將AI推向邊緣的影響

在上一篇文章中，我們探索了將AI推向網絡邊緣的一些有力論點。本篇連載文章中，我們將討論哪些AI應用能真正從這種方法中受益。首先，回顧一下在網絡邊緣實施AI的原因可以提供一些重要提示。請查看以下任何一項是否適用于項目：

考慮到上述因素，通過在邊緣運行ML模型可以使哪些具體的AI項目更容易運行？

虛擬助手

Apple在2010年推出Siri，一如既往地再次引領了潮流。這為其他許多虛擬助手鋪平了道路，其中最著名的便是亞馬遜的Alexa和Google Assistant。虛擬助手使科幻風格的語音控制成為現實，并通過以下方式工作：

通過將ML模型移到邊緣來增進這種體驗的方式顯而易見：語音助手將具有更快的響應速度、不需要連接到互聯網即可嵌入語音控制。也就是說，被調用的應用程序本身可能需要網絡連接（例如音樂流媒體服務）。

面部識別

面部識別是發展速度最快的AI應用之一。這一技術仍在發展，一路上小問題不斷。例如，兩年前，亞馬遜旗下的Rekognition深陷種族主義的爭議和指控之中。這套系統在接受了2.5萬張圖像的訓練后，錯誤地將28個美國少數族裔議員識別為臭名遠播的罪犯。1

2019年，英國最大的警察機關大都會警察局 (Met) 對面部識別技術進行了早期試驗，結果顯示這項技術在81%的時候都不準確。但是，最新的面部識別系統正在變得越來越準確。Met今年年初宣布將在大型活動中采用這項技術掃描已證實的鬧事者。

許多需要面部識別的用例都需要這項技術近乎實時地工作。因此，應用程序更依賴于將ML模型移動到網絡邊緣。Met所采用的系統基于NEC NeoFace Watch，它是完全獨立的設備，并具備實時工作能力。NEC的技術還瞄準了其他幾個市場，包括零售、企業活動、節日和其他大型活動以及交通運輸。

實時監控

重工業和采礦業依賴于極其龐大和昂貴的機械。如果這種機器出現意外停機，企業可能蒙受數以百萬計的損失。例如，許多采礦作業都依賴于巨型大功率泵來保持巷道無水，并將開采出的泥漿泵送至選礦廠。如果這些泵當中有一臺出現災難性故障，則整個運營都將中斷。因此，礦業公司在AI系統中投入巨資，以期借助這些系統提前預測潛在的故障。

目前，這些系統通常基于從設備上安裝的物聯網傳感器傳輸數據。然后，數據會被集中處理，并將任何必要的警告回傳到相應的操作人員。但是，礦山和施工工地的范圍可能達到數十公里，通常地形險惡，因此將ML模型直接集成到邊緣設備中將簡化整個過程。

在邊緣運行AI和ML模型需要什么？

將AI轉移到網絡邊緣需要三樣東西：合適的硬件、新工具和用于創建ML模型的新范式。下面我們將逐一進行介紹。

經過優化的硬件

如前文所討論的那樣，ML模型通常依賴于大量的并行運算。本質上講，它們需要原始的計算能力。但是，在算力和設備消耗的實際功率之間始終要進行權衡與取舍。要將ML模型推向邊緣，需要消耗功率盡可能少的設備。當需要嵌入設備時更是如此。幸運的是，現在有各種各樣的高性能、低功耗MCU。

合適的工具

接下來需要合適的工具鏈以在微控制器上運行ML模型。絕大多數ML框架被設計在64位Intel系列的CPU或GPU上運行。相比之下，所有合適的微控制器都具有32位精簡指令集架構，例如ARM Cortex系列的MCU。但是，TensorFlow Lite等ML框架的開發使ML模型可以在此類MCU上運行。

一次建模，即可隨處運行

最后一塊拼圖是創建和運行ML模型的不同范式。這可以用“一次建模，即可隨處運行”這句話來概括。顧名思義：先創建模型（通常使用大功率的經ML優化的機器），然后使用工具鏈將其轉換為可以在任何微控制器上運行的代碼。遺憾的是，這樣也損失了從持續學習或強化學習中受益的能力。

權衡

下表列出了在邊緣模型上運行ML模型時所做出的一些權衡。但愿它能提供一些有助于確定是否將您的下一個AI項目移至最前沿的指引。

結論

將ML模型推向邊緣，實現了AI的新用例，從而有望帶來可嵌入式AI的革命。這些在MCU上運行ML模型所需的MCU硬件和工具的發展，均為這類技術的擴展奠定了基礎。

審核編輯：郭婷