由MCU内核负责，而AI推理由CNN加速器专门负责。打个比喻，“对于AI处理而言，的两个微控制器内核就相当于专门负责买菜的妈妈，而卷积神经网络加速器则相当于专门做菜的爸爸。借助在芯片内部集成的卷积神经网络加速器就可以完成AI推理，不需要再通过互联网上传云端。”
由于MCU内核完成加载和启动后就不需要任何操作了，原则上不介入AI推理，因此功耗很低。两个硬件分工合作让系列一不需要联网，二支持电池供电，满足了边缘AI的要求。
与通用MCU、FPGA、GPU、DSP等边缘AI方案对比
李勇表示，在功耗、速度、成本三个方面达成平衡。通常边缘AI可由通用MCU完成，也可由FPGA、GPU、DSP等专门的芯片完成。
比较常见的有基于-M4的MCU内置DSP协处理器，这类方案需要数学方面的运算，适用于如屏幕分析等工业应用；纯MCU方案多采用8位、16位、32位处理器，相对较简单也会更节约晶圆空间，适用于家电、玩具、消费品等应用；MCU+RISC-V+FPG则适合更专业、更复杂的应用，RISC-V内核主要作为，如在可穿戴设备中，RISC-V可在Arm内核处于sleep状态时调取数据，等Arm内核唤醒时再对这些数据进行处理，“这种方案往往灵活度差一些，并且由于加入太多功能，针对普通应用时成本无法降低。”
由于独特的架构和分工，与运行在低功耗MCU上的纯软件解决方案相比具备更高的数据吞吐量，速度提高了100倍，但成本只是FPGA或GPU方案的零头；相比MCU加DSP的方案，的功耗不到该方案的百分之一。
“我认为这些方案各有特点，适用于不同的应用场景，按需配置。这也是为什么市场上有很多不同的CPU被大家采用。”李勇说到。
谈到ADI为何要在MCU中集成硬件CNN，而不直接采用通用MCU运行软件神经网络，李勇认为主要是因为功耗。以采用-M7核心的通用MCU为例，虽然主频高达，但MCU需要长时间全力运行CNN算法，导致功耗较高。“集成了CNN后可以很快计算出来，之后对应的设备便进入睡眠（sleep）状态，很大程度降低了功耗。我们认为，在未来的一些特殊边缘应用中，这是非常重要的特征。”
与竞品MCU的对比
目前ADI的边缘AI解决方案系列主要包含两款AIMCU——和，二者都基于-M4F和RISC-V的低功耗微处理器，搭载专用的卷积神经网络加速器执行AI推理。可支持多达3.5M的模型权重，则支持多达16M的模型权重，后者不仅可以做到图像的识别，还可以进行复杂的视频分析。
系列的相关特性总结如下：
主要优势
应用场景
以为例，辛毅将、ADI通用和某竞品MCU执行相同AI推理所花费的时间和功耗做了对比，分别评估了的人脸识别（图像识别、视觉识别）和关键字识别（音频识别、听觉识别）性能。从下图可以看到，不论是推理速度还是推理功耗，在两项识别上的表现均优于和竞品MCU。
已有大量应用实例
鉴于AI开发的挑战性，ADI还提供支持资源和工具以实现平稳的评估和开发体验，包括数据手册、应用笔记、评估套件、参考设计、教学视频、工具和例程等。#包括音频和摄像头输入，开箱即用的演示平台支持大字表关键词检索和面部识别。完备的文档可帮助工程师训练神经网络，且采用其日常使用的工具或。
在硬件方面，ADI已经发布了许多有关MCU的评估板、最小板和参考设计，支持KEIL、IAR、mbed、等专门的平台。
根据预测，2025年将有75%的数据产生在边缘侧进行处理，因此边缘AI可以在许多方面大显身手。李勇和辛毅介绍了在物联网设备上的各类应用。
实现视觉识别方面，可以用在考勤打卡、智能门锁等电池供电的物联网设备上的人脸识别；摄像头上集成，可以实现垃圾分类、产品分装、快递分拣等功能，相关案例有鸡蛋计数相机、可识别冰箱内饮料数量的车载冰箱以及用于山火监测等。
系列的关键字识别功能，可以识别出用户的语音指示来进行操作，可以用在语音控制的物联网设备上，比如智能音箱、电动窗帘、智能照明等等。由于声音就是一种振动，还可以用于振动识别，比如工业检测领域。相关案例有可提取用户语音指令关键字的智能头盔、工业中的管道震动分析是否发生泄漏等。
相关文章
