邊緣AI和機器學習將被廣泛應用于工業和家庭

Tamas Daranyi

各行各業的數字化轉型和日常生活中的新場景已經對邊緣上的人工智能（AI）和機器學習、先進數據處理、音頻、視覺等產生了需求。邊緣機器學習（ML）計算支持廣泛的、智能化的工業和家庭應用，包括用于異常檢測的傳感器數據處理、預測性維護、用于改進玻璃破碎檢測的音頻模式識別、簡單命令詞識別以及視覺應用，如使用低分辨率攝像頭進行在場檢測或人數統計。現在的產品設計人員已看到了人工智能和機器學習的巨大潛力，可以為家庭安全系統、可穿戴醫療監測器、商業設施和工業設備監控傳感器等邊緣應用帶來更多的智能化。所以Silicon Labs認為邊緣AI和機器學習將被廣泛應用于工業和家庭。

商業樓宇管理部門的工作人員正在探索如何使他們的建筑系統（包括照明和暖通空調）更加智能，以降低業主的成本并減少對環境的影響。消費性產品和智能家居解決方案提供商都在努力簡化各種設備的連接并擴展它們的交互方式，從而為消費者帶來創新的功能和服務。

那些考慮在邊緣設備上部署人工智能或機器學習的人員，他們都面臨性能和功耗使用方面的巨大的困境，這些可能會超過其帶來的好處，最終得不償失。邊緣人工智能解決方案需要具備業界所需功能的最佳組合，包括物聯網邊緣應用相關的對多樣化無線多協議的支持、電池壽命、機器學習和安全性等。隨著集成創新和行業合作的突破，在對AIoT（人工智能物聯網）期待已久之后，邊緣AI于最近走進了我們的工作和生活。

作為一家全球領先的擁有安全和智能的無線技術、先進外圍設備和先進計算內核的無線SoC供應商， Silicon Labs已經為邊緣人工智能/機器學習制定了戰略和路線圖。該戰略的一個關鍵部分是解決在無線SoC上盡可能快速和高效地運行機器學習模型的挑戰。我們正在探索集成機器學習和無線連接功能的單芯片解決方案及其最有意義的、特別關注低功耗的應用，這將成為物聯網行業的一場徹底變革。Silicon Labs認為，顛覆性的邊緣AI解決方案需要創新地集成不同的技術。無線SoC 上的單芯片解決方案是確保高性能和高能效的最佳方式之一;它們還需要產業鏈之間的合作，以使硬件加速與 AI/ML工具和算法相匹配。集成工具的能力是邊緣AI成功的關鍵因素。例如，Silicon Labs于今年1月推出了其 BG24和MG24系列2.4 GHz無線SoC，分別支持藍牙和多協議操作，同時也推出一個全新的、用于機器學習的軟件開發工具包。這個新平臺同時優化硬件和軟件，以助力用戶在電池供電的邊緣設備上實現AI/ML應用和高性能無線功能，所有這些都集成在同一個SoC中。

除了原本就支持的TensorFlow， Silicon Labs還與一些領先的AI和ML工具提供商（如SensiML和Edge Impulse等）合作，以確保開發人員獲得一個端到端的工具鏈，簡化機器學習模型的開發，并優化無線應用的嵌入式部署。

這個新的AI/ML工具鏈與Silicon Labs的Simplicity Studio工具以及BG24和MG24系列SoC結合使用，開發人員可以創建從各種連接設備中提取信息的應用，所有設備都使用Matter相互通信，然后做出智能的、由機器學習驅動的決策。

異構計算對于人工智能、機器學習和深度學習解決方案都非常重要。硬件數據加速器被廣泛應用于這些解決方案。對于邊緣AI來說，架構創新變得越來越重要，因為解決方案資源有限且能效要求高。特別是具有 AI/ML功能的2.4 GHz無線SoC需要在架構上進行創新。