邊緣AI可以通過GPU、FPGA、ASIC等芯片來實現，而一些廠商也選擇將AI集成到主控制器當中，比如MCU或無線MCU嵌入AI的產品越來越多。近日，Silicon Labs（亦稱“芯科科技”）高級產品經理Tamas Daranyi先生獲邀參與電子發燒友網的專題采訪，并分享了關于邊緣AI發展的觀點，以及Silicon Labs相應的解決方案。Silicon Labs高級產品經理Tamas Daranyi

物聯網設備對邊緣AI的考量邊緣機器學習（ML）計算支持廣泛的、智能化的工業和家庭應用，包括用于異常檢測的傳感器數據處理、預測性維護、用于改進玻璃破碎檢測的音頻模式識別、簡單命令詞識別以及視覺應用，如使用低分辨率攝像頭進行在場檢測或人數統計。總之，邊緣AI的需求已經非常明確并且廣泛。

但如何選擇邊緣AI呢？Tamas Daranyi認為，那些考慮在邊緣設備上部署人工智能或機器學習的人員，他們都面臨性能和功耗使用方面的巨大的困境，這些可能會超過其帶來的好處，最終得不償失。他說，針對FFT、矩陣運算和卷積等特定類型的計算，有特定用途的計算硬件架構，因此很多公司都在主核心旁邊的芯片上使用特定的計算子系統，諸如DSP、NPU等。這樣做的主要好處是可以更快、更高效地處理操作，減輕通用CPU的負擔。芯片設計中的挑戰可能會有所不同，但在性能與門數之間總是存在權衡，這會增加價格。

同時，像服務器集群支撐起來的云計算中的人工智能/機器學習功能似乎擁有“無限制”的資源與帶寬。

所以，考慮到性能與成本，以及邊緣有限的資源等因素，Tamas Daranyi認為邊緣AI需要將許多關鍵的部分集成在一顆芯片以及基于該芯片的解決方案之中。在他看來，邊緣人工智能解決方案需要具備業界所需功能的最佳組合，包括物聯網邊緣應用相關的對多樣化無線多協議的支持、電池壽命、機器學習和安全性等。

不僅所有這些功能需要領先業界，而更困難的是去確保最終的無線SoC產品在領先業界的同時，還能夠保持成本優勢、高能效并不會過時。

Silicon Labs最新無線SoC單芯片集成邊緣AISilicon Labs新推出的BG24和MG24系列產品旨在無線SoC上構建單芯片邊緣AI解決方案，它是一種集成化的解決方案，需要在芯片架構上進行創新，以實現更高的性能和更低的功耗。

Tamas Daranyi表示，架構性創新是單芯片BG24和MG24 SoC的關鍵部分。它們結合了運行速率為78 MHz的ARM Cortex-M33處理器、高性能2.4 GHz射頻、行業領先的20位ADC、優化的閃存（高達1536 kB）和RAM（高達256 kB）的組合，以及AI/ML硬件加速器（用于在減輕ARM Cortex-M33工作量時處理機器學習算法），因此應用程序可以有更多的時鐘周期來完成其他工作。這些SoC支持廣泛的2.4 GHz無線物聯網協議，具有市場上最高的安全性和最佳的射頻性能/能效比。

內部測試顯示，全新的、具有AI/ML功能的BG24和MG24 2.4 GHz無線SoC，實現了性能提升高達4倍，以及能效提升高達6倍。由于機器學習計算是在本地設備上而不是在云端進行的，因此消除了網絡延遲，加快了決策和行動。

BG24和MG24支持Matter、Zigbee、OpenThread、低功耗藍牙、藍牙網狀網絡、專有和多協議操作，并提供PSA 3級Secure Vault安全保護，超低功耗以及Silicon Labs產品組合中最大的內存和閃存容量，可廣泛應用于各種智能家居、醫療和工業領域。

Silicon Labs持續探索無線SoC+嵌入式AI毫無疑問，一個設計良好的硬件和適當的軟件支持可以實現高效的AI SoC。顯然，專用的解決方案性能將表現得最好，但通用的AIoT器件也具有強大的功能且極具競爭力。“我并不認為SoC功能越強大越好，而是應該以合理的價格為特定的問題提供最智能、最有效的解決方案。”Tamas Daranyi說道。

Tamas Daranyi表示，作為一家全球領先的擁有安全和智能的無線技術、先進外圍設備和先進計算內核的無線SoC供應商，Silicon Labs已經為邊緣人工智能/機器學習制定了戰略和路線圖。該戰略的一個關鍵部分是解決在無線SoC上盡可能快速和高效地運行機器學習模型的挑戰。更重要的是，Silicon Labs已經為此推出了兩款全新的2.4 GHz無線SoC系列產品，它們擁有片上AI/ML加速器。他們還為市場推出了一個全新的軟件工具包，旨在讓開發人員通過一些最常用的工具套件（如TensorFlow），來快速構建和部署人工智能和機器學習算法。我們正在探索集成機器學習和無線連接功能的單芯片解決方案及其最有意義的、特別關注低功耗的應用，這將成為物聯網行業的一場徹底變革。