人工智能是什么時候再次流行起來的?這可以追溯到2016年3月，當時，谷歌的神經網絡驅動的人工智能 (AI)機器人 AlphaGo在圍棋比賽中擊敗了韓國冠軍李世石，在此之前，沒有任何機器可以用來破解圍棋的棋局。

當前，人工智能基本處于“炒作”的狀態(tài)，連大眾媒體都在宣傳智能機器帶來的希望和恐懼。這讓人聯(lián)想到人們都熟悉的另一種被炒作的事物：物聯(lián)網 (IoT) 。在Google Trends上搜索詞條IoT和人工智能，當繪制這兩個詞條的流行度曲線時，如圖1所示，會發(fā)現(xiàn)二者的模式非常相似。

圖1. Google Trends，IoT(紅色)和人工智能(藍色)曲線

雖然有一些物聯(lián)網初創(chuàng)企業(yè)出現(xiàn)后消失了，但物聯(lián)網仍然存在，并且正在逐步發(fā)展，最終必將開花結果。而物聯(lián)網和人工智能之間的碰撞正與此類似。

有思考能力的物體

絕大多數(shù)人工智能應用最初主要集中在Facebook、谷歌、亞馬遜等提供的互聯(lián)網服務，這些服務的算法運行在配備多核CPU和GPU的服務器上，運行頻率達GHz，內存達兆兆字節(jié)。緊接著，人工智能進入高性能的消費設備，出現(xiàn)在智能手機、自動駕駛汽車、游戲機、電視和智能音響中。雖然技術上處于“邊緣”狀態(tài)，并且通常被歸類為“物聯(lián)網”，但這些設備在物聯(lián)網設備中是特殊的，因為它們仍然需要消耗大量的功耗、性能和內存，并且需要通過高帶寬鏈路連接到互聯(lián)網。

雖然物聯(lián)網將幾十億的設備連接在一起，但絕大多數(shù)設備的功能都很有限。而人工智能的引入，為這些位于網絡邊緣的設備帶來革命性的影響，但前提是需要在資源、連接能力、成本和功率之間達到適當?shù)钠胶狻?/p>

有人可能會質疑：在這么小的設備上實現(xiàn)邊緣的人工智能有什么用?

為了說明白這一點，我們將這些設備與動物大腦所能達到的智能水平進行比較。

維基百科簡要介紹了幾種動物的平均神經元，包括一些動物的突觸(神經元連接)數(shù)量，借此可以推斷其余動物的突觸/神經元。如果想用深度神經網絡模擬動物大腦的處理能力，如表1所示，粗略的模擬情況是每個神經元(輸出)需要一個字節(jié)，每個突觸(重量)需要一個字節(jié)。

表1. 模擬動物大腦所需的存儲量總結：

(數(shù)據(jù)來源：維基百科，“動物神經元列表”)

小螞蟻的強大能力

微控制器 (MCU) 的存儲器范圍為1兆字節(jié)到4兆字節(jié)，因此，MCU中的人工智能水平與水母或蝸牛的大腦類似。

蝸牛和水母可以自己覓食、活動、繁殖，并在感受到威脅時躲藏起來。它們管理與環(huán)境的復雜交互過程、識別模式并控制身體動作。這種智能水平對于簡單的設備已經足夠，如恒溫器、真空吸塵器和門鈴。這個例子的理念是讓設備根據(jù)對環(huán)境的感知做出簡單的決策。

擁有蝸牛大腦的設備可以控制一些簡單的行為模式，可以識別篡改企圖的門鎖，或者根據(jù)衣服顏色定義程序的洗衣機就屬于這種級別的智能水平。

動物(即使是那些智力較低的動物)在互動方面也比計算機的性能更高。動物通過視覺、嗅覺和觸覺進行本能地交流和互動。如果設備擁有蝸牛的大腦，肯定會帶來敏感、更直觀、更自然的用戶界面。

具有千兆字節(jié)外部存儲的微處理器可以達到螞蟻或蜜蜂的智力水平。昆蟲智力的典型用例是群體效應。這意味著大量的簡單機器人具有足夠的智能來展示群體行為，可以執(zhí)行復雜的任務，就像蟻群那樣。世界上有10 quintillion (100,000,000,000億)只昆蟲，而人只有76億 ， 由此可見一大群昆蟲大腦所具備的能力是多么強大。

這一應用的范圍非常廣泛，包括農業(yè)、城市、環(huán)境、安防、救援和國防。哈佛大學的研究人員演示了1024個機器人組成的群體，這是迄今為止最大的一個機器人群。就像螞蟻或蜜蜂一樣，1024個機器人群可以完成可觀的工作任務，如運輸大型物體或自主建造真人大小的結構。

實現(xiàn)終端智能化

在智能手機、安全攝像頭和汽車等功能豐富的嵌入式設備中，機器視覺一直推動著人工智能的應用。由于有具體的用例、巨大的潛在市場和高效的算法，CNN(卷積神經網絡)機器視覺可實現(xiàn)硬件加速。現(xiàn)在，幾乎所有能夠進行圖像采集和處理的設備都集成了CNN AI加速器。

在網絡端點處的小型IoT設備中實現(xiàn)人工智能并不容易，有很多應用都沒有經過驗證。對硬件加速進行適當?shù)亩x也很難，因此，許多硬件公司采取的方法是通過通用控制器上的工具和軟件實現(xiàn)人工智能，并監(jiān)控演變過程。

針對這一點，瑞薩電子最早發(fā)布了嵌入式AI解決方案 (e-AI)，該解決方案使用戶能夠將經過訓練的網絡從Tensorflow或Caffe轉換為其MCU可用的代碼。瑞薩電子提供的工具包括一個e-AI轉換器，它可以轉換神經網絡成為MCU工具可用的C代碼，并提供一個預測轉換網絡性能功效的e-AI檢查器。瑞薩電子已經確定了幾個用例，例如預測性維護，目的是推動用戶和社區(qū)的發(fā)明和創(chuàng)新。因此，瑞薩電子提供了瑞薩電子社區(qū) “gadget Renesas” 開發(fā)板的教程，而且瑞薩電子美國公司一直在推動使用RZ/A1H嵌入式MPU設計GR-PEACH開發(fā)板的e-AI設計競賽。

嵌入式AI正在不斷增加

嵌入式AI正處于典型的“商業(yè)模型定義”階段，即解決方案已被發(fā)明并被早期采用者使用，但還沒有被主流大眾所接受。從事這項研究的初創(chuàng)公司和創(chuàng)新公司必將竭盡全力跨越這條鴻溝。隨著發(fā)展的日新月異，可以肯定，在找到有實際商業(yè)價值的用例和增長點以取得成功之前，必須有許多支點為這個目標提供支撐。

關于作者

Semir Haddad是瑞薩電子美國公司戰(zhàn)略規(guī)劃和戰(zhàn)略業(yè)務開發(fā)總監(jiān)。他在半導體行業(yè)擁有超過20年的經驗，并且在微控制器 (MCU)、微處理器 (MPU) 和嵌入式軟件的產品管理領域擁有超過17年豐富經驗。Haddad先生在法國高等電力學院獲得電子工程碩士學位，在法國ESSEC商學院獲得MBA學位。