AI,机器视觉技术在边缘将如何发展

不久之前，人工智能和计算机视觉还像是科幻小说里的东西，而现在，它们突然无处不在，从Alexa和Siri到能够识别你正在做的食物并帮助你完美烹饪的厨房电器。

但情况又在发生变化。智能和视觉处理越来越多地发生在边缘。也就是说，计算是在本地进行的，而不是在云中进行。从手机到家用电器，从汽车到工业机器人，从相机到建筑物的服务器柜，这些系统都在发生变化，其共同的主题是处理过程比以往任何时候都更接近传感器。为什么会这样，这种趋势意味着什么?

在Edge AI和Vision Alliance上，我们观察到五个因素将AI推向了边缘，我们把它缩写成BLERP。代表带宽、延迟、经济、可靠性和隐私。

带宽:如果你有一个装有数百个摄像头的商业空间，你根本没有办法将这些信息发送到云上进行处理——它将淹没你所有的互联网连接。你只需要在本地处理它就好了。

延迟:延迟是指系统接收到感官输入并对其作出反应之间的时间。试想一辆自动驾驶汽车:如果前方的人行横道上突然出现了一个行人，汽车大脑可能只有几百毫秒的时间来做决定——没有足够的时间来发送图像到云端并等待响应。

经济:云计算和通信一直在变得越来越好，越来越便宜，但它们仍然需要花钱——可能是很多钱，尤其是在视频数据方面。边缘计算减少了必须发送到云端的数据量，也减少了必须完成的工作量，降低了成本。

可靠性:想象一个拥有面部识别的家庭安全系统——你希望它能让你的家人即使在互联网瘫痪的情况下也能进入房子。本地处理使这成为可能，并使系统具有更强的容错能力。

隐私:边缘的音频和视觉传感器的激增引发了严重的隐私担忧，而将这些信息发送到云上则大大增加了这些担忧。本地处理和消费的信息越多，滥用的机会就越少。所以说“在边缘发生的事就在边缘发生好了。”

如果这些是推动人工智能走向边缘的因素，那么让这种转变成功的是更快、更高效的处理器。计算机视觉和深度学习似乎是神奇的，使我们能够从数百万像素或音频样本中提取意义。但这种魔力是有代价的:实时进行人工智能处理需要每秒进行数十亿甚至上万亿次操作。因此，边缘 AI的一个基本要求就是能够以价格、功耗和尺寸与边缘或嵌入式设备兼容的方式提供这种性能的处理器。

幸运的是，深度学习算法是重复的并且相当简单-只是计算量和数据量巨大。由于这种重复的、可预测的特性，就有可能创造出针对这些算法进行优化的处理器。与通用处理器相比，它们可以轻松地在这些任务上提供10倍、100倍甚至更高的性能和效率。这一事实，再加上人们普遍认为将很快出现数十亿台支持人工智能的边缘设备，在过去几年里引发了高性能人工智能处理器架构的“寒武纪式大爆发”。

了解这些最新进展的一个好方法是看看今年即将召开的嵌入式视觉峰会(Embedded Vision Summit)。David Patterson (RISC的共同发明人和谷歌的TPU架构的贡献者)的主题是:“计算机架构的新黄金时代:处理器创新使无处不在的人工智能成为可能。”

在这次演讲中，包括CEVA、Cadence、Hailo、Intel、Lattice、Nvidia、perceptive、Qualcomm和Xilinx在内的初创企业和知名企业领导人将展示他们最新的边缘 AI处理器以及能够将深度神经网络有效映射到这些处理器上的工具和技术。此外，系统设计专家将分享在从自动驾驶无人机(Skydio)到农用设备(John Deere)再到地板清洁机器人(Trifo)等多种应用中实现边缘 AI的见解。

从Arrow到Xperi，虚拟展会上的参展商将为您提供一个机会，让您看到边缘 AI最新的处理器、开发工具和软件。

我们正进入一个人工智能和计算机视觉的黄金时代…