1943年，神經生理學家沃倫·麥卡洛克（Warren McCulloch）和數學家沃爾特·皮茨（Walter Pitts）寫了一篇關于神經元及其工作原理的論文。使用電路創建了一個模型，神經網絡應運而生。七十年后，這些開端已經發展成為全球一些頂級技術公司和技術社區的許多大型項目 - GoogleBrain，AlexNet，OpenAI，Amazon Machine Learning Platform是一些與AI和機器學習相關的最知名舉措的例子。

進入物聯網。以及它嵌入的強調。貨幣化依賴于（近）實時分析傳感器數據并對該信息采取行動。這些領先的計劃假設大量數據可以無縫地輸入云環境，在那里可以執行分析、分發方向和采取行動，所有這些都在每個應用程序所需的時間期限內完成。

Qeexo（發音為“Keek-so”）首席技術官Chris Harrison認為機器學習屬于邊緣，Qeexo正在開發解決方案來實現這一目標。

移動傳感器和人工智能

與許多范式轉變計劃一樣，這項特殊的舉措始于一個挑戰 - 如何為移動設備完成更復雜的觸摸交互？這導致了將觸摸屏數據與加速度計融合以測量屏幕點擊的探索。結果是能夠區分手指、指關節、指甲和手寫筆尖端和橡皮擦，這拓寬了用戶和設備之間的交互。

“如果我們要采用復雜的多點觸控，我們需要做一些聰明的事情來解決模棱兩可的用戶輸入，”Chris說。“做到這一點的方法是機器學習。我們的 FingerSense 產品背后的機器學習軟件可以區分手指、指關節和指甲觸摸。這些新的輸入方法允許訪問上下文菜單。這帶來了右鍵單擊功能，而不是觸摸并按住。

移動設備機器學習挑戰

在移動設備上進行機器學習的功耗和延遲預算很小。花了將近三年的時間才滿足要求。

“作為移動應用程序開發人員，您在移動設備上有兩種選擇 - 您可以在更高的功率下快速完成工作，或者在較低的功率下更慢地完成工作。這導致了我們稱之為混合融合的關鍵功能。機器學習軟件需要非常聰明地訪問和處理傳感器數據，以適應功率和延遲預算，“Chris說。

FingerSense非常擅長進行邊緣和設備優化的機器學習 - 這是傳統的機器學習云環境不必考慮的。

“大多數公司都在從巨大的服務器和昂貴的CPU的角度考慮深度學習。我們走了相反的道路。物聯網的目標是一種“微小”的機器學習，可以在有限的資源下有效地運行，并保持應用程序的近乎實時的截止日期。通過在移動行業嶄露頭角，它為我們提供了將機器學習應用于邊緣物聯網和嵌入式設備的技能和技術。

最令人興奮的前沿領域之一是將Chris所謂的“機器學習”帶到物聯網和小型設備中。例如，您的燈泡不必能夠對每周天氣進行網絡搜索，但添加一點機器學習，使其能夠感知運動和溫度以做出開/關決策具有現實價值。

嵌入式機器學習架構

機器學習環境以 C/C++ 和 ARM 匯編編寫，以優化效率和操作系統可移植性。大多數操作都在內核驅動程序組件中。該軟件必須處理電池供電設備的電源管理。使用設備中的主 CPU 進行嵌入式機器學習可能會非常耗電。因此，低功耗微控制器不是將加速度計和運動傳感器連接到主CPU，而是位于傳感器和主CPU之間，充當“傳感器集線器”。傳感器集線器更節能，專門用于傳感器通信的繁重工作。傳感器集線器還可以執行一點邏輯，以允許主CPU關閉更長的時間。這種分層設計優化了功耗和延遲預算，使嵌入式機器學習環境在移動設備和物聯網傳感器上成為可能。

“加速度計數據是恒定的數據流，沒有應用邏輯，因此需要不斷采樣，”Chris說。“這是機器學習邏輯開始（也許結束）的地方。可以在主 CPU 上完成其他機器學習邏輯。您可以決定傳感器集線器可以過濾掉或預先選擇數據，因此進入主 CPU 的數據量更少。

一個例子是發生流量突發時。如果傳感器信息處于空閑狀態，則會產生突發信息，并且該突發信息會移動到主存儲器或占用總線，則情況可能會很糟糕。或者，如果協處理器向主處理器提供信息的矢量表示，則可以簡化效率，同時仍然能夠解釋信息。

遠離云

必須小心，不要在通往成功的物聯網系統的道路上假設完美和高帶寬的網絡連接和無限的機器學習資源。Chris警告說，云環境不要被用作拐杖。

“如果你花時間正確分析、收集需求和設計物聯網系統，你絕對可以在邊緣執行機器學習。這最大限度地減少了網絡要求，并提供了高水平的近實時交互。

當然，安全考慮也是最重要的。只要有可能，你都希望減少攻擊面。一些應用程序可能能夠僅在邊緣進行機器學習和操作，從而完全消除互聯網連接。

“在CMU ［卡內基梅隆大學］，我們偶爾會接到執法部門的電話，告訴我們我們的相機被用來發送電子郵件，”克里斯說。“這些攻擊發生在運行網絡的安全專家身上！如果可能，請不要將系統連接到互聯網。如果我們能夠擺脫這種趨勢［利用云處理一切］，我們應該能夠實現一個更安全、更私密、更高效的系統。云連接是有時間和地點的，但工程師需要立即停止跳轉到該資源。

鑒于這些處理器的改進速度，這似乎是可以實現的。還有一個成本效益。如今，大多數智能設備的價格都超出了大眾市場。如果我們能夠將智能投入到這些設備中，降低成本并提供真正的價值，那么采用就會加速。

審核編輯：郭婷