边缘AI和机器学习将被广泛应用于工业和家庭

Tamas Daranyi

各行各业的数字化转型和日常生活中的新场景已经对边缘上的人工智能（AI）和机器学习、先进数据处理、音频、视觉等产生了需求。边缘机器学习（ML）计算支持广泛的、智能化的工业和家庭应用，包括用于异常检测的传感器数据处理、预测性维护、用于改进玻璃破碎检测的音频模式识别、简单命令词识别以及视觉应用，如使用低分辨率摄像头进行在场检测或人数统计。现在的产品设计人员已看到了人工智能和机器学习的巨大潜力，可以为家庭安全系统、可穿戴医疗监测器、商业设施和工业设备监控传感器等边缘应用带来更多的智能化。所以Silicon Labs认为边缘AI和机器学习将被广泛应用于工业和家庭。

商业楼宇管理部门的工作人员正在探索如何使他们的建筑系统（包括照明和暖通空调）更加智能，以降低业主的成本并减少对环境的影响。消费性产品和智能家居解决方案提供商都在努力简化各种设备的连接并扩展它们的交互方式，从而为消费者带来创新的功能和服务。

那些考虑在边缘设备上部署人工智能或机器学习的人员，他们都面临性能和功耗使用方面的巨大的困境，这些可能会超过其带来的好处，最终得不偿失。边缘人工智能解决方案需要具备业界所需功能的最佳组合，包括物联网边缘应用相关的对多样化无线多协议的支持、电池寿命、机器学习和安全性等。随着集成创新和行业合作的突破，在对AIoT（人工智能物联网）期待已久之后，边缘AI于最近走进了我们的工作和生活。

作为一家全球领先的拥有安全和智能的无线技术、先进外围设备和先进计算内核的无线SoC供应商， Silicon Labs已经为边缘人工智能/机器学习制定了战略和路线图。该战略的一个关键部分是解决在无线SoC上尽可能快速和高效地运行机器学习模型的挑战。我们正在探索集成机器学习和无线连接功能的单芯片解决方案及其最有意义的、特别关注低功耗的应用，这将成为物联网行业的一场彻底变革。Silicon Labs认为，颠覆性的边缘AI解决方案需要创新地集成不同的技术。无线SoC 上的单芯片解决方案是确保高性能和高能效的最佳方式之一;它们还需要产业链之间的合作，以使硬件加速与 AI/ML工具和算法相匹配。集成工具的能力是边缘AI成功的关键因素。例如，Silicon Labs于今年1月推出了其 BG24和MG24系列2.4 GHz无线SoC，分别支持蓝牙和多协议操作，同时也推出一个全新的、用于机器学习的软件开发工具包。这个新平台同时优化硬件和软件，以助力用户在电池供电的边缘设备上实现AI/ML应用和高性能无线功能，所有这些都集成在同一个SoC中。

除了原本就支持的TensorFlow， Silicon Labs还与一些领先的AI和ML工具提供商（如SensiML和Edge Impulse等）合作，以确保开发人员获得一个端到端的工具链，简化机器学习模型的开发，并优化无线应用的嵌入式部署。

這个新的AI/ML工具链与Silicon Labs的Simplicity Studio工具以及BG24和MG24系列SoC结合使用，开发人员可以创建从各种连接设备中提取信息的应用，所有设备都使用Matter相互通信，然后做出智能的、由机器学习驱动的决策。

异构计算对于人工智能、机器学习和深度学习解决方案都非常重要。硬件数据加速器被广泛应用于这些解决方案。对于边缘AI来说，架构创新变得越来越重要，因为解决方案资源有限且能效要求高。特别是具有 AI/ML功能的2.4 GHz无线SoC需要在架构上进行创新。