在这篇文章中，我们主要关注两个问题，即在“小机器”中实现人工智能的基本原理以及开发人工智能小机器将面临哪些挑战？未来人工智能在智能方面应该有飞行汽车、机器人管家。我们甚至可能会遇到决定与我们作对的有知觉的机器人。虽然我们还没有到那一步，但很明显人工智能(AI)技术已经进入我们的世界。每次我们要求智能语音助手做某事时，机器学习技术都会首先理解您所说的内容，并尝试就您希望它做什么做出最佳决定。例如，视频网站或电商平台每次向你推荐“你可能喜欢的电影”或“你可能需要的产品”，都是基于复杂的机器学习算法，为你提供尽可能有说服力的建议，这是显然比以往的促销更具吸引力。虽然我们可能并非所有人都拥有自动驾驶汽车，但我们敏锐地意识到该领域的发展以及自主导航提供的潜力。人工智能技术前景广阔——机器可以根据周围的世界做出决策并像人类一样处理信息，甚至可以比人类更好的方式处理信息。但是如果我们考虑上面的例子，人工智能的前景只能通过“大机器”来实现，这些设备通常没有功率、尺寸或成本限制。或者换句话说，它们会发热、需要线路电源、体积大且价格昂贵。例如，世界领先的IT巨头Alexa和Netflix依靠云中的大型耗电服务器（数据中心）来推断用户意图。虽然自动驾驶汽车可能会依赖电池，但鉴于这些电池必须转动车轮和转向，它们的能量容量是巨大的。与最昂贵的人工智能决策相比，它们是巨大的能源支出。因此，尽管人工智能前景广阔，但“小机器”却被抛在了后面。由较小电池供电或具有成本和尺寸限制的设备无法参与机器可以看到和听到的想法。今天，这些小机器只能使用简单的人工智能技术，也许会听一个关键词，或者分析来自心率的低维信号，例如光电体积描记法(PPG)。如果小型机器可以看到和听到会怎样？但是能够看到和听到的小型机器是否有价值？很多人可能很难想象像门铃摄像头这样的小设备，会利用自动驾驶或自然语言处理等技术。尽管如此，对于不太复杂、处理密集度较低的AI计算（例如文字识别、语音识别和图像分析）仍有机会：门铃摄像头和消费级安全摄像头经常触发无趣的事件，例如风引起的事件，例如植物移动、戏剧性由云或什至狗或猫在镜头前移动引起的照明变化。这可能会导致误报，导致房主开始忽视重要事件。因为，房主可能正在世界不同的地方旅行，或者他们可能正在睡觉，而他们的安全摄像头经常被提醒注意日出、云层和日落引起的照明变化。更智能的摄像头可以更准确地识别物体的变化，例如人体轮廓，避免误报。门锁或其他访问点可以使用面部识别甚至语音识别来验证人员访问，在许多情况下无需钥匙或IC卡。许多摄像机想要在特定事件上触发：例如，跟踪摄像机可能想要在某个动物在画面中时触发，安全摄像机可能想要在有人在画面中或开门或脚步声等噪音时触发，还有一些相机可能想通过语音命令等方式触发。大词汇量命令在许多应用程序中都很有用。虽然有很多“HeyAlexa”、“HeySiri”解决方案，但如果您开始考虑20个或更多单词的词汇，您可以找到方法来简化工业设备、家庭自动化、烹饪用具等领域的人类行为其他的。使用计算机交互。这些例子只是触及表面。让小型机器看到、听到和解决以前需要人工干预的问题的想法是一个强大的想法，我们每天都在继续寻找创造性的新用例。让小型机器能够看到和听到的挑战是什么？那么，如果人工智能对小型机器如此有价值，我们为什么不广泛使用它呢？答案是计算能力。人工智能推理是神经网络模型计算的结果。将神经网络模型视为您的大脑如何处理图片或声音的粗略近似，将其分解成非常小的片段，然后在将这些小片段组合在一起时识别模式。现代视觉问题的主力模型是卷积神经网络(CNN)。这些模型在图像分析方面非常出色，在音频分析方面也非常有用。挑战在于此类模型需要数百万或数十亿次数学计算。传统上，这些应用一直难以选择实现：使用便宜且低功耗的微控制器解决方案。虽然平均功耗可能很低，但CNN可能需要几秒钟的时间来计算，这意味着AI推理不是实时的，因此会消耗大量电池电量。购买一个昂贵的高性能处理器，它可以以所需的延迟执行这些数学运算。这些处理器通常很大，需要大量的外部组件，包括散热器或类似的冷却组件。但是，他们非常快速地执行AI推理。无法实施。低功耗微控制器解决方案速度太慢而无用，而高性能处理器方法会打破成本、尺寸和功率预算。我们需要的是一种嵌入式AI解决方案，它是从头开始构建的，可以最大限度地减少CNN计算的能耗。与传统的微控制器或处理器解决方案相比，AI推理需要在一个数量级上执行，并且无需借助内存等消耗功率、尺寸和成本的外部组件。如果人工智能推理解决方案可以消除机器视觉的能量损失，那么即使是最小的设备也可以看到并识别周围世界正在发生的事情。幸运的是，我们正处于这场“小机器”革命的开端。现已推出的产品几乎可以消除AI推理的能源成本，并支持电池供电的机器视觉。例如，微控制器可用于执行AI推理，同时仅消耗微焦耳的能量。
