電子發燒友網報道（文/李彎彎）通常來說，邊緣AI是相對云端AI而言的，它允許設備在本地進行AI計算和決策，而不一定需要連接到互聯網才能實現數據處理。

相比于云端AI，邊緣AI具備實時性好、帶寬資源要求低、隱私性好等諸多特點，因此在很多場景中邊緣AI比云端AI更能解決實際的問題。

邊緣AI適用于時間敏感性高的場景

比如自動駕駛汽車突然識別到前方道路有一名兒童，汽車必須在幾毫秒內做出反應才能避免災難，如果將數據上傳到云端就會產生很大的延時，因此邊緣AI才能解決這一問題。

再比如森林火災監測，公路、鐵路或者是大壩塌方監測，這些地方普遍比較偏僻，通常沒有很好的通信網絡，但快速決策和預警非常關鍵，因此必須進行邊緣端快速判定。

像這種應用時間敏感性非常高的場景，傳統的云端監測，可能需要發送一組圖片到云端，對網絡流量要求比較高。通過監測端自主智能識別的話，在狀況發生時只需要發短信息就可以快速實現安全警告，避免更嚴重的災害損失發生。

和云端AI相同，邊緣AI也具備AI的共性特征。AI技術是一種強大的模式識別技術，需要進行大量的矩陣運算，需要大量的存儲空間和系統功耗。邊緣AI作為在設備本地執行的AI，通常需要使用電池進行供電，因此需要在系統功耗、計算速度和設備成本之間取得平衡。

然而低功耗微控制器執行AI運算需要調用大量資源，速度低下，只能進行簡單計算；FPGA、GPU和一些大型處理器雖然具備較快的計算速度，但成本高、功耗高；低成本微控制器/微處理器在功耗特性上的表現又不佳，計算速度和運算復雜度也一般。

ADI帶有神經網絡加速器的低功耗微控制器

市場需要更具超低功耗特性的新一代解決方案。ADI推出的帶有神經網絡加速器的MAX78000低功耗微控制器，可以在功耗、速度、成本三方面達成最優平衡。

具體來看，MAX78000集成了兩個MCU核心用于系統控制，Arm Cortex-M4處理器和32位RISC-V處理器，其中Arm Cortex-M4F處理器以100MHz運行，客戶可以編寫任何系統管理代碼。RISC-V處理器的功能是支持以低功耗將數據快速加載到神經網絡加速器，用戶可使用任何一種微控制器內核將數據輸入到卷積神經網絡的引擎中。

MAX78000具有432KB的權重存儲空間，與運行在低功耗微控制器上的軟件解決方案相比，在配置并加載了數據后，MAX78000運行AI推理的速度快了100倍，功耗還不到其1%。
??
ADI公司資深業務經理李勇此前介紹，低功耗是很多邊緣智能應用場景的關鍵要求，MAX78000除了基于CNN加速器和雙核處理器架構，還提供高效的片內電源管理，集成單電感多輸出 (SIMO) 開關模式電源，最大限度地延長電池供電的物聯網設備的續航時間。

據ADI應用工程師辛毅介紹，MAX78000最獨特的功能是CNN加速器，它是專用硬件，旨在最大程度的減少卷積神經網絡的運行能耗和等待時間，該CNN加速器具有432KB的權重存儲，最多支持350萬個權重的網絡，同時產品架構具備高度的靈活性，允許TensorFlow、PyTorch常規工具集執行訓練，轉換后在MAX78000上運行。

MAX78000的另一個特征是，MCU的介入少，CNN加速器在運行時幾乎不受任何MCU內核的干擾，從而極大的簡化操作，提高了效率，改善了延時。

得益于優越的設計，芯片的功耗大幅降低，使得芯片能夠在以電池供電的設備中執行復雜的AI應用，同時并沒有造成延時和成本的上升。

與運行在低功耗MCU上的軟件解決方案相比，MAX78000執行AI的速度快100倍，而其成本只有FPGA方案或者是GPU的零頭。相比于MCU+DSP的方案，MAX78000功耗不足該方案的1%。MAX78000在功耗、速度、成本三方面達成最優的平衡。

MAX78000目前已經在森林防火監測、地質災害監測以及智能家居等領域獲得廣泛應用。李勇表示，很多類似但并不涉及到公共安全的應用也需要實現本地快速智能決策，比如有用戶就針對摩托騎行愛好者希望在騎行中能對頭戴攝像頭實現隨時隨地的語音控制開發產品，類似的還有助聽器的語音控制、風力發電設備的安全監測這樣的預測性維護等等。

這種基于超低功耗硬件算力，高集成度、小尺寸且低成本的邊緣智能解決方案的推出，正在為越來越多的應用領域提供真正可行的智能賦能方案。