物联网拥抱人工智能,MCU如何成为跨界「幕后英雄」

雷锋网  •  扫码分享
我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

随着物联网与5G、网络通信、人工智能等技术融合发展,各行各业也都在致力于推进数字化、智能化转型。

物联网从来不是垂直领域的概念,而是千百个行业中应用的集合。

在复杂的应用场景下,边缘计算的概念变得火热。云计算的大数据时代,数据被上传到云端集中处理,但海量数据的传输会在云端形成堵塞,对物联网的响应速度造成影响。

在这种背景下,边缘计算的应用迎来爆发。

将算力分配到边缘,能够减少算力集中,让产生于边缘的数据在边缘“就近处理”,这正好与设备多而杂的物联网要求相符。

随着物联网的应用愈加广阔,并与人工智能结合,智能边缘的概念应运而生。

人工智能点火,物联网起飞

人工智能如今早已经浸入生活的方方面面。

从能够战胜人类顶尖围棋选手的AlphaGo,到能够语音控制家电的智能音箱,人工智能使成千上万的行业和场景发生了前所未有的变化。

对物联网行业来说,人工智能的出现带来了全新的生机。

“万物互联”的概念早已存在,人工智能则进一步赋予了互联的万物“思考”的能力。

作为一种强大的识别技术,人工智能的出现大大强化了物联网设备对当前现状的分析能力,以识别一只猫为例子,使用过去的传统软件方法需要软件开发者从猫图像中提取出猫的特征,如猫有三角形的尖耳朵和胡须,并将图像与这些特征进行匹配。但这种主观判断方法很难避免折耳猫,侧身照片,黑色背景等例外情况下脱离预设的图像特征。而使用人工智能方法,则只需要输入大量的、不同状态下的猫照片,人工智能就能自动建立准确、深层的猫图像特征模型,从而准确的在图片中识别出猫。

这种变化对物联网来说是颠覆性的,以物联网热门赛道智能家居为例,人工智能的加入让智能家居的重点从“连接”走向“智能”,结合温湿度、光线、加速度等传感器数据,根据实时情况调整物联网设备状态,打造一个“活着”的家已经成为了智能家居在更高维度上的新定义。

但物联网的广泛的应用场景也给AI提出了新的需求。

IoT技术更加强调“物与物”之间的互联,连接更为广泛并对时间敏感。且大多终端设备都工作内容简单,算力要求小,工作时间长,续航要求高的特点。

这些要求让终端设备不得不考虑功耗问题,甚至有许多终端设备由电池供电,在物联网设备中部署人工智能算力时还要考虑对电池供电的支持。

AlphaGo等传统中心化的人工智能核心虽然算力更高,但在更为碎片化的物联网中,算力更多时候受到客观条件制约,无法肆意驰骋,必须戴着“镣铐”跳舞。

为了适应实际应用中分散式,碎片化的需求,人工智能逐渐与边缘计算相结合,将算力从云端迁移至边缘。

IoT时代,MCU再进化

边缘端AI的要求与云端不同。边缘端AI只处理由边缘产生的数据,主要面向图像分析、声音分析、波形识别等工作。对于终端单一应用来说,算力要求不会很高。

但在另一方面,在物联网环境中计算对功耗和成本则更加敏感。

处于边缘的物联网设备对功耗非常敏感,如传感器、安防摄像头等设备要求长期在线工作,但提供传统人工智能算力的FPGA或GPU在边缘端很难满足这样的工作要求。

ADI MCU产品线资深业务经理李勇说:“传统意义上的AI芯片的特点是算力强但功率和尺寸较大,针对的更多是对计算速度、算力较高的应用。如果将FPGA或者GPU用到边缘端,一是成本受不了,二是没有办法用电池进行供电。”

李勇用一个例子形象的解释了这种需求错配:终端一个安防摄像头的工作往往只是拍摄一幅图片再分析一次,然后再拍衣服图片并再分析一次,这并不需要很高的算力,反而需要的是能够满足长时间待机需求的长续航。

在边缘应用的新要求下,AI正在寻找新的出路,MCU则是这个问题的一个可能解。

早在上世纪60年代末,MCU产品的雏形就已经出现。某种程度上,通用型MCU的广泛应用为上世纪后五十年的电子设备创新打下了基础。

在物联网时代到来后,MCU则被赋予了端侧计算中枢这一更高使命。 无论是设备本身的功能还是作为物联网的一部分,物联网设备在连接、交互、安全等方面都已经离不开MCU。

而当如今智能遇上边缘,MCU又担起了新的使命。

随着MCU的算力进一步提升,高频MCU的主频已经提升到GHz级别,已经可以满足边缘端低算力人工智能需求。将人工智能集成在MCU上,只用一颗芯片实现端侧部署,正在成为新的潮流。

在过去几年里,包括瑞萨在内的多家MCU厂商都在积极探索将MCU与人工智能结合。

在日前举办的ADI MCU Media Workshop上,ADI中国技术支持中心高级工程师辛毅就介绍的ADI最新的边缘AI解决方案MAX78000就是践行的这条路线。

辛毅介绍到,MAX78000集成了卷积神经网络(CNN)引擎,能够满足边缘人工智能应用需求,并且MAX78000的设计宗旨是最大程度降低CNN引擎功耗。

为了这个目标,该器件采用了Arm  Cortex-M4F处理器与32位RISC-V处理器的双内核架构,内置了CNN引擎。

辛毅形象的把这个架构比喻成“爸爸和妈妈”:两个微控制器内核是“买菜的妈妈”,CNN加速器则是“做菜的爸爸”,合力完成边缘智能的计算工作。

在这样的架构下,能够减少数据迁移,提高数据并行性,降低电流消耗。

两个不同架构的微控制器则有着进一步分工。李勇介绍,Arm与RISC-V双内核在具体工作过程中各司其职,算力较强的Arm内核负责MCU的控制处理,而RISC-V内核则作为协处理器配合CNN引擎进行AI计算中的数据搬运。功耗甚至能够做到MCU+DSP架构的百分之一。

在人工智能时代,MCU这个芯片届的老前辈并没有落后,依然“历久弥新”,在可见的未来里,已经成为了物联网边缘不可或缺的“大脑”。 雷峰网 (公众号:雷峰网) =

雷峰网原创文章,未经授权禁止转载。详情见 转载须知 。

随意打赏

提交建议
微信扫一扫,分享给好友吧。