（文章來源：EEWORLD）

如果你把人工智能和物聯網相結合，你會得到什么?AIoT是一個簡單的答案，但你也得到了一個巨大的微控制器的應用新領域，這得益于神經網絡技術的進步，意味著機器學習不再局限于超級計算機的世界。如今，智能手機應用程序處理器可以執行圖像處理、推薦引擎和其他復雜功能的人工智能推理。

我們將這種能力應用到不起眼的微控制器中是一個巨大的機會。想象一下，我們可以使用人工智能過濾對話中的背景噪音的助聽器，也會有識別用戶面部并切換到其個性化設置的智能家電，這些以AI驅動的傳感器節點可以用最小的電池運行數年。這也在端點處理數據提供了不可忽視的延遲、安全和隱私優勢。

然而，利用微控制器設備實現有意義的機器學習并非易事。例如，人工智能計算的一個關鍵標準——內存，它經常受到嚴重限制。但數據科學正在迅速發展，以縮小模型的尺寸，設備和IP供應商正通過開發工具和整合為現代機器學習需求量身定制的功能來應對。

作為該行業快速增長的一個標志，TinyML峰會正變得越來越強大。據組織者說，去年舉辦的首屆峰會有11家贊助公司，而今年的活動有27家，而且門票銷售時間也早得多。他們的全球設計師月度聚會的會員人數大幅增加。一批企業正在利用TinyML相關的技術與產品，探索如何在這些無處不在的小型設備上，更好的搭載機器學習，以便提高設備的分析能力和運行效率。

TinyML是不同技術領域和推動因素的交集，它位于物聯網設備、機器學習和邊緣計算之間的結合部，并因為多種驅動力的綜合作用，進展很快。

在TinyML 2020峰會上，英偉達、ARM、高通、谷歌、微軟、三星等公司紛紛展示了微型機器學習的最新成果。這是TinyML峰會的第二屆，這次他們得出了一些重要的結論：對于很多應用場景，TinyML技術和硬件已經進化到實用性較強的階段；無論是算法、網絡，還是低于100KB的ML模型，都取得了重大突破；視覺和音頻領域的低功耗需求快速增長。

何為TinyML？分布最廣的物聯網設備往往體積很小、電量有限。它們被作為終端硬件，通過嵌入式傳感器采集各種數據；計算能力有限，對功耗極為敏感。這類設備也能實現機器學習嗎？一個趨勢是，人工智能AI正在加快速度從“云端”走向“邊緣”，進入到越來越小的物聯網設備中。

在終端和邊緣側的微處理器上，實現的機器學習過程，被稱為微型機器學習，即TinyML。更準確的說，TinyML是指工程師們在mW功率范圍以下的設備上，實現機器學習的方法、工具和技術。

TinyML委員會聯合主席、高通的Evgeni Gousev在展會上表示：“我們看到了一個新世界，TinyML技術帶來了數以萬億計的智能設備，它們可以感知、分析和自主行動，為所有人創造一個更健康、更可持續的環境。” Gousev將這種增長歸因于更節能的硬件和算法的發展，以及更成熟的軟件工具的結合。他指出，企業和VC的投資正在增加，初創企業和并購活動也在增加。

如今，TinyML委員會相信這項技術已經得到驗證，在微控制器中使用機器學習的初始產品將在2-3年內上市。“殺手級應用”預計將在3-5年內問世。

去年春天，當Google首次演示了用于微控制器的TensorFlow框架版本時，技術驗證的一個重要象征。微控制器的TensorFlow Lite被設計為在只有千字節內存設備上運行(核心運行時在Arm Cortex M3上只有16 KB，并且有足夠的操作員運行語音關鍵字檢測模型，總共需要22 KB)。它只支持推理(不支持訓練)。

大型微控制器制造商當然正饒有興趣地關注著TinyML社區的發展。隨著研究使得神經網絡模型越來越小，它們的機會也越來越大。大多數都支持機器學習應用程序。例如，意法半導體有一個STM32Cube擴展包。是一個人工智能，使映射和運行神經網絡在其STM32系列的Arm Cortex-M為基礎的微控制器。

瑞薩有自己的e-AI開發環境，允許在微控制器上實現AI推理。它有效地將模型轉換為一種在e2 studio中可用的形式，并與C/ c++項目兼容。e2 studio ISDE專為Synergy平臺而設計，并提供相關工具以用于軟件設計流程的三個階段：準備階段、構建階段和調試階段。

對于準備階段，e2 studio配備用于硬件選項（包括MCU引腳分配）和軟件選項（如RTOS線程分配）的圖形配置器。內置錯誤檢查功能可確保做出有效選擇，并在出現任何沖突或違規時通知用戶。e2 studio還提供設計用于簡化構建階段的功能，如自動代碼生成、內置代碼模板和自動代碼構造。借助關鍵字彩色編碼、跳轉聲明、變量自動完成和上下文感知手冊，開發人員可以節省大量時間和投入。

對于調試階段，e2 studio提供多種方法來深入顯示代碼執行情況。調試工具支持動態跟蹤線程執行時間和中斷服務例程，并支持對整體系統行為進行可視化。全面調試和分析功能將簡化實時系統事件的故障診斷流程。NXP表示，有客戶使用其低端Kinetis和LPC MCU進行機器學習應用。NXP盡管目前主要是圍繞其更大的應用處理器和交叉處理器(在應用處理器和微控制器之間)。但他們正在硬件和軟件解決方案上實現人工智能化。
（責任編輯：fqj）