边缘人工智能处理芯片的发展趋势

在目前的发展趋势下，由于边缘机械设备涉及的面积很大，从预付费水表到无人驾驶汽车，对算率和功能损耗的需求不同，即使是边缘人工智能处理芯片，也不能立即比较。AML100可配备模拟关键应用程序，立即对模拟数据信息进行相应的信号分析，如频谱分析、神经元网络svm算法等，最后输出真实有效的传感器数据信息，最后发送给数据CPU。

作为一个客户，我们已经证实了人工智能技术从设备能的演变，发展趋势已经蔓延到边缘端。众所周知，由于功能损失和严格的算率规定，目前一些计划的实际效果并不好。边缘人工智能往往被称为伪要求的封建思想，但无论是人工智能处理芯片制造商、IP经销商还是移动软件计划提供商，他们都在不遗余力地展示自己的发展潜力。

追求完美功耗低

在很多人看来，ADSP-2189NBCA-320人工智能处理芯片分为云空间和边缘端。云空间人工智能处理芯片面向网络服务器和HPC。当然，规定性能优异，但功能损失不低，逻辑推理和实践通常是分开的。而对边缘处理芯片的需求恰恰相反。追求完美的第一件事是低功耗。

在目前的发展趋势下，由于边缘机械设备涉及的面积很大，从预付费水表到无人驾驶汽车，对算率和功能损耗的需求不同，即使是边缘人工智能处理芯片，也不能立即比较。例如，有些是单独的人工智能处理芯片，有些是具有辅助效果的辅助处理器。黎明时期的旭日3系列产品是智能视觉和雾计算销售市场的边缘人工智能处理芯片，X3M可以给5TOPS人工智能等效电路算率，X3E可以给3TOPS人工智能等效电路算率，在tsmc16nm制造和黎明时期的IC设计下，该系列产品的功能损失已经保证了2.5W。但即使功耗很低，也不能说覆盖了所有的边缘人工智能场景。

今年年初，AI初创公司Aspinity发布了AML100AnalogML处理芯片，主要推广仿真模拟人工神经网络功耗低边缘AI处理芯片，最大支持4个仿真模拟传感器。该处理芯片面向这些必须立即唤起的边缘人工智能应用程序，如智能家居系统中的监控系统、智能可穿戴设备上的智能语音系统操作、保护和预测维护中的异常检测等。这种应用程序都有一个共同的特点，即它离不开传感器。传统的即时唤醒结构将传感器的脉冲信号传输到ADC，转换成模拟信号，然后发送到数据CPU。如今，这种计划已经可以完成较低的功能损失。

但从Aspinity的角度来看，这种结构必须模拟，数据系统软件必须保持即时在线，ADC避免控制器输入输出的数据信息。因此，数据CPU负责处理所有模拟信号，因此功能损耗基本为3000-5000μA。AML100可配备模拟关键应用程序，立即对模拟数据信息进行相应的信号分析，如频谱分析、神经元网络svm算法等，最后输出真实有效的传感器数据信息，最后发送给数据CPU。这样，数据CPU就不需要一直唤起，只需要在监控必要的数据信息时唤起，而AML100组成的系统模拟功能损耗可以保证在100μA以下。从Aspinity的角度来看，AML100的电池循环次数增加了20倍。

物理模型的困惑

当然，仅仅依靠人工智能处理芯片并不能支持所有边缘人工智能的发展趋势。我们都知道，物理模型是人工智能中不可缺少的一部分。我不知道边缘侧的概念毕竟不会运行这些大量的人工智能实体模型，所以只有运行这些小型业务和随算率扩展的设备学习模型，如蒂尼ML，所以边缘端手机软件栈也是一个巨大的挑战。此外，调整不同硬件配置的人工智能实体模型也是边缘端人工智能布局的一个主要问题。这样，虽然许多边缘人工智能处理芯片已经达到了足够优秀的特点，但在手机软件绿色生态不完善的情况下，应用领域仍然很少。因此，边缘人工智能的改进通常以降低成本优化模型为主导，使其融入边缘端的应用领域，也可以在低功耗下完成肯定的优势。

最近，另一家新成立的美国人工智能公司出现在水面上，并获得了来自高通芯片风险投资和Foothillventure等公司的1000万美元种子轮股权融资。其初创精英团队包括深入学习技术（被赛灵思回收）pcompresion技术开发人员韩松、前FacebookAI技术总监DiWu等。从几位创始人的经验来看，他们在人工智能和深度神经网络方面都有丰富多彩的工作经验，都是清华电子技术出生的。充分考虑Foothillventure，即更名前的清远风险投资，并不新奇。

在精英团队中，我们应该多谈谈。毕竟，无论主力阵容多么豪华，新成立的公司都必须以整体实力发言。OmniML的王牌是什么？单看几位创始人之前的成就，他们确实擅长减少和改进实体模型，尤其是他们也活跃在TinyML的开发设计社区。在OmniML官网的表述中，强调OmniML给出的手机软件计划可以改进AI/ML实体模型，随意安排在边缘机械设备中，不易损坏特性和精度。此外，OmniML还提供了一种神经系统架构检索，对硬件配置进行认知，只需练习实体模型一次，即可安排在所有硬件配置中，无论是GPU、AI处理芯片还是低功耗的MCU，即使是旧的硬件配置也能在OmniML的帮助下获得强大的AI/ML工作能力。

根据高通芯片的观点，OmniML的神经系统框架检索并不仅仅是缩小物理模型来确保改进，而是从一开始就建立一个有效的新物理模型。对于边缘硬件配置用户，它不仅可以降低时间和资本成本，而且可以有效地提高精度。OmniML声称，它们已经被用于亚马逊的Automl和Meta的Pytorch深度神经网络框架。

充分考虑到开发设计精英团队拥有丰富的视觉系统环境，OmniML也率先面向无人驾驶和智能相机。他们根据CortexM7MCU的身体检查和面部/口罩检查，展示了6车载相机传感器结合的3D检查方案。

边缘AI的要求并不冷门

面对无限的发展潜力，边缘人工智能或经常被其他人政治化，但如果我们直接看应用程序商店，我们会发现边缘人工智能有很大的要求。无论是TWS手机耳机的降噪、服务机器人的语音识别技术还是汽车的无人驾驶，边缘人工智能的发展趋势最终这种情况产生更高的功能损失优势，降低成本，加快着陆速度。