一直以來，人工智能的應用存在著一個巨大的障礙：運行人工智能應用程序的算法十分冗雜，且過于依賴云計算和數(shù)據(jù)中心的高算力計算機，這使得它在智能手機和其他的“邊緣”設(shè)備上的應用并不實用。

然而現(xiàn)在，歸功于近幾個月來在軟件、硬件和能源技術(shù)上的一系列突破，這種擔憂正在迅速消散，新的技術(shù)正在快速地進入市場。

這些新的技術(shù)可能會幫助人工智能驅(qū)動的產(chǎn)品和服務(wù)進一步擺脫對強大云計算服務(wù)的依賴，使它們能夠進入我們生活的方方面面，乃至成為我們的身體的一小部分。反過來說，隨著人工智能服務(wù)變得無處不在，德勤(Deloitte)咨詢公司去年底所說的“普適智能”可能將很快實現(xiàn)，它會在未來幾年內(nèi)撼動整個行業(yè)。

市場研究機構(gòu)Gartner Inc.的數(shù)據(jù)顯示，截至到2022年，80%的新發(fā)貨智能手機將具備獨立的人工智能運算功能，這一比例高于2017年的10%。ABI Research的數(shù)據(jù)顯示，預計到2023年，將有約12億部具有人工智能運算功能的智能手機發(fā)貨，這一數(shù)字遠高于2017年的7900萬部。

對此，眾多初創(chuàng)企業(yè)及其支持者都嗅到了巨大的商機。上周，嵌入式視覺聯(lián)盟（Embedded Vision Alliance）在硅谷召開了一次會議。據(jù)該聯(lián)盟創(chuàng)始人Jeff Bier稱，過去三年里，投資者們向新成立的人工智能芯片初創(chuàng)企業(yè)一共投入了約15億美元，規(guī)?？涨啊Ｊ袌鲅芯繖C構(gòu)Yole Developpment預測，到2023年，人工智能應用處理器的復合年增長率將從目前的不足20%升至46%，屆時幾乎所有智能手機都將配備人工智能處理器。

不僅初創(chuàng)企業(yè)，老牌巨頭們也在加入競賽的隊伍。

就在今天，英特爾展示了它即將推出的冰湖（Ice Lake）芯片，其中囊括了“深度學習支持”(Deep Learning Boost)軟件和圖形處理單元上的其他新人工智能指令。周一早間，Arm也推出了一系列針對人工智能應用的處理器，其中包括智能手機和其他高端設(shè)備的處理器。在那幾個小時后，英偉達公司公布了其首個用于人工智能設(shè)備的平臺。

IHS Markit首席分析師Tom Hackett表示:“在未來兩年內(nèi)，幾乎每家處理器廠商都將為人工智能提供某種具備競爭力的平臺。我們現(xiàn)在看到的是全新的機遇?！?/p>

這些芯片正在向智能手機以外的更多領(lǐng)域進軍。它們還被用于數(shù)以百萬計的“物聯(lián)網(wǎng)”設(shè)備，如機器人、無人機、汽車、相機和可穿戴設(shè)備。約75家開發(fā)機器學習芯片的公司中，以以色列的Hailo公司為例，該公司在今年1月進行了一輪2100萬美元的融資。5月中旬，該公司發(fā)布了一款專為深度學習設(shè)計的處理器。深度學習是機器學習的一個分支，最近在語音和圖像識別方面取得了突破。

新的研究表明，神經(jīng)網(wǎng)絡(luò)的規(guī)模可以被縮小10倍，同時，它仍能取得類似的結(jié)果。由此可見，更為緊湊和強大的軟件將會為邊緣端的人工智能鋪平道路?，F(xiàn)在，一些公司已經(jīng)在設(shè)法壓縮人工智能所需的軟件規(guī)模。

例如，谷歌于2017年底推出了面向移動設(shè)備的TensorFlow Lite機器學習庫，這使得智能相機能夠在沒有互聯(lián)網(wǎng)連接的情況下識別野生動物，或是幫助離線成像設(shè)備進行醫(yī)學診斷。谷歌員工研究工程師Pete Warden在嵌入式視覺峰會上的主題演講中說，目前大約有20億部移動設(shè)備安裝了該機械學習庫。

今年3月，谷歌推出了一款語音識別器，來為谷歌虛擬鍵盤應用程序Gboard的語音輸入功能提供支持。這個語音識別轉(zhuǎn)錄算法只有不到80兆字節(jié)，因此它完全可以在Arm 的A系列芯片上離線運行，且不會有網(wǎng)絡(luò)延遲。

與此同時，對云端的隱私的擔憂在迅速上升，這意味著監(jiān)管部門有理由避免敏感設(shè)備間的數(shù)據(jù)交流過于頻繁。

“幾乎所有的機器學習運算都將在設(shè)備端完成，”Bier介紹道。Bier也是伯克利設(shè)計技術(shù)公司的聯(lián)合創(chuàng)始人和總裁，該公司為嵌入式數(shù)字信號處理技術(shù)提供分析服務(wù)。這些設(shè)備的數(shù)目是巨大的。Warden指出，當今世界上約有2500億個活躍的嵌入式設(shè)備，并且這個數(shù)字還在以每年20%的速度增長。

但在這樣的設(shè)備上進行人工智能運算并非易事，這不僅取決于機器學習算法的大小，算法所需要的電量也格外重要。尤其是對于像智能手機、攝像頭和傳感器等物聯(lián)網(wǎng)設(shè)備來說。它們不能過于依賴插座甚至電池供電。

云端收發(fā)數(shù)據(jù)的通訊過程能耗巨大，因此通過蜂窩網(wǎng)絡(luò)或其他連接進行通信對許多小型廉價設(shè)備來說都是一個致命的障礙。Yole development的技術(shù)和市場分析師Yohann Tschudi表示:“我們需要一個專門的架構(gòu)來完成低能耗的通訊?！?/p>

為此，還需要開發(fā)出一種實際能耗小于1毫瓦的設(shè)備，而這大約是智能手機用電量的千分之一。好消息是，越來越多的傳感器甚至微處理器有望做到這一點。

例如，美國能源部與Molex 公司、SkyCentrics建筑公司合作，開發(fā)了用于建筑能源管理的低成本無線傳感器。這個還在實驗中的新型圖像傳感器可以利用環(huán)境光為自身供電。

而且，即使是計算的主力軍——微處理器，也可以是非常低功耗的。 Warden說:“理論上講，我們沒有理由不能在微瓦或比毫瓦小一千倍的能耗下進行計算?！边@在一定程度上是因為，它們可以被編程，例如，只有當一些特定的事情發(fā)生時，比如液體濺到地板上，它們才會喚醒與云端的數(shù)據(jù)交流。

所有這些都表明，機器學習在智能手機、智能相機和工廠監(jiān)控傳感器等領(lǐng)域有著廣泛的新應用。Warden說道:“確實，我們收到了很多在嵌入式設(shè)備上運行機器學習的產(chǎn)品請求?！?/p>

這些應用包括:

使用加速度計預測維修，以確定機器是否震動太多或發(fā)出噪音。

街燈對行人的自動檢測，只有當有人在附近時，街燈才會打開。

利用分散在農(nóng)田中的視覺傳感器或微型攝像機進行農(nóng)業(yè)害蟲識別。

使用安裝在樹上的老式太陽能安卓手機檢測鏈鋸的聲音，以防治非法伐木。

Warden甚至預言傳感器可以相互通信，比如在智能家居中，煙霧報警器探測到潛在的火災時，烤面包機回答說：不，那只是燒焦的烤面包。這些只是暫時的猜測，但是谷歌已經(jīng)在不使用集中訓練數(shù)據(jù)前提下，研究“聯(lián)合學習（federated learning）”來訓練機器學習模型（如下）。

云端將會在機器學習中繼續(xù)扮演重要角色。但目前很明顯的是，人工智能的未來與其說是在云端，不如說是在邊緣。