人類智力是知識基礎上的能力表現，有“行為智力”(如洗衣做飯、耕田織布、琴棋書畫、讀書做工)與“思考智力”(如深思熟慮、靜心思考、深入分析、絞盡腦汁)。行為智力與思考智力的“統一”、行為智力的“進化”是人類智力兩大重要特征。

有缺陷的人工智能

目前，人工智能的行為智力仿真大多是嵌入式系統領域的智能化工具、設備、工業機器人;思考智力仿真則是計算機智力仿真軟件，如深藍計算機的國際象棋大師、沃森計算機的智力競賽、AlphaGo的圍棋大師等專家系統。現階段，這些人工智能，相對于統一、進化的人類智能，都是初級階段、有缺陷的人工智能。如AlphaGo的圍棋大師只有思考智力，沒有行為智力;用于洗衣做飯的洗衣機、微波爐沒有實時進化能力。

物聯網、大數據、云計算時代，“機器學習”、“邊緣計算”、“AI芯片”三個前沿技術為彌補初級階段人工智能缺陷帶來希望。“機器學習”將使智能終端、智能化工具、智能家居具有實時的智力進化能力;“邊緣計算”使Alpha-Go、專家系統、計算機智力仿真平臺延伸到嵌入式系統前端而具有行為能力;嵌入式系統前端的邊緣計算最終要走AI芯片的道路。因此，這三個前沿技術成為人工智能從低端(有缺陷)走向高端(完美)的重要技術基礎。

并不陌生的邊緣計算

邊緣計算是云計算的一部分。從集中計算到分布式計算，將計算任務分散是物聯網系統中云計算的必然趨勢。在物聯網系統中，嵌入式系統承擔了物理對象的智能化任務，分配到嵌入式系統前端的那些計算就是邊緣計算。嵌入式系統對邊緣計算并不陌生。因為嵌入式系統一路走來，就是從集中計算到分布式計算的演化過程。

早期的嵌入式智能系統是一個MCU的集中計算系統。智能系統中的所有計算都集中在MCU 中，如傳感器前端的A/D轉換、信號調理、量綱變換等，伺服機構的D/A轉換、電平轉換、控制算法等計算任務都集中在MCU 中。當智能傳感器、智能伺服機構出現后，這些與智能傳感器、智能伺服機構相關的計算任務，便轉移到嵌入式智能系統的前端或后端中。分配到智能傳感器、智能伺服機構上的這些計算，也可稱為嵌入式系統的邊緣計算。計算轉移帶來的好處包括負擔均勻、實時性更好、MCU 可從事更多的新任務。

物聯網系統中的邊緣計算

與嵌入式智能系統相比，物聯網大系統中的分布式計算要復雜得多，以一個緝拿兇犯的物聯網公安系統為例:這個大系統由公安部、城市公安系統、街道視頻系統組成，緝拿兇犯的計算資源有數據庫、兇犯特征、人臉/體態識別、任務決策調度、追蹤算法、篩查驗證算法等。

如果采取分布式計算，公安部在下達兇犯緝拿任務時，將相應的數據庫、兇犯特征、追蹤/篩查/驗證算法發送到城市公安系統及街道視頻采集系統中。將原來集中計算的篩查、驗證計算分配到城市公安系統、街道視頻系統中，如圖1所示，不僅提高了系統的實時性，也有利用于計算資源的合理優化。在這種分布式計算中，處于最前端的計算稱為邊緣計算，有人將處于中間的城市公安系統計算稱為霧計算。無論是邊緣計算、霧計算，還是公安部系統的中心計算，都是基于大數據的服務計算，即云計算。

圖1 物聯網智能系統的邊緣計算與霧計算

邊緣計算的AI芯片出路

邊緣計算是物聯網系統中嵌入式智能系統前端的計算。除了智能系統中智能傳感器、智能伺服系統分散部分的邊緣計算任務外，大部分邊緣計算任務集中在嵌入式智能系統的MCU 中。然而，傳統的MCU 以智能控制見長，無法承擔起繁重的邊緣計算任務，必須將MCU 改造成能滿足邊緣計算的新型MCU，這就是AI芯片。

因為AI芯片處于物聯網系統的前端，在滿足邊緣計算要求的同時，還要保持對物理對象的智能控制。因此，嵌入式領域原有的半導體企業在AI芯片的市場競爭中，具有先發優勢。與Intel、微軟、谷歌等AI芯片的轉型新手相比，ARM+MCU半導廠家的生態體系無疑會占優。相對于強大的Intel、微軟、谷歌，以及ARM的MCU生態體系，我國未來獨立自主的AI芯片發展會面臨嚴酷的考驗，恐怕在一個很長的時期內會納入到ARM的AI芯片生態體系之中。