近年来，人工智能（AI）技术已在许多领域得到了广泛的运用，比如通过机器的振动来预测使用寿命、检测患者的心脏活动、以及在视频监控系统中融入面部识别功能。不过此类 AI 系统的痛点，就是需要耗费大量的电力来运算、或者依赖通向云端的网络连接来辅助计算。对于注重数据安全和隐私防护的客户来说，这也极大地限制了 AI 的应用场景。
好消息是，CESM 工程师们，刚刚提出了一个新颖的解决方案 —— 让 AI 运算能够在基于微型电池（或光伏发电板）的本地小尺寸装置上运行。
这套人工智能边缘计算方案，能够将数据留在本地完成（而无需上传到云端）。更棒的是，该系统采用了完全模块化的设计，且能够针对需要实时信号 / 图像处理的任何应用进行定制 —— 尤其在涉及敏感数据时。
据悉，CESM 研究团队将在今年 6 月于京东举办的 2021 VLSI 电路研讨会上展示现有的装置，上面的集成电路能够执行复杂的 AI 操作，比如面部 / 语音 / 手势识别，以及心脏监测。
CSEM 的 AI 片上系统（SoC）还另了全新的信号处理架构，能够最大限度地减少运行时的功率。
板载带有自研 RISC-V 处理器的 ASIC 芯片，以及两个紧密耦合的机器学习加速器 —— 其中一个用于面部检测，另一个则专注于分类。
在二叉决策树（BDT）引擎的加持下，它可用于执行简单的任务，但不能开展识别操作。
CESM 片上系统研究主管 Stéphane Emery 表示：“以面部识别应用为例，系统中的第一组加速器会回答初步的问题，即图像中是否有人？如有检出，则他们的面部是否清晰可见？”
此外在语音识别案例中，第一个加速器可用于确定是否存在噪音、以及该噪声是否与人声匹配，但它并不能分辨出特定的声音或单词，此时基于卷积神经网络（CNN）引擎的第二组加速器能够派上用场。
它能够执行更加复杂的任务，比如识别人物面孔的特征、以及检测特定的单词，但相应的能耗也更高。
通过两者的相辅相成，可最终降低整套系统的功率需求，毕竟大多数时候都只有第一组加速器在运行。
AI System-on-Chip Runs on Solar Power（via）
作为研究的一部分，工程师们还提升了加速器本身的性能，使之能够适用于基于时间信号 / 图像处理的任何应用。
Stéphane Emery 补充道：“无论何种应用，我们的系统都以基本相同的方式来运作，所以只需重新配置卷积神经网络引擎的对应层”。
显然，CSEM 的这项创新，为配备可独立运行一年多的 AI 硬件设计敞开了新的大门，同时极大降低了此类设备的安装和维护成本，尤其是部署到那些难以更换电池的地方。
来源：cnBeta.COM
