在人工智能迅猛發展的當下，幾乎每一家企業都在探索行業的切入點，試圖在人工智能大潮中分一杯羹。

而在追尋 AI 商業化的道路上，人們逐漸發現，要實現技術的落地，不僅需要性能優越的算法模型以及可靠的硬件支持，還需要把 AI 技術和硬件環境進行有機結合，再應用到具體的實際場景中，進而滿足用戶的需求。而「嵌入式 AI」就是當前最熱門的 AI 商業化途徑之一。

「通過觀察市場我們發現，在 AI 領域主要有兩撥人。一方是高大上的算法團隊，一方則是以深圳老板為代表的實體出貨商。有趣的是這兩撥人是完全不溝通的，就像一幫人看愛奇藝，一幫人看快手一樣。」Perceptln 公司聯合創始人劉少山根據算法與硬件之間存在的壁壘，舉了一個有意思的例子。

Perceptln 于 2016 年成立于硅谷，旨在提供機器人整體軟硬件解決方案。創始人劉少山先后就職于 LinkedIn、英特爾、微軟研究院，曾擔任百度無人車高級架構師，對于嵌入式 AI 有一些獨到的見解。

「我們做的就是把 AI 技術帶給那些應用廠商，推動整個市場發展。」據劉少山介紹，Perceptln 已針對高、中、低端等不同場景的應用推出三條產品線，分別將 AI 技術嵌入到智能玩具、服務類機器人以及自動駕駛等應用中。

事實上，嵌入式并非是一個新鮮或者「高大上」的概念。所謂嵌入式，就是指一種可被內置于設備或裝置的專用計算機系統。通常來說，具有數字接口的設備都具有嵌入式系統，如手機、車載電腦、智能手表等等。而嵌入式 AI，則是一種讓 AI 算法可以在終端設備上運行的技術概念。很簡單，換句話說，它的作用就是能讓音箱、手機、機器人等智能硬件在不聯網的情況下實時完成環境感知、人機交互、決策控制等功能。

而一位資深算法工程師告訴機器之能，通常來講他把程序編完了扔給公司里的嵌入式工程師，后者再負責把它嵌入到板子里。其實傳統做嵌入也是這個思路，兩端都要考慮，俗稱「兩頭堵」：「按照我的理解，那些專注做嵌入式 AI 的可能是在針對 AI 模型做一些優化或是板子的優化，讓算法更高效地跑在板子上。」

那么嵌入式 AI 到底能做到什么？與云端 AI 相比，更適合應用到哪些場景里？還有什么是它做不到的？我們來聽聽更多業內做這一行的專家們的意見：什么樣的垂直場景更需要嵌入式 AI？眾所周知，神經網絡包括模型訓練和推斷兩個過程。而一提訓練，就必定會涉及海量的數據輸入，計算規模也會根據場景復雜性的遞增而變得愈加龐大。

因此，受到計算資源的限制，嵌入式端很難實現模型訓練的過程，也是我們下面要說的「幾個挑戰之一」。而在推斷環節，云端推斷和嵌入式推斷，二者訴求不同，因此也在不同的應用場景能夠發揮自己的優勢：前者的好處是，能夠承受高吞吐量并滿足復雜計算對資源的要求，因此多用于深度學習模型和計算較復雜的情況；而后者，則更多的應用于對「實時處理」有更高要求的場景中。

什么是「實時處理」？我們來舉個最實際的例子。無人駕駛汽車需要實時監測周圍環境，但是如果無人車突然進入隧道，或者進入某個連不了網的環境中呢？是的，駕駛場景復雜多變，并不能保證時刻都能有一個百分之百可用的網絡。因此，嵌入式 AI 憑借其實時性優勢及脫機運行的能力得以自動駕駛領域展現實力。

國內自動駕駛卡車技術研發公司圖森未來 COO 郝佳男就曾在接受機器之能采訪時表示：「從理論上講，在云端處理傳感器信號并不可行，存在延遲和可用性問題。」因此，信號的本地處理也是整個自動駕駛領域的一大訴求，因為設備端采集到數據后上傳到計算完成返回終端的過程會不可避免地帶來一定的延時，駕駛的危險系數也隨之提升。

而中科創達副總裁孫力在前天舉辦的嵌入式人工智能技術論壇上也提到了這一問題：「自動駕駛汽車每秒鐘可以產生 1G 的數據，必須及時的、迅速的在本地來處理決策，不可能移到云端。」除了無人駕駛，在智能家居方面，試想一下如果用戶家中安裝了一個監控攝像頭，那么把數據傳到云端很可能會增加個人隱私泄露的風險。而由于嵌入式 AI 是在本地處理數據，數據沒有上云的過程，就可以保證用戶的信息安全，免除不必要的麻煩。

除了這些特定的應用場景，一些 AI 技術公司對嵌入式 AI 也有著廣泛的需求。?而近來因巨額融資引起廣泛熱議的 Face++就是其中的一員。「雖然我們主攻金融、安防以及手機智能這三個垂直領域。」公司 CTO 唐文斌向機器之能表示，「但是我們在手機端遇到了第一個問題。」他解釋道。

他們在手機端做實名認證及人臉解鎖的時候發現，算法會不斷「吃」計算力。也就是說，即便計算力不斷增長，算法對計算力也總是處于「欲求不滿」的狀態。

其次是在攝像機端。他談到算法研發人員希望在做人臉識別的時候，可以讓人臉在視頻中的檢測、抓拍環節在相機端實現。這樣一來，就可以只傳輸有價值的信息，而非原始的大容量視頻，能夠有效減少傳輸帶寬以及后端部署服務器的計算量及存儲量，讓系統的整體架構變得更加輕便。