在本文中，我們主要探討兩個主要問題，即在「小型機器」中實現人工智慧的理由，以及開發人工智慧小型機器將面臨哪些挑戰?
未來，在人工智慧方面，我們應該有飛行汽車和機器人管家。甚至可能遇到有感知能力的機器人決定起來反抗我們。雖然我們還沒有發展到這種程度，但顯然人工智慧(AI)技術已經進入了我們的世界。
每次當我們讓智慧語音助理做一件事是，機器學習技術就會先搞清楚你說了什麼，並試著對你想讓它做什麼做出最好的決定。例如，每次影片網站或電商平台向你推薦「你可能喜歡的電影」或「你可能需要的商品」時，它都是基於複雜的機器學習演算法，盡可能地向你提供具有說服力的建議，這顯然比過去的促銷活動更有吸引力。
雖然我們可能不是所有人都有自動駕駛汽車，但我們敏銳地意識到這一領域的發展以及自動導航提供的潛力。
人工智慧技術承載著一個偉大的希望——機器可以根據周圍的世界做出決定，像人類一樣處理訊息，甚至以一種優於人類的方式。但如果我們考慮一下上面的例子，就會發現只有「大型機器」才能實現人工智慧的承諾，這些設備往往沒有功率、尺寸或成本的限制。或者換句話說，它們會發熱，有線路供電，體積很大，而且很昂貴。例如，Alexa 和 Netflix 這些全球領先的IT巨頭企業依靠雲端中的大型耗電伺服器（資料中心）來推斷使用者的意圖。
雖然自動駕駛汽車很可能依賴電池，但考慮到這些電池必須轉動車輪和轉向，它們的能量容量是巨大的。與最昂貴的人工智慧決策相比，它們是巨大的能源支出。
因此，儘管人工智慧前景廣闊，但「小機器」卻被拋在了後面 。由較小電池供電或具有成本和尺寸限制的設備無法參與機器可以看到和聽到的想法。今天，這些小機器只能利用簡單的人工智慧技術，也許是聽一個關鍵字，或是從心率分析低維度訊號，如光電體積描記術 (PPG)。
但是，小型機器能夠看到和聽到是否有價值？可能很多人很難想像像門鈴攝影機這樣利用自動駕駛或自然語言處理等技術的小設備。儘管如此，諸如詞彙識別、語音識別和圖像分析之類的不太複雜、處理密集程度較低的AI 計算仍然存在機會：
這些例子只是表面上的。讓小型機器看到、聽到和解決以前需要人工幹預的問題的想法是一個強大的想法，我們每天都在繼續尋找創造性的新用例。
那麼，如果人工智慧對小型機器如此有價值，為什麼我們還沒有廣泛應用呢？答案是運算能力。人工智慧推理是神經網路模型計算的結果。把神經網路模型想像成你的大腦如何處理圖片或聲音的一個粗略的近似，把它分解成非常小的片段，然後當這些小片段組合在一起時識別出模式。
現代視覺問題的主力模型是卷積神經網路 (CNN)。這些模型在影像分析方面非常出色，在音訊分析中也非常有用。挑戰在於此類模型需要數百萬或數十億次數學計算。傳統上，這些應用很難選擇實作：
我們需要的是一種嵌入式的人工智慧解決方案，從頭開始構建，以最大限度地減少CNN計算的能源消耗。與傳統的微控制器或處理器解決方案相比，AI推斷需要在一個數量級上執行，並且不需要記憶體等外部元件的幫助，這些元件會消耗能量、體積和成本。
如果人工智慧推理解決方案可以消除機器視覺的能量損失，那麼即使是最小的設備也可以看到並識別周圍世界發生的事情。
幸運的是，我們正處於這場「小機器」革命的開端。現在的產品幾乎可以消除人工智慧推斷的能源成本，並實現電池驅動的機器視覺。例如，一個微控制器可用於執行 AI 推理，同時僅消耗微焦耳的能量。
以上是邊緣人工智慧的夢想與挑戰的詳細內容。更多資訊請關注PHP中文網其他相關文章！
