計算機科學家David Blaauw從他的包里拿出一個小塑料盒，小心地用手指甲從中夾起一個小黑方塊，放在酒店的咖啡桌上。這是世界上最小的電腦之一，體積只有1立方毫米。我必須小心翼翼不能咳嗽或打噴嚏，以免它被吹走，或者被掃入垃圾桶。

　　Blaauw和他的同事Dennis Sylvester（兩人同為IEEE Fellow和密歇根大學的計算機科學教授）在二月份于舊金山舉辦的IEEE國際固態電路會議（ISSCC）上發表了與這些“微型計算機”相關的10篇論文。他們近幾年來不斷研發出各種不同的微型設備。

　　他們的Michigan Micro Mote（M3）計劃的總體目標是為醫療設備和物聯網制造更智能、更小的傳感器，從而能夠以更少的能量消耗做更多的事情。

　　如何處理一萬億個設備產生的數據

　　麥克風、攝像機以及其他傳感器構成了智能設備的“眼睛”和“耳朵”。它們必須保持實時在線，并且經常將本地數據發送到云端，因為它們無法自己進行復雜的分析計算。有人預測到2035年，將有1萬億這樣的設備。Blaauw說：“如果有一萬億臺設備不斷產生數據，人類將會被數據淹沒。” Blaauw和Sylvester希望通過開發能夠在板上進行分析的小型，高效能計算傳感器，使這些設備更安全、更節能、同時占用更低的帶寬。

　　在ISSCC，他們闡述了功率僅為幾納瓦的微型計算機，來執行例如區分過往車輛的聲音、測量溫度和光照水平等任務。 還展示了一個緊湊型收音機，可以將數據從小型計算機發送到距離20米遠的接收機，與去年報道的50厘米的范圍相比，進步顯著。 他們還介紹了與臺積電（臺積電制造有限公司）在設備中嵌入閃存的合作，并介紹了專用的低功耗硬件，用于運行基于深神經網絡的人工智能算法。

　　Blaauw和Sylvester說，他們采取一整套的措施來實現這些新功能，并且不增加功耗。 Sylvester表示，沒法用一個簡明的表述來解釋他們是怎樣做到的。如果有，那就是“智能電路設計”，Blaauw補充道。

　　Sylvester說，內存研究是一個很好的例子來說明正確的權衡可以提高性能。 以前的微型計算機使用8千字節的SRAM（靜態RAM），這樣計算機性能必然是差的。要錄制視頻和聲音，微型計算機需要更多的內存。 所以團隊與臺積電合作在電路中嵌入閃存（Flash）。現在他們可以制造1兆字節內存的小型計算機了。

　　Flash可以比SRAM占用更小的空間存儲更多的數據，但是寫入內存需要大量的電能。 他們的團隊和臺積電一道設計了一個新的內存陣列，使用更高效的電荷泵進行寫入過程。 這個存儲器陣列相比于臺積電的商業產品密度稍低一點，但仍比SRAM強得多。西爾維斯特說：“我們通過小的折中獲取了大的收益。”

　　功耗僅為288微瓦的神經網絡處理器

　　他們在ISSCC上提出的另一個微型計算機包含一個深度學習的處理器，可以使用僅僅288微瓦電進行神經網絡計算。 神經網絡是在面部和語音識別等任務中表現良好的人工智能算法。 它們通常需要大量內存和強大的處理能力，因此它們通常運行在配以高級GPU的服務器集群上。 一些研究人員一直在試圖通過專門設計用于運行這些算法的專用硬件來減小深入學習的內存和功耗需求。 但即便如此，這些處理器仍然使用超過50毫瓦的功率——對于微型計算機來說仍然太多。 密歇根大學的團隊通過重新設計芯片架構來降低功耗要求，例如通過將四個處理器件置于存儲器（在這種情況下為SRAM）中，以最小化數據移動。

　　目前的理念是要把神經網絡植入物聯網。 Blaauw說：“很多運動檢測相機會拍到被風吹動的樹枝，這是沒有意義的。” 安防攝像機和其他連接的設備不夠智能，無法識別盜賊和樹木之間的區別，因此它們浪費能量，將無意義的圖像發送到云端進行分析。 板載深度學習處理器可以做出更好的決策，前提是它們不使用太多的電能。 密歇根大學團隊認為，除了安防系統之外，深度學習的處理器可以集成到許多其他物聯網應用中。 例如，如果中央空調系統看到多個人穿上大衣，可以決定將空調關閉。

　　在學術界展示了這些微型計算機的多種應用之后，密歇根大學團隊希望在幾年內將產品推向市場。 Blaauw和Sylvester說，他們的創業公司CubeWorks目前正在進行原型生產和市場研究。 該公司在2013年底悄然啟動。去年10月，英特爾投資公司宣布給予這家公司一筆數額未公開的投資。