近年來，人工智能（AI）技術已在許多領域得到了廣泛的運用，比如通過機器的振動來預測使用壽命、檢測患者的心臟活動、以及在視頻監控系統中融入面部識別功能。不過此類 AI 系統的痛點，就是需要耗費大量的電力來運算、或者依賴通向雲端的網絡連接來輔助計算。對於注重數據安全和隱私防護的客戶來說，這也極大地限制了 AI 的應用場景。
好消息是，CESM 工程師們，剛剛提出了一個新穎的解決方案 —— 讓 AI 運算能夠在基於微型電池（或光伏發電板）的本地小尺寸裝置上運行。
這套人工智能邊緣計算方案，能夠將數據留在本地完成（而無需上傳到雲端）。更棒的是，該系統採用了完全模塊化的設計，且能夠針對需要實時信號 / 圖像處理的任何應用進行定製 —— 尤其在涉及敏感數據時。
據悉，CESM 研究團隊將在今年 6 月於京東舉辦的 2021 VLSI 電路研討會上展示現有的裝置，上面的集成電路能夠執行複雜的 AI 操作，比如面部 / 語音 / 手勢識別，以及心臟監測。
CSEM 的 AI 片上系統（SoC）還另了全新的信號處理架構，能夠最大限度地減少運行時的功率。
板載帶有自研 RISC-V 處理器的 ASIC 芯片，以及兩個緊密耦合的機器學習加速器 —— 其中一個用於面部檢測，另一個則專註於分類。
在二叉決策樹（BDT）引擎的加持下，它可用於執行簡單的任務，但不能開展識別操作。
CESM 片上系統研究主管 Stéphane Emery 表示：“以面部識別應用為例，系統中的第一組加速器會回答初步的問題，即圖像中是否有人？如有檢出，則他們的面部是否清晰可見？”
此外在語音識別案例中，第一個加速器可用於確定是否存在噪音、以及該噪聲是否與人聲匹配，但它並不能分辨出特定的聲音或單詞，此時基於卷積神經網絡（CNN）引擎的第二組加速器能夠派上用場。
它能夠執行更加複雜的任務，比如識別人物面孔的特徵、以及檢測特定的單詞，但相應的能耗也更高。
通過兩者的相輔相成，可最終降低整套系統的功率需求，畢竟大多數時候都只有第一組加速器在運行。
AI System-on-Chip Runs on Solar Power（via）
作為研究的一部分，工程師們還提升了加速器本身的性能，使之能夠適用於基於時間信號 / 圖像處理的任何應用。
Stéphane Emery 補充道：“無論何種應用，我們的系統都以基本相同的方式來運作，所以只需重新配置卷積神經網絡引擎的對應層”。
顯然，CSEM 的這項創新，為配備可獨立運行一年多的 AI 硬件設計敞開了新的大門，同時極大降低了此類設備的安裝和維護成本，尤其是部署到那些難以更換電池的地方。