邊緣AI：徹底改變實時數(shù)據(jù)處理和自動化

—— 隨著對實時智能的需求增長，邊緣 AI 處于有利地位，可以繼續(xù)在許多行業(yè)產(chǎn)生重大影響。

作者：時間：2025-03-10 來源：ED

加入技術(shù)交流群
- 掃碼加入
  和技術(shù)大咖面對面交流
  海量資料庫查詢

從智能家居助手（想想 Alexa、Google 和 Siri）到在駕駛員離開車道時通知駕駛員的高級駕駛輔助系統(tǒng) （ADAS），世界都依靠邊緣 AI 為這些日益常見和重要的設(shè)備提供實時處理（圖 1）。

本文引用地址：http://2s4d.com/article/202503/467851.htm

邊緣 AI 直接在設(shè)備內(nèi)使用人工智能，在數(shù)據(jù)源附近進(jìn)行計算，而不是在具有云計算的異地數(shù)據(jù)中心進(jìn)行計算。邊緣 AI 提供更低的延遲、更快的處理速度、減少對持續(xù)互聯(lián)網(wǎng)連接的需求，并降低隱私問題。盡管如此，仍可能存在挑戰(zhàn)。

這項技術(shù)代表了數(shù)據(jù)處理方式的重大轉(zhuǎn)變。隨著對實時智能的需求增長，邊緣 AI 處于有利地位，可以繼續(xù)對工程師產(chǎn)生巨大影響。

邊緣 AI 最重要的價值是它可以為關(guān)鍵應(yīng)用程序提供的速度。與云/數(shù)據(jù)中心 AI 不同，邊緣 AI 不會通過網(wǎng)絡(luò)鏈接發(fā)送數(shù)據(jù)，而是希望獲得合理的響應(yīng)時間。相反，邊緣 AI 在本地計算（通常在實時作系統(tǒng)上），擅長提供及時響應(yīng)。對于 ADAS 等情況，工程師開發(fā)了算法，使車輛能夠處理來自車載攝像頭和傳感器的數(shù)據(jù)，從而允許對導(dǎo)航、障礙物檢測和安全功能進(jìn)行實時決策，而無需依賴云處理。

用于實時處理的邊緣 AI

許多實時活動推動了對邊緣 AI 的需求。智能家居助手、患者監(jiān)測和預(yù)測性維護(hù)等應(yīng)用是該技術(shù)對工程師產(chǎn)生影響的顯著用途。從快速響應(yīng)家庭問題到在本地分析生物識別數(shù)據(jù)的可穿戴健康設(shè)備，邊緣 AI 提供快速響應(yīng)，同時最大限度地減少隱私問題。

邊緣 AI

人工智能需要計算能力，但更高效的算法和專用硬件使其適用于邊緣節(jié)點(diǎn)。

很長一段時間以來，我們已經(jīng)看到邊緣 AI 在供應(yīng)鏈中表現(xiàn)良好，尤其是在倉儲和工廠方面。在過去十年中，運(yùn)輸行業(yè)的技術(shù)也取得了長足的發(fā)展，例如在云層等條件下導(dǎo)航的送貨無人機(jī)。

邊緣 AI 也為工程師做了很多偉大的事情，尤其是在醫(yī)療技術(shù)領(lǐng)域，這是一個關(guān)鍵的進(jìn)步領(lǐng)域。例如，開發(fā)起搏器和其他心臟設(shè)備的工程師可以為醫(yī)生配備尋找異常心律的工具，同時還可以主動對設(shè)備進(jìn)行編程，以指導(dǎo)何時尋求進(jìn)一步的醫(yī)療干預(yù)。Med-tech 將繼續(xù)增加對邊緣 AI 的使用并構(gòu)建更多功能。

如何生成邊緣 AI 模型

隨著日常生活中越來越多的系統(tǒng)集成了某種程度的機(jī)器學(xué)習(xí) （ML）交互，了解這個世界對于工程師和開發(fā)人員規(guī)劃未來用戶交互變得至關(guān)重要。

邊緣 AI 的最大機(jī)會是 ML，它基于統(tǒng)計算法匹配模式。這些模式可能是感應(yīng)到有人在場，有人剛剛為智能家居助手說了“喚醒詞”（例如，Alexa 或“Hey Siri”），或者電機(jī)開始晃動。對于智能家居助手，喚醒詞是在邊緣運(yùn)行的模型，不需要將您的聲音發(fā)送到云端。它會喚醒設(shè)備并讓它知道是時候調(diào)度進(jìn)一步的命令了。

生成 ML 模型可以采用多種途徑，例如使用集成開發(fā)環(huán)境（如 TensorFlow 或 PyTorch）或使用軟件即服務(wù) （SaaS）平臺（如 Edge Impulse）。構(gòu)建一個好的 ML 模型的大部分 “工作” 都用于創(chuàng)建一個有代表性的數(shù)據(jù)集并對其進(jìn)行很好的標(biāo)記。

目前，最流行的邊緣 AI ML 模型是監(jiān)督模型。這是一種基于標(biāo)記和標(biāo)記樣本數(shù)據(jù)的訓(xùn)練，其中輸出是一個已知值，可以檢查其正確性，就像讓導(dǎo)師檢查并在此過程中進(jìn)行正確的工作一樣。此訓(xùn)練通常用于分類工作或數(shù)據(jù)回歸等應(yīng)用程序。監(jiān)督式訓(xùn)練可能很有用且高度準(zhǔn)確，但它在很大程度上取決于標(biāo)記的數(shù)據(jù)集，并且可能無法處理新的輸入。

運(yùn)行邊緣 AI 工作負(fù)載所需的硬件

DigiKey 等公司完全有能力協(xié)助邊緣 AI 的實施，因為它們通常在微控制器、FPGA 和單板計算機(jī) （SBC）上運(yùn)行。DigiKey 與頂級供應(yīng)商合作，提供在邊緣運(yùn)行 ML 模型的幾代硬件;例如，NXP 的 MCX-N 系列和 STMicroelectronics 的 STM32MP25 系列。

在過去幾年中，來自創(chuàng)客社區(qū)的開發(fā)板在運(yùn)行邊緣 AI 方面廣受歡迎，包括 SparkFun 的邊緣開發(fā)板 Apollo3 Blue、Adafruit 的 EdgeBadge、Arduino 的 Nano 33 BLE Sense Rev 2 和 Raspberry Pi 的 4 或 5。

神經(jīng)處理單元（NPU）在邊緣 AI 中越來越受歡迎。NPU 是專用 IC，旨在加速基于神經(jīng)網(wǎng)絡(luò)的 ML 和 AI 應(yīng)用程序的處理，基于具有許多互連層的人腦結(jié)構(gòu)，以及處理和傳遞信息的稱為神經(jīng)元的節(jié)點(diǎn)。新一代 NPU 正在創(chuàng)建具有專用數(shù)學(xué)處理的 NPU，包括 NXP 的 MCX N 系列和 ADI 的 MAX78000。

用于邊緣設(shè)備的 AI 加速器也在不斷涌現(xiàn)。不過，這個領(lǐng)域尚未確定，早期著名的公司包括 Google Coral 和 Hailo。

機(jī)器學(xué)習(xí)傳感器的重要性

帶有 ML 模型的高速相機(jī)在供應(yīng)鏈中已經(jīng)運(yùn)行了很長一段時間。它們已被用于決定在倉庫內(nèi)將產(chǎn)品發(fā)送到何處或在生產(chǎn)線中查找有缺陷的產(chǎn)品。供應(yīng)商現(xiàn)在正在創(chuàng)建低成本的 AI 視覺模塊，這些模塊可以運(yùn)行 ML 模塊來識別物體或人。

盡管運(yùn)行 ML 模型需要嵌入式系統(tǒng)，但更多產(chǎn)品將繼續(xù)作為支持 AI 的電子元件發(fā)布。這包括支持 AI 的傳感器，也稱為 ML 傳感器。雖然向大多數(shù)傳感器添加 ML 模型不會提高它們在應(yīng)用程序中的效率，但 ML 訓(xùn)練可以使幾種類型的傳感器以更高效的方式執(zhí)行：

相機(jī)傳感器，其中可以開發(fā) ML 模型來跟蹤幀中的物體和人員。
IMU、加速度計和運(yùn)動傳感器，用于檢測活動概況。

許多 AI 傳感器都預(yù)裝了隨時可以運(yùn)行的 ML 模型。例如，用于感應(yīng)人員的 SparkFun 評估板經(jīng)過預(yù)編程，可通過 QWiiC I2C 接口檢測人臉并返回信息。一些 AI 傳感器，如 Arduino 的 Nicla Vision 或 Seeed Technology 的 OpenMV Cam H7，更加開放，需要經(jīng)過訓(xùn)練的 ML 模型來確定他們正在尋找什么（缺陷、對象等）。

使用神經(jīng)網(wǎng)絡(luò)提供計算算法，可以在物體和人員進(jìn)入攝像頭傳感器的視野時對其進(jìn)行檢測和跟蹤。

邊緣 AI 的未來

隨著許多行業(yè)的發(fā)展并越來越依賴技術(shù)進(jìn)行數(shù)據(jù)處理，邊緣 AI 將繼續(xù)得到更廣泛的采用。通過在設(shè)備級別實現(xiàn)更快、更安全的數(shù)據(jù)處理，邊緣 AI 的創(chuàng)新將是深遠(yuǎn)的。預(yù)計在不久的將來將擴(kuò)展的一些領(lǐng)域包括：