研究新型機器學習網絡的科學家旨在將人工智能（AI）所需的一切都嵌入到處理器中，從而無需將數據傳輸到云或計算機。

微小的智能微電子應被用于在芯片上執行盡可能多的傳感器處理，而不是通過將通常不需要，重復的原始數據發送到云或計算機來浪費資源。可以這么說，新的機器學習網絡背后的科學家旨在將人工智能（AI）所需的一切都嵌入到處理器中。

“這為從傳感器數據的實時評估開始的許多新應用打開了大門，”  弗勞恩霍夫微電子電路與系統研究所  在其網站上說。從不發送任何多余數據的延遲，再加上快速的處理，從理論上講意味著零延遲。

另外，在微處理器上的自學習功能意味著嵌入式或傳感器設備可以自校準。該研究所稱，它們甚至可以“完全重新配置以隨后執行完全不同的任務”。“具有不同任務的嵌入式系統是可能的。”

通過網絡發送的許多物聯網（IoT）數據是多余的，并且浪費資源：例如，每10分鐘讀取一次溫度讀數，例如在環境溫度不變的情況下。實際上，人們僅需要知道溫度何時改變，也許只有在達到閾值時才知道。

神經網絡傳感器芯片

這家德國商業研究機構表示，它正在開發一種特殊的RISC-V微處理器，該處理器具有專用的硬件加速器，該硬件加速器是為已開發的腦復制人工神經網絡（ANN）設計的。該架構最終可能適合于狀態監測或預測傳感器，這種類型的傳感器我們可能會在工業物聯網（IIoT）中看到更多。

弗勞恩霍夫IMS 嵌入式系統人工智能（AIfES）的關鍵  在于，自學習是在芯片級別而不是在云或計算機上進行的，并且獨立于“與云或功能強大且資源豐富的連接”。饑餓的處理實體。” 但它仍然提供“完整的AI機制，例如獨立學習”

Fraunhofer IMS表示，這是“分散式AI”。“它不專注于大數據處理。”

實際上，對于此類系統，如果確實需要，則原始數據實際上不需要連接，僅需要分析后結果即可。成群結隊甚至可以代替它。群策群力使傳感器彼此交談，共享相關信息，而無需涉及主機網絡。

Fraunhofer IMS說：“有可能通過小型的自適應系統構建網絡，這些系統之間可以共享任務。”

分散式神經網絡的其他好處包括它們比云更安全。因為所有處理都是在微處理器上進行的，所以“不需要傳輸敏感數據”，Fraunhofer IMS解釋說。

其他邊緣計算研究

并非只有弗勞恩霍夫大學的研究人員相信整個網絡對于神經元，像大腦一樣的AI芯片會變得多余。賓漢姆頓大學和佐治亞理工學院正在研究類似的面向邊緣的技術。

賓厄姆頓去年在寫有關大學的工作時在其網站上說：“我們的想法是讓這些芯片能夠完成芯片中的所有功能，而不是通過某種大型服務器來回傳遞消息。”

無需進行主要通信鏈接的優勢之一：您不僅不必擔心互聯網的彈性，還可以節省創建鏈接的能量。能源效率是傳感器領域的野心-更換電池既耗時，昂貴，有時在偏遠地區也非常困難。

無需為在數據中心或其他類似地點等待傳輸的大量原始數據提供內存或存儲，也無需在源頭進行處理，因此可以將其丟棄。