作者：Richard Quinnell，主編

機器學習 (ML) 是人工智能 (AI) 的一個分支，多年來一直致力于電子系統。然而，到目前為止，實現 ML 所需的處理能力主要將其限制為基于云的活動。然而，這種情況即將改變，隨著新一代微控制器的出現，其內核中內置了 ML 功能，ML 將擴展到邊緣。

機器學習基本上是使用一種算法來制定系統對輸入數據的期望輸出響應，而無需開發人員定義其間的處理。機器學習不是通過編寫程序程序告訴系統如何處理輸入數據，而是讓系統根據輸入和一些成功標準確定自己的過程。目前，ML 的關鍵方法是人工神經網絡 (ANN)，并且有許多實現，稱為框架，用于創建 ML 設計，例如 Tensorflow、Caffe 和 Android NN。

存在許多功能性 ML 系統，盡管它們目前是基于云的。Alexa 語音識別服務就是一個明顯的例子。它一開始是通用的，但隨著時間的推移，它能夠學習個人的語音和語音模式，以便它可以對不同的用戶做出不同的反應。還有一些機器學習系統會根據他們從您的互聯網互動中了解您的興趣和購物歷史來選擇哪些廣告將出現在您的瀏覽器上。工業 ML 系統正在確定如何根據收到的系統數據優化控制復雜的化學制造過程或預測設備維護要求。

但云不再是必需品。微控制器供應商開始開發將機器學習帶到邊緣的芯片，而無需與大型處理器建立網絡連接。這些本地處理器將能夠自行處理任務。

圖片來源：Pixabay。

邊緣機器學習的種子可以在 CES 2018 上看到。CEVA 展示了基于其 CEVA 深度神經網絡軟件的NeuPro低功耗機器學習處理器 IP。同樣，萊迪思半導體也提供了基于其 FPGA 技術的人工智能參考設計。ARM 談到了其 專注于產品開發的新技術團隊，該團隊專注于在其處理器產品中支持機器學習。展會上很明顯，ML 很快就會出現在您附近的微控制器上。

最近，ARM 放棄了另一只鞋，并宣布它正在提供專門用于 ML 應用程序的新處理器架構。這項代號為 Project Trillium 的工作已經產生了兩種新的處理器類型：ML 處理器和對象檢測處理器。物體檢測處理器是第二代設計，用于識別 60-Hz 高清視頻圖像流中的人和其他物體。ML 處理器是一種全新設計，針對眾多 ML 框架共有的工作流活動進行了優化。兩者可以一起使用，例如，在合影中執行面部識別。對象檢測處理器將識別所有面部并將僅面部數據發送到 ML 處理器以進行分類和個人識別。

不過，該公告的主要影響在于 ML 處理器。該設計的 IP 將在年中提供給 ARM 許可持有者，這意味著到 2020 年（如果不是更早），開發人員應該可以為他們的系統設計提供 ML 處理器。這些處理器具有 tera-OPS 范圍內的性能，這將允許它們在本地執行大量的 ML 任務，而無需網絡支持。相對于當今基于云的系統，這可以大大降低此類任務的帶寬需求和延遲。

ARM 并不是唯一一個在邊緣追求 ML 的公司。上面提到的 CEVA NeuPro 是 IP，也可以用于基于邊緣的 ML。此外，還有一些初創公司仍處于隱身模式，但很快就會宣布他們的技術，它們正在創建具有適合將 ML 帶入電池供電物聯網設備的性能和功率屬性的 ML 處理器。

因此，機器學習和人工智能即將從云端涌入大量新應用程序。嵌入式系統開發人員可以很好地開始學習曾經是一門深奧的計算機科學，并開始思考如何在他們的應用領域中利用這些功能。正如可編程微處理器的出現改變了數字電子設計一樣，機器學習處理器也準備開始成為嵌入式系統設計人員的重要工具。

審核編輯 黃昊宇