AMD：嵌入式邊緣AI需要體現(xiàn)價值并便于部署

隨著人工智能（AI）技術廣泛應用于各行各業(yè)，從云到邊緣的解決方案逐漸成為信息技術領域新的熱點。嵌入式邊緣AI在當今的各種邊緣應用中能夠大幅提升作業(yè)人員的生產(chǎn)力，帶動整個AI技術在各個領域的全面落地。邊緣AI的價值在于將計算和存儲資源移動到網(wǎng)絡邊緣，縮短傳輸距離降低傳輸要求，大幅提升數(shù)據(jù)反饋的速度，降低了對系統(tǒng)云端計算能力的需求。邊緣處理數(shù)據(jù)無需傳輸?shù)竭h程服務器，從而大大減少了傳輸延遲，對于需要實時響應的應用場景至關重要。此外，嵌入式邊緣AI結構相對處理效率更高，通過優(yōu)化算法和硬件設計，可以大幅降低系統(tǒng)處理所需的功耗。目前的AI驅動型嵌入式系統(tǒng)實現(xiàn)端到端加速需要采用多芯片方法，為用戶增加了很大的開銷和設計復雜性。針對這一現(xiàn)狀，AMD工業(yè)、視覺、醫(yī)療與科學市場視覺業(yè)務主管Yingyu Xia認為，全面采用嵌入式邊緣AI 技術仍然存在障礙，包括技能人才短缺、AI系統(tǒng)的復雜性以及對失業(yè)的擔憂。為了更廣泛地推廣此類應用，不僅需要展示AI在各個應用任務中的價值，而且還需要確保其便于部署，作為擁有多種嵌入式處理器產(chǎn)品的廠商，這恰是AMD最突出的競爭優(yōu)勢所在。

在邊緣智能的應用中，需要重點關注的就是不同處理器發(fā)揮各自的處理優(yōu)勢從而更好地提升邊緣智能系統(tǒng)的運行效率。為了支持嵌入式設備上的生成式AI模型，Yingyu Xia表示計算平臺需要確保高算力的同時具有高效率，采用處理器異構計算平臺以及一個編譯器，能夠高效地在應用處理器（PS）、圖形處理單元（GPU）、神經(jīng)處理單元（NPU）和現(xiàn)場可編程門陣列（FPGA）之間分配各種工作負載。此外，它們應該提供易于使用的軟件開發(fā)工具套件（SDK），幫助嵌入式工程師將其模型無縫部署到硬件平臺上。NPU對于高效處理標準AI模型至關重要，有助于加速 AI 任務并最大限度降低功耗；與此同時，PS和GPU對于處理尚未針對NPU進行優(yōu)化的更高級別的模型也提供了必要支持；FPGA則有助于集成多種傳感器模態(tài)，以利用多模態(tài)模型并確保傳感器同步。此外，F(xiàn)PGA可以被編程以建立定制、優(yōu)化的數(shù)據(jù)路徑，從而實現(xiàn)系統(tǒng)組件之間的有效數(shù)據(jù)傳輸。

圖1 2027 年營收前 10 的嵌入式AI應用(Alexander Harrowell, Omdia, 2022)

針對各個處理器在邊緣AI 應用中的作用，AMD工業(yè)、視覺、醫(yī)療與科學市場機器人業(yè)務主管KVThanjavur Bhaaskar介紹，CPU一直以來都是功能強大的通用計算引擎，相對于許多其他計算平臺，在可提供支持的廣泛軟件生態(tài)系統(tǒng)方面具有優(yōu)勢。嵌入式處理器集成了用于渲染、可視化和顯示的CPU和圖形。隨著邊緣智能的快速增長，近來的一種趨勢是CPU除了通用計算和圖形功能外，還具有專用的AI計算引擎。迄今為止，設計人員必須在設計中引入加速器才能實現(xiàn)高性能的AI推理。將專用的AI計算引擎引入到CPU中，可提供靈活的架構選擇，減小占板面積并提高能效。就新應用而言，邊緣智能已經(jīng)無處不在，所以可以想象在以前只有CPU的地方現(xiàn)在都具備了AI功能，比如具有AI路徑規(guī)劃的機器人控制器、具有診斷或感興趣區(qū)域功能的醫(yī)學成像等。正在出現(xiàn)的主要設計要求是在滿足整體解決方案需求的情況下選擇正確的引擎進行正確的任務，因為計算工作負載的多樣性、處理器以有效處理它們的方式、以及系統(tǒng)中這種處理能力的可用性都發(fā)生了顯著變化。在為傳統(tǒng)CPU增加AI功能之外，異構處理架構的出現(xiàn)能夠更好的去提升邊緣AI在功耗和效率方面的表現(xiàn)。KV Thanjavur Bhaaskar強調，處理器的選擇取決于特定的系統(tǒng)級別，一個解決方案可能是選擇適合特定任務的正確引擎，因為這將為解決系統(tǒng)中的特定計算任務提供最節(jié)能的方式。AMD 提供的器件結合了不同技術，包括 FPGA、處理子系統(tǒng)（包括 Arm 和RISC-V）、基于 x86 的 CPU、GPU、AI 引擎，構成了可擴展性很強的產(chǎn)品系列，從成本優(yōu)化的嵌入式器件一直到針對數(shù)據(jù)中心市場的高端器件。

Omdia預測了到2027年預計將產(chǎn)生最高收入的前10個嵌入式AI應用（如圖1 所示），這些應用通常展示了上述因素中的兩個或更多，呈現(xiàn)出業(yè)界采用嵌入式AI的目標領域。以工廠自動化為例，工廠中的拾取和放置機器人，需要實現(xiàn)對目標對象的毫米級準確識別并最小化對機械臂的干擾，這需要結合 3D 視覺、點云處理、嵌入式AI和傳感器致動器融合。最大限度降低時延對于保持高生產(chǎn)力至關重要，也有助于確保產(chǎn)量和整體效率的提升。這方面許多人所熟悉的另一個例子是智能結賬系統(tǒng)，不僅可通過實時監(jiān)控掃描商品來增強結賬體驗，而且還能檢測購物者的不當行為，例如將較便宜的商品（如香蕉）替換為較昂貴的商品（如牛排）。這一功能不僅鼓勵顧客使用自助結賬，減少零售商的擔憂，還解決了不斷上升的勞動力成本問題。此外，還可以參考智能交通攝像頭，其需要針對速度高達 200 公里/ 小時的車輛采集圖像信息。要實現(xiàn)這一點，需要集成各種傳感器。然而，全天候持續(xù)傳輸視頻將產(chǎn)生極高的成本。

AMD工業(yè)、視覺、醫(yī)療與科學市場視覺業(yè)務主管Yingyu Xia

隨著AI模型及其參數(shù)的復雜性日益提高，對系統(tǒng)內(nèi)部更有效的數(shù)據(jù)傳輸機制的需求也在增長。統(tǒng)一AI模型是最突出的潛在發(fā)展趨勢。與為同一背景下的各種任務管理多個專門的AI模型不同，統(tǒng)一模型可用于處理多種視覺任務。這種方法在嵌入式邊緣中提供了更有效地資源利用的可能性，尤其是在分布式 AI 架構中更為明顯。預計在這個領域會進行進一步的研究，以提高統(tǒng)一模型的準確性。Yingyu Xia特別提到了當前一個值得關注的趨勢，即業(yè)界出現(xiàn)了能夠在有限標記數(shù)據(jù)下進行有效泛化的模型。這一策略在數(shù)據(jù)采集不便和需要頻繁數(shù)據(jù)訓練的場景中具有極大的價值。由于僅需要最少量的數(shù)據(jù)進行重新訓練，這一趨勢降低了所需的技術專長，并節(jié)省了AI訓練時間。此外，大型語言模型（LLM）的普及使得與AI的交互更類似于與人類對話。只需提出一個問題，AI就能夠理解背景語義并像咨詢專家一樣作出回應。目前一種趨勢是在嵌入式邊緣部署的AI模型中提升對視覺場景的理解。這一發(fā)展有助于作業(yè)人員更清晰地理解視覺場景，在一次視頻搜索的調查過程中，它能夠以自然的人類語言提供洞察和建議。

除了評估AI引擎的能力外，Yingyu Xia認為嵌入式AI系統(tǒng)還在高速和大量數(shù)據(jù)涌入的實時環(huán)境中運行。確保實時操作需要硬件平臺具備高效的數(shù)據(jù)同步和前后處理流水線，以有效地管理數(shù)據(jù)流。在選擇嵌入式平臺時，不僅要考慮AI引擎的效率，還要考慮它與其他關鍵部分的兼容性。AI引擎只是嵌入式系統(tǒng)的一個組成部分，為了實現(xiàn)最佳功能，必須通過其它重要因素進行補充，理想的平臺應該是根據(jù)嵌入式用例需求可以滿足下列大部分要求的平臺。

AMD工業(yè)、視覺、醫(yī)療與科學市場機器人業(yè)務主管KV Thanjavur Bhaaskar

面向邊緣AI應用市場，AMD最近發(fā)布了加速嵌入式邊緣AI開發(fā)的Embedded+架構，該架構將AMDRyzen（銳龍）嵌入式處理器與AMD Versal AI Edge自適應SoC集成在一塊板卡上。KV Thanjavur Bhaaskar強調，自適應計算在確定性、低時延處理方面表現(xiàn)出色，而AI引擎則能夠提升高每瓦性能推理。在這種異構處理器架構中，Ryzen嵌入式處理器提供了Zen+ x86核心，并且具備廣泛的軟件生態(tài)系統(tǒng)支持，Radeon顯卡用于渲染和顯示功能。Versal AI Edge自適應SoC提供了基于Arm Cortex-A72內(nèi)核處理器的子系統(tǒng)用于應用處理，R5-F用于實時處理，F(xiàn)PGA 用于低時延和確定性，AI引擎用于AI推理，最重要的是可編程I/O，支持用戶將各種傳感器直接連接到平臺。在自動化系統(tǒng)中，傳感器數(shù)據(jù)的價值會隨時間推移而遞減，而這些數(shù)據(jù)必須根據(jù)盡可能最新的信息運行，才能實現(xiàn)最低時延和確定性響應。在工業(yè)和醫(yī)療應用中許多決策需要在幾毫秒內(nèi)做出，這就是嵌入式邊緣AI 最適合的方向。Embedded+能最大限度發(fā)揮合作伙伴和客戶數(shù)據(jù)價值，其高能效和高性能算力使合作伙伴與客戶能夠專注于滿足客戶和市場需求。

AMD Embedded+架構將傳統(tǒng)的嵌入式PC轉變?yōu)閮?yōu)化的工業(yè)和醫(yī)療PC。低時延處理和高每瓦性能推理的結合可為關鍵任務實現(xiàn)高性能，包括將自適應計算與靈活的I/O、用于AI推理的AI引擎以及AMD Radeon顯卡實時集成到單個解決方案中，發(fā)揮每項技術的最大優(yōu)勢。Embedded+架構作為一種可擴展的方法，可以通過AMD的任何器件組合進行更新，就在近期，AMD推出了具有專用AI引擎的銳龍8000G 系列CPU和第二代Versal AI Edge系列，這些產(chǎn)品可以用于新一代基于Embedded+的主板，以應對邊緣智能不斷變化的需求。KV Thanjavur Bhaaskar特別提到AMD 在邊緣和云計算領域擁有廣泛的產(chǎn)品組合。AMD不僅將AI功能添加到最新發(fā)布的相關器件中，同時還將提高已有器件的AI能力，考慮到功率效率與成本方面因素，預計這種趨勢將持續(xù)下去。

AMD嵌入式行業(yè)解決方案可為工業(yè)和商業(yè)應用打造高性能、高性價比的系統(tǒng)。憑借一系列靈活、可擴展的處理器，AMD為客戶帶來更出色的計算性能、先進安全性和各種連接選項。AMD嵌入式行業(yè)解決方案可滿足游戲、醫(yī)療、運輸、自動化等工業(yè)和商業(yè)應用的苛刻需求。在針對嵌入式環(huán)境中實現(xiàn) AI 的分布式架構中，Yingyu Xia總結的關鍵是考慮嵌入式邊緣設備的限制性資源、功耗、實時要求和安全性等因素?？紤]到每個AI參數(shù)需要4 字節(jié)（32 位）的數(shù)據(jù)，部署原始大小的32位浮點模型大多是不可行的。例如，如果有 1.7 萬億

個參數(shù)，嵌入式設備上的存儲需求將達到1.7*10^12*4=6.8 TB。因此，采用 BFLOAT16、FLOAT16、INT8等新穎的數(shù)據(jù)格式以最小化所需的內(nèi)存占用是至關重要的。通常，量化器可以幫助將來自浮點 32 模型的數(shù)據(jù)精度降低到量化模型。此外，可以利用 AI分析工具來識別導致最重要瓶頸的層，這有助于嵌入式 AI工程師在邊緣優(yōu)化其模型。而且，關鍵在于需要開發(fā)特定領域的模型以簡化模型復雜性，從而減少模型層數(shù)，使其更容易部署到嵌入式 AI模型中。

作為一家可以同時提供x86、GPU、FPGA和自適應SoC技術的行業(yè)領導者，AMD的嵌入式邊緣AI技術聚焦在汽車、工業(yè)、智能家居和智慧城市以及網(wǎng)絡與存儲等應用，幫助客戶快速構建面向物聯(lián)網(wǎng)網(wǎng)關、邊緣基礎設施、迷你電腦、瘦客戶端等智能邊緣應用的經(jīng)濟高效的產(chǎn)品和解決方案。

（本文來源于《EEPW》2024.5）