研究新型機器學(xué)習(xí)網(wǎng)絡(luò)的科學(xué)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(shù)據(jù)傳輸?shù)皆苹蛴嬎銠C。

微小的智能微電子應(yīng)被用于在芯片上執(zhí)行盡可能多的傳感器處理，而不是通過將通常不需要，重復(fù)的原始數(shù)據(jù)發(fā)送到云或計算機來浪費資源。可以這么說，新的機器學(xué)習(xí)網(wǎng)絡(luò)背后的科學(xué)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(shù)據(jù)的實時評估開始的許多新應(yīng)用打開了大門，”  弗勞恩霍夫微電子電路與系統(tǒng)研究所  在其網(wǎng)站上說。從不發(fā)送任何多余數(shù)據(jù)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(xué)習(xí)功能意味著嵌入式或傳感器設(shè)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(zhí)行完全不同的任務(wù)”。“具有不同任務(wù)的嵌入式系統(tǒng)是可能的。”

通過網(wǎng)絡(luò)發(fā)送的許多物聯(lián)網(wǎng)（IoT）數(shù)據(jù)是多余的，并且浪費資源：例如，每10分鐘讀取一次溫度讀數(shù)，例如在環(huán)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(jīng)網(wǎng)絡(luò)傳感器芯片

這家德國商業(yè)研究機構(gòu)表示，它正在開發(fā)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(fā)的腦復(fù)制人工神經(jīng)網(wǎng)絡(luò)（ANN）設(shè)計的。該架構(gòu)最終可能適合于狀態(tài)監(jiān)測或預(yù)測傳感器，這種類型的傳感器我們可能會在工業(yè)物聯(lián)網(wǎng)（IIoT）中看到更多。

弗勞恩霍夫IMS 嵌入式系統(tǒng)人工智能（AIfES）的關(guān)鍵  在于，自學(xué)習(xí)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(xué)習(xí)”

Fraunhofer IMS表示，這是“分散式AI”。“它不專注于大數(shù)據(jù)處理。”

實際上，對于此類系統(tǒng)，如果確實需要，則原始數(shù)據(jù)實際上不需要連接，僅需要分析后結(jié)果即可。成群結(jié)隊甚至可以代替它。群策群力使傳感器彼此交談，共享相關(guān)信息，而無需涉及主機網(wǎng)絡(luò)。

Fraunhofer IMS說：“有可能通過小型的自適應(yīng)系統(tǒng)構(gòu)建網(wǎng)絡(luò)，這些系統(tǒng)之間可以共享任務(wù)。”

分散式神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)”，F(xiàn)raunhofer IMS解釋說。

其他邊緣計算研究

并非只有弗勞恩霍夫大學(xué)的研究人員相信整個網(wǎng)絡(luò)對于神經(jīng)元，像大腦一樣的AI芯片會變得多余。賓漢姆頓大學(xué)和佐治亞理工學(xué)院正在研究類似的面向邊緣的技術(shù)。

賓厄姆頓去年在寫有關(guān)大學(xué)的工作時在其網(wǎng)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(wù)器來回傳遞消息。”

無需進行主要通信鏈接的優(yōu)勢之一：您不僅不必擔心互聯(lián)網(wǎng)的彈性，還可以節(jié)省創(chuàng)建鏈接的能量。能源效率是傳感器領(lǐng)域的野心-更換電池既耗時，昂貴，有時在偏遠地區(qū)也非常困難。

無需為在數(shù)據(jù)中心或其他類似地點等待傳輸?shù)拇罅吭紨?shù)據(jù)提供內(nèi)存或存儲，也無需在源頭進行處理，因此可以將其丟棄。