不久之前，人工智能和計算機視覺還像是科幻小說里的東西，而現在，它們突然無處不在，從Alexa和Siri到能夠識別你正在做的食物并幫助你完美烹飪的廚房電器。

但情況又在發生變化。智能和視覺處理越來越多地發生在邊緣。也就是說，計算是在本地進行的，而不是在云中進行。從手機到家用電器，從汽車到工業機器人，從相機到建筑物的服務器柜，這些系統都在發生變化，其共同的主題是處理過程比以往任何時候都更接近傳感器。為什么會這樣，這種趨勢意味著什么？

在Edge AI和Vision Alliance上，我們觀察到五個因素將AI推向了邊緣，我們把它縮寫成BLERP。代表帶寬、延遲、經濟、可靠性和隱私。

帶寬：如果你有一個裝有數百個攝像頭的商業空間，你根本沒有辦法將這些信息發送到云上進行處理——它將淹沒你所有的互聯網連接。你只需要在本地處理它就好了。

延遲：延遲是指系統接收到感官輸入并對其作出反應之間的時間。試想一輛自動駕駛汽車：如果前方的人行橫道上突然出現了一個行人，汽車大腦可能只有幾百毫秒的時間來做決定——沒有足夠的時間來發送圖像到云端并等待響應。

經濟：云計算和通信一直在變得越來越好，越來越便宜，但它們仍然需要花錢——可能是很多錢，尤其是在視頻數據方面。邊緣計算減少了必須發送到云端的數據量，也減少了必須完成的工作量，降低了成本。

可靠性：想象一個擁有面部識別的家庭安全系統——你希望它能讓你的家人即使在互聯網癱瘓的情況下也能進入房子。本地處理使這成為可能，并使系統具有更強的容錯能力。

隱私：邊緣的音頻和視覺傳感器的激增引發了嚴重的隱私擔憂，而將這些信息發送到云上則大大增加了這些擔憂。本地處理和消費的信息越多，濫用的機會就越少。所以說“在邊緣發生的事就在邊緣發生好了?！?/p>

如果這些是推動人工智能走向邊緣的因素，那么讓這種轉變成功的是更快、更高效的處理器。計算機視覺和深度學習似乎是神奇的，使我們能夠從數百萬像素或音頻樣本中提取意義。但這種魔力是有代價的：實時進行人工智能處理需要每秒進行數十億甚至上萬億次操作。因此，邊緣 AI的一個基本要求就是能夠以價格、功耗和尺寸與邊緣或嵌入式設備兼容的方式提供這種性能的處理器。

幸運的是，深度學習算法是重復的并且相當簡單-只是計算量和數據量巨大。由于這種重復的、可預測的特性，就有可能創造出針對這些算法進行優化的處理器。與通用處理器相比，它們可以輕松地在這些任務上提供10倍、100倍甚至更高的性能和效率。這一事實，再加上人們普遍認為將很快出現數十億臺支持人工智能的邊緣設備，在過去幾年里引發了高性能人工智能處理器架構的“寒武紀式大爆發”。

了解這些最新進展的一個好方法是看看今年即將召開的嵌入式視覺峰會（Embedded Vision Summit）。David Patterson （RISC的共同發明人和谷歌的TPU架構的貢獻者）的主題是：“計算機架構的新黃金時代：處理器創新使無處不在的人工智能成為可能。”

在這次演講中，包括CEVA、Cadence、Hailo、Intel、Lattice、Nvidia、perceptive、Qualcomm和Xilinx在內的初創企業和知名企業領導人將展示他們最新的邊緣 AI處理器以及能夠將深度神經網絡有效映射到這些處理器上的工具和技術。此外，系統設計專家將分享在從自動駕駛無人機（Skydio）到農用設備（John Deere）再到地板清潔機器人（Trifo）等多種應用中實現邊緣 AI的見解。

從Arrow到Xperi，虛擬展會上的參展商將為您提供一個機會，讓您看到邊緣 AI最新的處理器、開發工具和軟件。

我們正進入一個人工智能和計算機視覺的黃金時代…
責任編輯：tzh