為了在吸引大家關注的 5G 網絡和物聯網等設備上實現邊緣計算（靠近數據源頭一側的運算），需要在微型設備上部署最夠多的計算力。

為實現這一想法，未來努力的方向將會是利用人工智能（AI）計算技術——也可以稱作“邊緣 AI”。雖然有些人關心技術專家如何能把超出傳統計算能力的 AI 應用于微型設備上——有些人正在絞盡腦力，不知道哪個國家將在這個新領域占據優勢——但實際上這項技術還處于早期研發階段。

圖 | 單個硅梁（紅色部分），與其驅動電極（黃色部分）和讀寫電極（綠色和藍色部分）一起，使得微機電系統擁有非平凡計算能力。（圖源：Guillaume Dion）

不過這種所謂的“早期階段”出現了一點變化。位于加拿大魁北克省的舍布魯克大學的研究人員已經設法為微機電系統（MEMS）設備配置了一種人工智能，標志著歷史上首次在微機電系統設備中植入 AI。

實驗的結果是在微機電系統中實現神經形態計算，就像是在微型設備上模擬人類大腦的運行。這種組合使得設備可以在自身上處理數據，從而改善邊緣計算的前景。

“去年我們已經寫了一篇論文，從理論上論證了微機電系統 AI 的可能性，”論文的合著者舍布魯克大學教授 Julien Sylvestre 詳細介紹了這一進展。“我們最新的突破說明我們可以在實驗室中制作出這種設備。”

研究人員在他們發表于《Journal of Applied Physics》描述了在微機電系統中實現的 AI 方法，他們稱之為“儲備池計算（Reservoir computing）”。Sylvestre 教授解釋說，為了理解儲備池計算，需要了解一些關于人工神經網絡如何運作的知識。這些人工神經網絡通過輸入層獲取數據，經過包含多個稱為神經元的計算單元的隱藏層對數據進行變換，然后在輸出層中輸出最終結果。儲備池計算最常用于時間依賴的數據（而圖像等輸入數據是靜態的，不是時間依賴數據）。

因此，儲備池計算使用由時間依賴輸入驅動的動態系統。動態系統一般選擇相對復雜的系統，它對輸入的響應可能與輸入本身完全不同。

此外，選擇具有多個自由度響應輸入的系統。這樣的話，輸入被“映射”到高維空間，每個維度對應于一個自由度。這樣會創造很多信息的“豐富性”，也意味著輸入有許多不同的變換。

“儲備池計算所使用的特殊技巧是將所有維度線性組合，在給定輸入的條件下，獲得與我們期望計算機輸出相一致的輸出，”Sylvestre 說。“這就是我們所說的‘訓練’儲備池計算的過程。與其他 AI 方法不同，線性組合的計算非常簡單，人們會嘗試修改動態系統的內部機制來獲得期望的輸出。”

在大多數儲備池計算系統中，動態系統是軟件。在這項工作中，動態系統就是微機電系統器件本身。為了實現這種動態系統，該設備用到了非線性動力學——硅梁在非常薄的時候會在空間中振蕩，這些振蕩會產生一種神經網絡，能夠將輸入信號映射到神經網絡運算所需要的更高維空間。

Sylvestre 解釋說，修改微機電系統器件的內部工作原理很難，但在儲備池計算中（修改內部工作原理）并非必需，這就是他們使用硅梁振動方法在微機電系統中實現 AI 的原因。

“我們的工作表明，可以利用微機電系統中的非線性資源實現 AI 能力，”Sylvestre 說。“這是一種創造人工智能設備的新方法，它可以將設備做到小巧而高效。”

根據 Sylvestre 的說法，很難將這種微機電系統設備的處理能力與臺式計算機等進行比較。“計算機與我們的微型設備工作方式截然不同，”他解釋說。“計算機很大并且消耗大量功率（達到數十瓦），而我們的微機電系統設備甚至可以制作在人類的頭發絲上，以微瓦的功率就可以運行。盡管消耗的功率很少，但是這種微型設備仍然可以做一些很有趣的工作，比如對某些口語詞匯分類——這項任務可能會使用相當于臺式計算機 10％的資源。”

據 Sylvestre 稱，這種配備 AI 的微機電系統的一種可能的應用是加速度計微機電系統，其中設備收集的所有數據都在設備內處理，而無需將數據發送回計算機。

雖然研究人員還沒有關注它們如何為這些微型設備供電，但是可以假設這些設備在不需要電池的情況下運行在能量采集器上。考慮到這一點，研究人員正在尋求將他們的人工智能微機電系統應用在傳感器和機器人控制等應用上。