超低功耗無線物聯網連接領域的全球領先企業 Nordic Semiconductor今日宣布收購邊緣設備全自動 TinyML 解決方案先驅 Neuton.AI 的知識產權和核心技術資產。此次收購將 Nordic 業界領先的 nRF54L 系列超低功耗無線 SoC 與 Neuton 革命性的神經網絡框架相結合，開啟邊緣機器學習的新紀元，即使是資源受限的設備也能擁有可擴展的高性能人工智能 (AI)。

Nordic Semiconductor 首席執行官兼總裁 Vegard Wollan 表示：“這是嵌入式計算能力和效率的重大發展。通過將 Nordic 在低功耗無線領域的領先地位與 Neuton.AI 先進的 TinyML 平臺相結合，我們使得開發者能夠構建出一類全新的始終在線、人工智能驅動的設備，具備更快速度、更小體積和更高能效。”

智能可擴展性與易用性實現飛躍

Neuton.AI 的技術突破在于其全自動平臺，該平臺創建的機器學習模型通常小于 5 KB，比其他方法小 10 倍，速度也更快。這些模型極其易用，無需手動調優或數據科學專業知識，并可在 8 位、16 位和 32 位 MCU 上快速部署。

Neuton.AI 通過其無需預定義架構即可自動構建超小型模型的創新神經網絡框架，為消費、醫療保健和工業市場的邊緣應用提供準確、節能且快速的人工智能，同時節省各種寶貴的設備和系統資源，例如電源和代碼內存。

低功耗與計算智能的結合

Nordic Semiconductor 短距離無線技術執行副總裁 Oyvind Strom 表示：“我們很榮幸能夠將 Neuton 先進的機器學習技術與 Nordic 超低功耗 nRF54L 系列的卓越性能完美結合，重新定義超高效機器學習應用的可能性。雙方攜手合作，將幫助開發者構建更智能、超低功耗的設備，在邊緣實現真正的機器學習，這不僅適用于 nRF54L 系列，也適用于 Nordic 所有無線連接 SoC 產品組合。嵌入式人工智能將比以往更唾手可得和易于擴展。Neuton 先進的機器學習技術為下一代邊緣人工智能設備提供了輕松集成和值得信賴的智能。”

實現邊緣人工智能的未來

此次收購正值邊緣節點智能需求加速增長之際。預計到 2030 年，TinyML 芯片組出貨量將達到 59 億美元*。Nordic 準備抓住這一機遇，為開發者提供強大且可擴展的人工智能/機器學習(https://www.21ic.com/tags/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0)工具包，用于預測性維護、智能健康監測、流程自動化、手勢識別、下一代消費級可穿戴設備和物聯網(https://www.21ic.com/tags/%E7%89%A9%E8%81%94%E7%BD%91)設備等應用。

融合與展望

此次收購涵蓋 Neuton.AI 的所有知識產權和部分資產，以及其以績效為導向、由13位高技能工程師和數據科學家組成的團隊。Neuton.AI 品牌和平臺將在初始整合階段繼續運營，確保繼續為現有用戶和合作伙伴提供不間斷的服務。

Neuton 是一家邊緣 AI 公司，致力于使機器學習模型更易于訪問。它創建的模型比競爭對手的框架小 10 倍，速度也快 10 倍，甚至可以在最先進的邊緣設備上進行人工智能處理。在這篇博文中，我們將介紹這對開發人員意味著什么，以及使用 Neuton 模型如何改進您的開發和終端應用。

為什么選擇 Neuton

作為開發人員，在產品中使用邊緣人工智能的兩個最大障礙是：

1. ML 模型對于您所選微控制器的內存來說太大。
2. 創建自定義 ML 模型本質上是一個手動過程，需要高度的數據科學知識才能做好。

現在，這些阻礙即將被解決。

Neuton 是一個自動生成 ML 模型的框架，其大小僅為 TensorFlow Lite 等傳統框架的一小部分。對于開發人員來說，這意味著要訓練一個高度優化、快速和準確的 ML 模型，你所需要的只是一個數據集。Neuton 模型可以在任何 Nordic SoC（如我們的旗艦產品 nRF54L15）上運行，而且非常高效，也非常適合空間最有限的 SoC（如 nRF52805），只占用幾千字節的非易失性存儲器（NVM）。這使得以前被認為不可能的應用也能增加 ML 功能。例如，您現在可以在廣泛的傳感器網絡的每個節點上進行人工智能處理，而在這種網絡中，傳感器的尺寸和成本是關鍵，空間也非常寶貴。

Neuton 的與眾不同

其他邊緣人工智能框架比比皆是，而且存在已久。Neuton 與 LiteRT（又稱微控制器 TensorFlow Lite）和類似框架的主要區別在于，其他框架仍然依賴于開發人員掌握如何手動組織神經網絡、神經元和網絡深度的知識，然后在事后對模型進行壓縮和優化，使其適合所需的目標設備。這種方法導致模型在代碼大小、執行速度和功耗方面效率較低。

而 Neuton 可以自動處理所有這些問題。Neuton 不會從一開始就靜態定義網絡參數，而是自動生成網絡，并檢查每一個新神經元是否能提高模型性能。不增加價值的神經元會被立即移除，以節省資源。這為開發者帶來了多重好處：

1. 無需手動選擇神經網絡結構、參數或架構
2. 無需資源密集型的自動神經架構搜索 (NAS)
3. 代碼體積盡可能小，無需壓縮或優化
4. 執行速度更快，這意味著功耗更低

Neuton 模型以純 C 代碼形式從平臺下載，沒有外部依賴性或特殊運行要求。它們可隨時集成到在任何 Arm Cortex-M 系列處理器上運行的任何應用中，如 nRF52、nRF53、nRF54L 和 nRF54H 系列 SoC 或 nRF91 系列 SiP 的應用內核。

這對開發人員意味著什么

使用 Neuton 框架創建 ML 模型已經可以通過 lab.neuton.ai 實現。如果您迫不及待，現在就可以嘗試使用，但請注意，您需要自己將其集成到 nRF Connect SDK 應用程序中，因為目前還沒有這方面的示例。如果您更喜歡 Nordic 眾所周知的更簡化的開發流程和開發體驗，我們正計劃適配我們的開發者生態的重大改進。因此，如果您不想自己完成所有的集成工作，您可以等待我們nRF Connect SDK 示例和必要開發工具，來構建與我們的解決方案無縫集成的模型。

工作原理

盡管通過專用示例固件與 nRF Connect SDK 的集成仍在進行中，但使用 Neuton 框架生成模型已經完全實現自動化，而且非常簡單。

為您的應用生成一個完整、無依賴性的模型只需三個步驟。

1. 收集數據并上傳數據集；該平臺接收帶標簽的 CSV 文件
2. 選擇數據集中的目標變量，并選擇評估指標
3. 然后，平臺會在后臺 “自動 ”生成神經網絡，一旦算法準備就緒，平臺就會通知您。

將 Neuton 模型下載為一個完整的 C 語言庫，并使用僅由 3 個簡單函數調用組成的應用程序接口將其集成到您的應用程序中：

• neuton_nn_setup - 設置 Neuton 的內部組件，應首先調用，且僅調用一次
• neuton_nn_feed_inputs - 為模型推理提供并準備實時輸入特征
• neuton_nn_run_inference - 將實時輸入特征輸入 Neuton 模型，計算輸出結果

使用案例

Neuton 釋放了以前僅限于我們旗艦硬件的使用案例，使我們所有的 SoC 都能用于邊緣人工智能。例子包括：

• 預測性維護和樓宇自動化系統
• 在每個節點上進行本地數據分析的智能傳感器網絡
• 遙控器和可穿戴設備的動作和手勢識別
• 用于智能健康可穿戴設備的健康和活動監測
• 還有更多

對標測試

下表列出了在同一 nRF52840 SoC 上運行的 LiteRT 模型（以前稱為微控制器 TensorFlow Lite）和 Neuton 模型之間的對標測試結果。該比較使用了眾所周知的 "magic wand "動作識別用例，兩個模型都在相同的數據集上進行了訓練，并在相同的保留集上進行了驗證。

有關比較的完整文章可在此處查閱（外部鏈接）。

下一步工作

在接下來的幾個月里，我們將努力把 Neuton 集成到我們的開發生態系統中，增加工具、示例和支持，為開發人員提供便利，為他們的應用增值。如果您非常想親自嘗試構建和集成 Neuton 模型，現在就可以使用其傳統的在線平臺 lab.neuton.ai 進行測試。