边缘AI未必越大越好

为平衡性能、功耗和成本而选择适当的硬件，可以使机器学习能够在资源受限的平台上运行。

核心要点
通过适配合适的硬件、集成开发环境（IDEs）、开发工具和套件、框架、数据集及开源模型，工程师可以更轻松地开发出支持机器学习（ML）和人工智能（AI）的边缘处理产品。

边缘上的机器学习
机器学习和人工智能（AI）起初主要依赖于高性能计算平台，近年则逐步转向云端处理。然而，如今越来越多的应用将计算部署在靠近数据源的位置进行。这种适合物联网（IoT）设备的边缘处理方式无需将大量数据传输到云端，从而减少了延迟并提升了安全性。

边缘处理中的ML/AI可使物联网设备在源头就进行推理。这意味着设备可以从经验中学习并改善其行为，例如通过算法分析数据以发现模式并做出决策。目前常用的机器学习方法包括监督学习、无监督学习和强化学习。

• 监督学习：机器使用标记数据进行训练。例如，智能监控摄像头可以使用带有行走、跑步等动作的照片和视频进行训练。

• 无监督学习：利用无标记数据（如K均值聚类、主成分分析）来识别模式，适用于异常检测。

• 强化学习：通过“试错”过程进行学习，通过奖励或惩罚反馈来调整算法。

嵌入式系统与机器学习
ML/AI起初需要大量计算资源，如今则可以在嵌入式系统（如物联网设备）中实现。图像检测和分类可以在FPGA或微处理器单元（MPU）上实现，而简单的应用，如振动监测，则可以在8位微控制器（MCU）上完成。

如今，嵌入式系统工程师可以利用硬件、软件和工具，快速设计ML/AI产品。例如，Microchip的MPLAB X IDE集成了ML模型开发插件，使得模型可直接部署到目标硬件。自动机器学习（AutoML）则可自动化模型开发和训练中的许多繁琐任务。

小尺寸设计的机器学习
小型机器学习（tinyML）允许在资源受限的微控制器上运行模型。这类MCU通常在1至400 MHz频率下运行，配备2至512 kB的RAM，功耗仅为150 µW到23.5 mW，非常适合电池供电或能量采集的应用。

实现tinyML的关键
数据捕获和准备在tinyML中至关重要，需要优化数据集以避免数据过多导致内存不足，同时保持足够的数据量以确保预测的准确性。模型压缩技术（如“权重剪枝”和量化）可减少模型体积，从而更有效地在MCU上运行。

这些技术为开发ML/AI边缘产品提供了极大便利。尽管如此，切勿过度设计，否则会导致功耗和成本的上升。