边缘人工智能芯片大放异彩(5)

且慢。如前所述，智能手机系统级芯片的边缘人工智能部分仅占总芯片区域约5%，在总成本中仅占据3.50美元，同时功耗较整个系统级芯片低约95%。那能否仅制造具备内存等少量其他必要功能的边缘人工智能部分，从而使成本更低、耗电更少且体积更小呢？

一些企业已经这样做了，还有更多企业会参与进来。例如，英特尔和谷歌目前正在向开发者销售内部开发的独立边缘人工智能芯片。英伟达是领先的图形处理器制造商，生产通常用于数据中心人工智能加速的图形处理器——体积大，耗电达数百瓦，成本亦高达数千美元。如今，该公司销售的是定制化人工智能专用芯片（非图形处理器），适用于体积更小、成本更低、功耗更少的边缘设备。高通——领先的智能手机及其他消费级设备外购市场内置边缘人工智能处理核心的系统级芯片制造商——也已发布两款独立的边缘人工智能芯片，性能较其制造的系统级芯片更为强大，但成本更低、体积更小、耗电更少。华为亦是如此。

总体上，共有50家不同公司据称正在研发各种类型的人工智能加速器。除27家从事专用集成电路芯片的企业外，现场可编程门阵列制造商亦提供边缘人工智能芯片版本，用于数据中心以外的领域。2019年市场上的独立边缘人工智能芯片均面向开发者，他们基本是一次购买一片，每片价格约为80美元。购买数量达到数千或数百万片时，设备制造商的采购成本会远低于此——有些低至1美元（甚至更低），有些为数十美元。现在，以智能手机边缘人工智能芯片为例，我们假设平均成本约3.50美元。

上世纪80年代，中央处理器具有强大的计算能力和高度的灵活性，性能出色，是个人电脑这一多用途工具的绝佳选择。

除价格相对较贵外，独立的边缘人工智能处理器具有体积小的优势。部分处理器甚至小到可以装入U盘之中，最大的亦可安装于信用卡大小的主板上。这些处理器功耗相对较低，仅为1-10瓦。相比之下，一个性能十分强大、拥有16个图形处理器和两个中央处理器的数据中心组件成本高达40万美元，重达350磅（约160公斤），功耗达到10,000瓦。

随着这些芯片的应用，边缘人工智能可为企业开创更多新的机遇，尤其在物联网应用程序领域。利用边缘人工智能芯片，企业可极大增强自身能力，能够深入分析（而不仅仅是收集）来自联网设备的数据，并将分析结果转换为行动，同时避免将大量数据发送至云端产生的高昂成本、复杂问题和安全挑战。

人工智能芯片能够助力解决的问题包括：

数据安全和隐私。数据的收集、储存和向云端转移会不可避免地使企业面临网络安全和隐私方面的威胁，即使在企业十分重视数据保护的情况下亦是如此。随着时间的推移，这种极为重要的风险愈发需要企业高度重视予以解决。各国政府正不断推出个人身份信息的相关法规，消费者对企业收集的信息亦愈加警惕——有80%的消费者表示并不认为企业正在尽力采取措施保护消费者的隐私。部分设备（如智能音箱）正逐步应用于病人隐私监管更为严格的医院等环境之中。

通过在内部实现大量数据的处理，边缘人工智能芯片可有效减少个人或企业数据被拦截或滥用的风险。例如，具备机器学习处理功能的安全摄像头可进行视频分析，确定具有相关意义的视频片段，并仅将这些片段发送至云端，从而降低隐私风险。机器学习芯片亦能够识别更为广泛的语音指令，从而减少需要在云端进行分析的音频量。准确度更高的语音识别还能带来额外的助益，使智能音箱能够更准确地检测到“唤醒词”，从而避免听取不相关的对话内容。

低联网要求。要将数据发送至云端处理，设备必须联网。而在某些情况下，设备联网并不现实。以无人机为例。基于无人机的运行环境，设备可能会难以保持联网状态，同时联网及将数据上传至云端还会降低电池寿命。在澳大利亚新南威尔士，人们利用内置人工智能的无人机在沙滩上巡逻，以确保游泳者的安全。这些无人机能够识别被卷入激流的游泳者，或在他们受到鲨鱼及鳄鱼攻击前向其发出危险警告——这均在未联网的情况下完成。

（超）大数据。物联网设备能够产生大量的数据。例如，空客A-350喷气式飞机配备了超过6,000个感应器，每飞行一天便能产生2.5太字节的数据。33全球范围内的摄像头每天产生的数据高达2,500拍字节。若将这些数据全部发送至云端进行存储和分析，不仅成本高昂，操作也极为复杂。将机器学习处理器装在端点（感应器抑或摄像头）便能解决这一问题。例如，摄像头可配备视觉处理器——这是一种低功率系统级芯片处理器，专用于对数字图像进行分析或预处理。内置边缘人工智能芯片的设备能够实时分析数据，并仅向云端传输具有相关性的数据作进一步分析，同时忽略其他数据，从而降低存储和带宽成本。

功率限制。低功率机器学习芯片甚至能使电池容量小的设备在不过度消耗功率的情况下执行人工智能计算。例如，ARM芯片正逐渐应用于呼吸器中以进行数据分析，如吸气肺容量和药物进入肺部的流动等。呼吸器自身便能完成这种人工智能分析，并将结果发送至智能手机应用，帮助医疗****专业人员为哮喘病患者制定定制化的护理方案。除当前可用的低功率边缘人工智能神经网络处理器外，科技公司亦在开发“微型化机器学习”——设备上的深度学习，大小形同微控制器单元（类似于前述的系统级芯片，但体积更小，结构较为简单，功耗更低，仅消耗数毫瓦甚至微瓦电量）。例如，谷歌正在为TensorFlow Lite开发另一版本，以使微控制器能够进行数据分析，将需要发送至芯片外的数据压缩至数个字节。

低延迟要求。无论通过有线还是无线网络，利用远程数据中心执行人工智能计算意味着将会出现至少1-2毫秒的来回延迟，这是最好的情况；最差情况下的延迟可达数十甚至数百毫秒。采用边缘人工智能芯片在设备上执行人工智能计算，可将这种延迟降低至纳秒级——这在要求设备必须瞬时完成数据收集、处理并据此采取行动的应用情境下具有极其重要的意义。例如，自动驾驶汽车必须通过计算机视觉系统收集和处理巨量的数据以识别周围物体，并利用汽车内置的不同感应器控制汽车的各项功能。

（编辑：ASP站长网）