机器学习更接近您附近的微控制器

作者：Richard Quinnell，主编

机器学习 (ML) 是人工智能 (AI) 的一个分支，多年来一直致力于电子系统。然而，到目前为止，实现 ML 所需的处理能力主要将其限制为基于云的活动。然而，这种情况即将改变，随着新一代微控制器的出现，其内核中内置了 ML 功能，ML 将扩展到边缘。

机器学习基本上是使用一种算法来制定系统对输入数据的期望输出响应，而无需开发人员定义其间的处理。机器学习不是通过编写程序程序告诉系统如何处理输入数据，而是让系统根据输入和一些成功标准确定自己的过程。目前，ML 的关键方法是人工神经网络 (ANN)，并且有许多实现，称为框架，用于创建 ML 设计，例如 Tensorflow、Caffe 和 Android NN。

存在许多功能性 ML 系统，尽管它们目前是基于云的。Alexa 语音识别服务就是一个明显的例子。它一开始是通用的，但随着时间的推移，它能够学习个人的语音和语音模式，以便它可以对不同的用户做出不同的反应。还有一些机器学习系统会根据他们从您的互联网互动中了解您的兴趣和购物历史来选择哪些广告将出现在您的浏览器上。工业 ML 系统正在确定如何根据收到的系统数据优化控制复杂的化学制造过程或预测设备维护要求。

但云不再是必需品。微控制器供应商开始开发将机器学习带到边缘的芯片，而无需与大型处理器建立网络连接。这些本地处理器将能够自行处理任务。

图片来源：Pixabay。

边缘机器学习的种子可以在 CES 2018 上看到。CEVA 展示了基于其 CEVA 深度神经网络软件的NeuPro低功耗机器学习处理器 IP。同样，莱迪思半导体也提供了基于其 FPGA 技术的人工智能参考设计。ARM 谈到了其 专注于产品开发的新技术团队，该团队专注于在其处理器产品中支持机器学习。展会上很明显，ML 很快就会出现在您附近的微控制器上。

最近，ARM 放弃了另一只鞋，并宣布它正在提供专门用于 ML 应用程序的新处理器架构。这项代号为 Project Trillium 的工作已经产生了两种新的处理器类型：ML 处理器和对象检测处理器。物体检测处理器是第二代设计，用于识别 60-Hz 高清视频图像流中的人和其他物体。ML 处理器是一种全新设计，针对众多 ML 框架共有的工作流活动进行了优化。两者可以一起使用，例如，在合影中执行面部识别。对象检测处理器将识别所有面部并将仅面部数据发送到 ML 处理器以进行分类和个人识别。

不过，该公告的主要影响在于 ML 处理器。该设计的 IP 将在年中提供给 ARM 许可持有者，这意味着到 2020 年（如果不是更早），开发人员应该可以为他们的系统设计提供 ML 处理器。这些处理器具有 tera-OPS 范围内的性能，这将允许它们在本地执行大量的 ML 任务，而无需网络支持。相对于当今基于云的系统，这可以大大降低此类任务的带宽需求和延迟。

ARM 并不是唯一一个在边缘追求 ML 的公司。上面提到的 CEVA NeuPro 是 IP，也可以用于基于边缘的 ML。此外，还有一些初创公司仍处于隐身模式，但很快就会宣布他们的技术，它们正在创建具有适合将 ML 带入电池供电物联网设备的性能和功率属性的 ML 处理器。

因此，机器学习和人工智能即将从云端涌入大量新应用程序。嵌入式系统开发人员可以很好地开始学习曾经是一门深奥的计算机科学，并开始思考如何在他们的应用领域中利用这些功能。正如可编程微处理器的出现改变了数字电子设计一样，机器学习处理器也准备开始成为嵌入式系统设计人员的重要工具。

审核编辑 黄昊宇