近幾年AI的發(fā)展「邊緣運(yùn)算」（Edge Computing）越來(lái)越熱門,。隨著硬件芯片的性能提升，讓以往只能作為「接收」功能的端口也能用于協(xié)助運(yùn)算,，使AI運(yùn)作更有效率,；例如自動(dòng)煞車系統(tǒng)、智能音箱等,，都是邊緣運(yùn)算的實(shí)際應(yīng)用,。
本文跟大家解析MCU在AI邊緣運(yùn)算中的應(yīng)用。
MCU,，機(jī)器學(xué)習(xí)的另一種選擇
在進(jìn)入邊緣運(yùn)算之前,，先來(lái)了解一下何謂MCU？
說到機(jī)器學(xué)習(xí)（Machine Learning）時(shí),，你會(huì)聯(lián)想到什么呢,？是電影中那種巨大且排滿主機(jī)的艙房嗎？但運(yùn)用這種方式不僅須消耗大量電力,，所排放的廢熱更是驚人,，能使數(shù)個(gè)國(guó)家級(jí)的游泳池從冷水變成溫水,！
傳統(tǒng)的機(jī)器學(xué)習(xí)需要數(shù)量龐大的主機(jī)
然而，其實(shí)機(jī)器學(xué)習(xí)（Machine Learning）有更節(jié)約能源的方式— 也就是利用MCU,。
MCU的優(yōu)缺點(diǎn)比較
MCU（Microcontrollers）具備其他硬件所沒有的優(yōu)點(diǎn),，比如體積小、價(jià)格便宜,、省電等，這些特性可為附加的系統(tǒng)降低成本,。因此,，未來(lái)若想讓AI應(yīng)用在生活的各層面，MCU無(wú)疑是最佳選擇,。
不過目前市面上的大量運(yùn)算裝置,，大多專注于CPU、GPU,，或類似超級(jí)計(jì)算機(jī)的云端（Cloud）,。但是MCU在效能表現(xiàn)相對(duì)低落，因此目前要將MCU應(yīng)用于AI運(yùn)算,，看來(lái)還有困難,。
各類硬件運(yùn)算效能比較
為了使MCU能于生活的各個(gè)面向執(zhí)行AI運(yùn)算與應(yīng)用，一些行業(yè)專家,，結(jié)合各種MCU優(yōu)缺點(diǎn),，開發(fā)出開源項(xiàng)目uTensor，也就是想發(fā)展一套基于mbed的精簡(jiǎn)版TensorFlow框架,，實(shí)現(xiàn)MCU邊緣運(yùn)算的目標(biāo),，目前已做出手寫識(shí)別的Demo。
邊緣,，現(xiàn)實(shí)與虛擬的交界
首先來(lái)定義Edge,，所謂的「邊緣」，其實(shí)是虛擬與現(xiàn)實(shí)世界的交界邊緣（Edge）,。從物聯(lián)網(wǎng)（IoT）到MCU全都屬于數(shù)字的范圍,，而數(shù)字接觸不到的地方，則是現(xiàn)實(shí)世界,。目前在現(xiàn)實(shí)世界中,，還有許多信息無(wú)法被上傳到數(shù)字的虛擬世界，因此兩者之間的接縫,，就是「邊緣」,。
但問題來(lái)了：該如何將現(xiàn)實(shí)世界中數(shù)量龐大的信息連接到物聯(lián)網(wǎng)呢？必須部署好幾萬(wàn)個(gè)感測(cè)節(jié)點(diǎn)（sensor node）才能達(dá)成,；但是,，并不是每個(gè)人,、每個(gè)環(huán)境都具備WiFi、4G／5G等通訊協(xié)議支持,，那么該如何做,？
有行業(yè)人士認(rèn)為，LPWAN的LoRa就是最佳選擇,。如同下圖所示意的發(fā)訊塔,，如果放在城市大樓的頂端，那么網(wǎng)絡(luò)的覆蓋率達(dá)到一,、二十公里絕不是問題,，雖然比特率（birate）不高，距離越長(zhǎng)遞減越嚴(yán)重,，但長(zhǎng)距離覆蓋與功耗極低的特性,，相當(dāng)適合拿來(lái)進(jìn)行IoT的傳輸。
LoRa的發(fā)訊特性
那么,，另外還有那些適合邊緣運(yùn)算的通訊協(xié)議呢,？需要從以下兩點(diǎn)來(lái)檢視：首先電力與帶寬是首要考慮，再來(lái)是傳輸距離長(zhǎng)短,。因?yàn)檫吘夁\(yùn)算的理想狀態(tài),，就是能依靠電池或太陽(yáng)能供電；帶寬則選擇長(zhǎng)距離,、低功耗的LPWAN,，在這樣的選擇下所畫出的扇形圖（如下圖），即為邊緣運(yùn)算可運(yùn)用的通訊區(qū)塊,。
通訊協(xié)議之電力與帶寬比較
問題是,，此區(qū)塊中的傳輸效能不佳，像是音頻,、視頻等類型的數(shù)據(jù)不可能上傳到云端進(jìn)行運(yùn)算,，因此該如何設(shè)計(jì)邊緣運(yùn)算，還需要經(jīng)過仔細(xì)的思考推敲,。
透過編碼與譯碼,，執(zhí)行邊緣運(yùn)算
目前有一種解決方案是透過人工神經(jīng)網(wǎng)絡(luò)（Neural Network）將原有的信息編碼（encode）、壓縮,，縮小其容量,，使其能于LPWAN環(huán)境下傳輸?shù)皆贫耍龠M(jìn)行譯碼（decode）,。
因?yàn)槿魧⒕幋a,、譯碼分散在MCU裝置與云端上分別處理，MCU本身就不需要處理或傳輸過于龐大的數(shù)據(jù)；另一個(gè)好處是,，解碼的云端透過遷移學(xué)習(xí)（Transfer Learning）替換較為容易,，透過同樣的裝置，便能在云端變換出不同的應(yīng)用,。
遷移學(xué)習(xí)的運(yùn)作示意圖
小結(jié)
回顧上文可以發(fā)現(xiàn),，即使科技發(fā)展不斷追求效能與硬件的表現(xiàn)，但未來(lái)最需要的關(guān)鍵詞仍然是「永續(xù)」,；即使超級(jí)計(jì)算機(jī)的運(yùn)算能力再杰出,，若不能有效地普及于日常生活之中，其發(fā)展性依然會(huì)受到局限,。
反觀MCU與邊緣運(yùn)算,，雖然于現(xiàn)階段都還存在限制，但隨著技術(shù)的持續(xù)發(fā)展,，相信在此領(lǐng)域中存在很大空間。