两大动力，五大趋势，一大挑战：一文读懂边缘AI！

引言

根据ABI Research的预测，2021年至2026年，具有边缘机器学习功能的设备出货量将以24.5%的平均复合增长率增长。这也就意味着，曾经很“玄妙”的人工智能（AI）正在随着物联网应用的拓展，势不可挡地在我们的身边“落地”，我们正在步入边缘AI的时代。如何通透认知这个新的技术“风口”，恩智浦的专家将通过这篇文章为你划重点。

边缘AI发展的两大动力

从需求方面看，因为算力要求高，最初的AI都从云端智能开始，数据必须上传到云端处理，而随后的发展过程中产生了对于用户体验和数据隐私方面的问题。边缘AI能够大大减小延时问题，并且对于网络环境的要求较为宽松，极大地提升了用户体验。同时边缘AI在处理数据过程中不必上传至云端，能够很好地保障数据隐私和数据安全，还能避免系统受到恶意网络攻击。

从技术发展方面来看，芯片和软件技术的迭代在一定程度上也推动了边缘AI 的发展。过去芯片的算力无法满足边缘AI应用，同时软件配置通常是利用专家系统或者是基本机器学习系统来实现AI功能。但是现在随着深度学习软件上的迭代和发展，以及高算力、低功耗的边缘处理器的普及，也是从技术端推动了边缘AI的发展。

边缘AI五大技术趋势

第一点是边缘AI处理器架构配置的灵活性。边缘AI 因为其应用场景的多样性，很难用一个通用处理器去处理所有的AI应用场景，那么异构计算架构将是未来边缘AI发展的重要趋势：用最适配的处理单元处理相应的AI任务。

第二点是边缘AI处理器的能效比。目前边缘AI 产品大部分以电池供电，因此从能效需求方面需要开发更灵活的模式。通过不同的能效模式切换、内核配置和半导体工艺改进，来达到一个较高的能效比，去应用在不同的计算场景中。

以上两点都体现在恩智浦广泛而丰富的边缘控制器和处理器产品组合中。

第三点是开发工具和开发环境。恩智浦推出了eIQ开发工具链, 它是全生态全应用场景的工具链。客户可以通过eIQ开发工具链从软件数据采集、标注训练、推理引擎优化到部署全程把控。

第四点是数据安全部分。数据隐私变得越来越重要，通常AI应用场景会存在一个分离式安全芯片作为密钥的管理和安全启动管理。为了降低功耗和成本，边缘AI会向着安全功能集成化的趋势发展，比如EdgeLock模块广泛集成在恩智浦的边缘处理器中。

第五点是生态系统。边缘AI产品的落地涉及到不同领域的产业融合，未来边缘AI的生态体系搭建势必需要芯片供应商、算法供应商、设备制造商、系统集成商甚至云服务供应商一起合作提供专业的服务。

算力与低功耗的挑战

因为边缘AI的自身特性，因此在一定程度上算力和能耗会受到限制，很多情况下需要根据应用场景和现有产品对整体网络做算法优化。恩智浦作为半导体芯片公司，深度参与边缘AI的开发与场景应用，不断优化芯片设计来达到高效率低功耗的目的。

在采用SoC异构架构去实现边缘AI 功能时，运行在不同算力或是不同内核切换的情况下，电源控制需要针对不同场景不同应用选择适用的供电系统，这样有利于保证算力的同时降低功耗。


本文作者

林明
恩智浦半导体产品和市场总监