人工智能（AI）在很多人眼里是，只是一種科幻片中不明覺厲的存在，而與普通人的生活之間隔著很遠的距離。但是這樣的局面正在被改變，在未來5-10年中，AI將會以超乎我們想象的速度快速滲透到我們生活的方方面面。為什么這么講？一起隨我們往下看。

　　人工智能物聯網的基本范式

　　之所以我們與AI之間會有“距離感”，主要是因為以前玩AI是一件比較奢侈的事。這種“奢侈”主要體現在，實現AI所依賴的機器學習（ML），在其訓練和推理的過程中對算力有非常高的要求。為了應對這樣的挑戰，通過云計算集中算力做數據處理，也就成為了實現機器學習的一個經典方法。

　　但是到了物聯網時代，這樣的模式受到了挑戰——集中式云計算帶寬和存儲資源消耗大、實時數據傳輸消耗電量多、數據在終端和云端之間傳輸延遲長、數據傳輸和云端集中存儲過程中安全風險大。這些弊端讓人們認識到單純的云計算不是包打天下的萬能藥。

　　因此，邊緣計算作為經典云計算的補充，越來越得到大家的重視。按照邊緣計算的定義，將大部分計算任務放在邊緣設備上直接進行處理，而只在必要的時候將一些經過預處理的數據傳輸至云端進行“精加工”，這樣既能提升邊緣端實時響應的速度和智能化水平，又能為網絡傳輸通路和云端數據中心減負，因此這樣的混合計算模式顯然可以完美地堅決傳統云計算的痛點。

　　這種計算架構的變遷，也對機器學習的模式產生了影響，使其從以計算為中心的模式向以數據為中心的模式轉變。這兩種模式中，前者是將機器學習的訓練和推理都放在云端數據中心中完成，而后者則是由云端完成模型的訓練，而將推理放在邊緣設備上完成，這也就形成了人工智能物聯網（AIoT）實施的基本范式。

　　向MCU擴展機器學習的疆界

　　顯而易見，邊緣計算使得機器學習的疆界大為擴展，使其從數據中心的機房走向了更多樣性的網絡邊緣智能。但對于物聯網應用來講，這似乎還不夠。因為在邊緣設備上進行推理，仍然需要相對強悍的算力，這通常需要包含ML協處理器在內的較為復雜的異構微處理器來實現加速，如此的配置在嵌入式領域已經算是很“高端”的了。僅此一條，就會將不少對于功耗、成本、實時性敏感的應用關在機器學習的門外。

　　因此，機器學習想要繼續開疆擴土，一個主攻方向就是要讓資源更簡單、算力更有限的微控制器（MCU）也能夠跑得了、玩得起機器學習。IC Insights的研究數據顯示，2018年全球MCU的出貨量為281億顆，到2023年將這個數字將增長到382億顆，而全球的MCU存量將數以千億計，誰要是能夠讓如此量級的設備玩轉機器學習，其前途和錢途都將是不可限量的！

　　但對于任何一個夢想來說，現實往往顯得比較“骨感”。將機器學習部署到MCU運行，就好像是要將一只大象塞進冰箱，而這個答案絕對不是一句腦筋急轉彎的玩笑話，而是需要在技術從兩個維度上去仔細考量。

　　為機器學習模型瘦身

　　第一個維度，就是要考慮如何為ML模型這只“大象”進行“瘦身”，也就是說要發展出相應的技術，能夠在微控制器上部署、運行“小型化”的機器學習推理模型。這種瘦身后的模型，需要滿足的條件包括：

　　運行模型的終端功耗一般在mW級別，甚至更低；占用的內存一般要在幾百kB以下；推理時間為ms級別，一般需要在1s內完成。

　　為了實現這樣的目標，TinyML技術應運而生。顧名思義，這就是一種能夠讓ML模型“變小”的技術。與上文提到的AIoT機器學習的基本范式一樣，TinyML也是要在云端收集數據并進行訓練，而不同之處則在于訓練后模型的優化和部署——為了適應MCU有限的計算資源，TinyML必須對模型進行“深度壓縮”，通過模型的蒸餾（Distillation）、量化（Quantization）、編碼（Encoding）、編譯（Compilation）一系列操作后才能部署到邊緣終端上。

　　圖1：嵌入式設備中部署TinyML的示意圖（圖源：網絡）

　　其中，一些關鍵的技術包括：

　　蒸餾：是指在訓練后通過剪枝（pruning）和知識蒸餾的技術手段，對模型進行更改，以創建更緊湊的表示形式。

　　量化：在模型蒸餾后，通過量化實現以更少位數的數據類型近似表示32位浮點型數據，在可接受的精度損失范圍之內減少模型尺寸大小、內存消耗并加快模型推理速度。

　　編碼：就是通過更有效的編碼方式（如霍夫曼編碼）來存儲數據，進一步減小模型規模。

　　編譯：通過以上方式壓縮好的模型，將被編譯為可被大多MCU使用的C或C++代碼，通過設備上的輕量級網絡解釋器（如TF Lite和TF Lite Micro）運行。

　　在過去的兩年中，我們已經明顯感覺到TinyML技術在升溫，廠商在該領域的投入也在加碼。根據Silent Intelligence的預測，未來5年中，TinyML將觸發超過700億美元的經濟價值，并且保持超過27.3%的復合年均增長率。

　　打造機器學習MCU新物種

　　把“大象裝進冰箱”，除了要在“大象”（也就是ML模型）身上下功夫，另一個維度上的努力就是要改造“冰箱”，也就是對我們熟悉的MCU進行優化和改造，令其能夠符合運行ML的需要。

　　比如，為了滿足在IoT邊緣設備中實現復雜機器學習功能的需要，Maxim Integrated就推出一款專門的低功耗ML微控制器MAX78000。該器件內置Arm Cortex-M4F處理器（100MHz）和32位RISC-V協處理器（60MHz），以及支持64層網絡深度的卷積神經網絡加速器，可在電池供電應用中執行AI推理，而僅消耗微焦耳能量。與傳統的軟件方案相比，這種基于硬件加速的方案使得復雜的AI推理能耗降至前者的百分之一，而推理速度則可以快100倍。

　　預計具有類似ML特性的新物種，將成為未來各家MCU大廠產品路線圖中的重要分支。

　　圖2：Maxim Integrated推出的低功耗ML微控制器MAX78000（圖源：Maxim）

　　本文小結

　　綜上所述，與微處理器或者x86等嵌入式計算架構相比，MCU具有功耗很低、成本低、開發周期短、上市快、實時性好、市場體量大等特點，這些特性如果能夠和高能的機器學習結合在一起，其想象空間無疑是巨大的。

　　在促成兩者“結合”的過程中，如果能夠為開發者提供支持機器學習功能的MCU“新物種”，如果能夠提供一個完整的開發工具鏈，讓ML模型的優化和部署更順手，那么把機器學習這只“大象”放進MCU的“冰箱”，將成為信手拈來的輕松事。

　　更重要的是，這樣的趨勢剛剛萌芽，你完全有機會成為一只early bird，在這個全新的領域中自由的飛翔。