ด้วยปัญญาประดิษฐ์ (AI), ดำเนินการบนขอบ (ขอบ Computing) เทคโนโลยีในปีที่ผ่านมาการพัฒนาอย่างรวดเร็วของความหลากหลายของอุปกรณ์อิเล็กทรอนิกส์และเครื่องใช้ภายในบ้านแนวคิดสมาร์ทรวมถึงจะมีการเปลี่ยนแปลงการปฏิวัติจะเกิดขึ้นค่อยๆ. ในท้ายที่สุดต่างๆ เครือข่ายปัญญาประดิษฐ์ประกอบด้วยเครื่องใช้ในบ้านอาจจะเป็นคุณและฉันไม่สามารถมองเห็นสมาชิกในครอบครัวอื่น ๆ. แนวคิดของเมฆในท้องถิ่นและอุปกรณ์ที่เกี่ยวข้องจะเป็นองค์ประกอบของเครือข่ายปัญญาประดิษฐ์สำหรับบ้านที่ขาดไม่ได้
ลำโพงสมาร์ท / การตรวจสอบจะกลายเป็นแกนหลักที่สองของ AI ผู้บริโภค
บริษัท วิจัยไข่รับผิดชอบในการติดตามการพัฒนาของเทคโนโลยีเพื่อผู้บริโภคนักวิจัยโรนันเด Renesse (รูปที่ 1) ว่าการประยุกต์ใช้ AI ในสาขาอิเล็กทรอนิกส์สำหรับผู้บริโภคเกือบสองปีที่มักจะกลายเป็นจุดสนใจของสื่อ แต่อุปกรณ์อิเล็กทรอนิกส์และ AI รวมกับแนวโน้ม ในช่วง 3-5 ปีข้างหน้าผลิตภัณฑ์อิเล็กทรอนิกส์สำหรับผู้บริโภคจำนวนมากจะมีฟังก์ชัน AI และจะเชื่อมโยงกันเพื่อสร้างเครือข่ายปัญญาประดิษฐ์ในบ้าน
รูปที่ 1 Ronan de Renesse นักวิจัยด้านเทคโนโลยีผู้บริโภคที่ Ovum เชื่อว่าอุปกรณ์อิเล็กทรอนิกส์ต่างๆในครอบครัวในอนาคตจะกลายเป็นสมาชิกครอบครัวที่มองไม่เห็น
สำหรับห่วงโซ่ฮาร์ดแวร์แม้ว่าแนวโน้มนี้จะนำโอกาสทางธุรกิจใหม่ ๆ แต่ถ้าจากจุดระดับที่สูงขึ้นของมุมมองนี้อย่างเงียบ ๆ เข้ามาในเครือข่ายปัญญาประดิษฐ์ในบ้านคุณจะไม่เห็นอีก "ครอบครัว สมาชิก. "
ในด้านฮาร์ดแวร์ลำโพงสมาร์ทที่คุ้นเคยโดยทั่วไปเป็นสินค้าที่ค่อนข้างเป็นผู้ใหญ่ถึงแม้ว่าจะมีการเจริญเติบโตอย่างมีนัยสำคัญในการขาย แต่ความแรงของการเจริญเติบโตจะค่อยๆชะลอตัวลงในช่วงห้าปีถัดไป. เมื่อประมาณ 2,022 ลำโพงสมาร์ททั่วโลก ยอดขายเกือบ 9500000000 $. ในความเป็นจริง Renesse เชื่อว่าอเมซอน (Amazon) กับ Google อาจจะไม่เปิดตัวแบรนด์ของตัวเองของลำโพงสมาร์ทในอนาคตเพราะผลิตภัณฑ์ที่ตัวเองไม่ได้ผลกำไรดังกล่าวทั้งสอง สำหรับเครือข่ายยักษ์ใหญ่ในเครือข่ายภายในบ้านตราบเท่าที่ผู้จัดจำหน่ายฮาร์ดแวร์ใช้บริการแพลตฟอร์มพวกเขาสามารถรวบรวมข้อมูลผู้ใช้ที่ต้องการได้
ในช่วงเวลาเดียวกันการเปลี่ยนแปลงในบ้านระบบการตรวจสอบที่ชาญฉลาดผลิตภัณฑ์ดังกล่าวจะเห็นได้ชัดมากขึ้นกว่าลำโพงอัจฉริยะนำเสนอสิ่งที่เรียกว่าการตรวจสอบผลิตภัณฑ์สมาร์ทในความเป็นจริงไม่ได้เป็นส่วนประกอบปัญญาประดิษฐ์ แต่กล้องสัญญาณเตือนล็อคเซ็นเซอร์และฮาร์ดแวร์อื่น ๆ สินค้าที่เชื่อมต่อกันในรูปแบบระบบสนับสนุนเหตุการณ์เรียกการรักษาความปลอดภัย (ทริกเกอร์เหตุการณ์) ฟังก์ชั่น. แต่ฮาร์ดแวร์และซอฟต์แวร์ที่เกี่ยวข้องกับเทคโนโลยีได้กลายเป็นความซับซ้อนมากขึ้นสัดส่วนของกล้องวงจรปิดบ้านในอนาคตพร้อมกับปัญญาประดิษฐ์จะกลายเป็นสูงมากขึ้น แต่ยังประสบความสำเร็จมาก แอปพลิเคชันเช่นการใช้ผู้ช่วยเสียงช่วยให้ผู้ใช้หลายรายสามารถใช้บริการได้อย่างถูกต้องมากขึ้นในสภาพแวดล้อมที่มีผู้ใช้หลายคน
การปกป้องข้อมูลส่วนบุคคลของผู้บริโภคสำหรับแอป AI
อย่างไรก็ตามอุตสาหกรรมฮาร์ดแวร์ที่โดดเด่นที่สุดอาจจะเป็นเมฆท้องถิ่น (Cloud ท้องถิ่น) แนวคิดและการประยุกต์ใช้ผลิตภัณฑ์ที่เกี่ยวข้องพร้อมกับอุปกรณ์ที่บ้านได้รับการสนับสนุนโดยทั่วไป AI และอีกเช่า. Renesse ชี้ให้เห็นพร้อมกับฟังก์ชั่น AI ของผลิตภัณฑ์อิเล็กทรอนิกส์จะเป็น ผลิตจำนวนมากของข้อมูลของผู้ใช้ แต่มีจำนวนมากที่มีความเป็นส่วนตัวของข้อมูลที่อยู่ที่เสาเข็ม. ดังนั้นหากการติดตั้งด้วยปัญญาประดิษฐ์ของผลิตภัณฑ์ไฟฟ้าภายในบ้านได้รับทั้งหมดขึ้นอยู่กับระบบคลาวด์ภายนอกเพื่อที่จะทำงานอย่างเห็นได้ชัดจะทำให้เกิดความกังวลเกี่ยวกับความเป็นส่วนตัว
ในทางกลับกันอุปกรณ์ IoT สำหรับผู้บริโภคจำนวนมากที่มีฟังก์ชันง่ายๆจะถูก จำกัด ด้วยกำลังไฟการประมวลผลและต้นทุนการผลิตพวกเขาอาจไม่สามารถสนับสนุนอัลกอริทึม AI ระดับสูงได้ในขณะนี้อุปกรณ์ Cloud ในท้องถิ่นสามารถเล่นบทบาทของสมองได้ สั่งซื้ออุปกรณ์เหล่านี้อย่างสม่ำเสมอ
อย่างไรก็ตาม Renesse ยังยอมรับว่ายังคงยากที่จะยืนยันว่าอุปกรณ์ใดจะเล่นศูนย์เมฆในท้องที่อาจเป็นลำโพงอัจฉริยะที่มีลำดับสูงกว่าอาจเป็นสมาร์ททีวีหรือผลิตภัณฑ์อื่น ๆ ได้
เอียนเอสมิ ธ ผู้อำนวยการฝ่ายการตลาดอาวุโสของ Arm (รูปที่ 2) เชื่อว่าจะมีการใช้คอมพิวเตอร์และการอนุมานที่มากขึ้นเรื่อย ๆ ไปยังเครื่องเทอร์มินัลในอนาคตแรงผลักดันหลักสำหรับการโอนนี้คือการปกป้องข้อมูลส่วนบุคคลของผู้ใช้ ด้วยการประมวลผลและวิเคราะห์ข้อมูลในเทอร์มินัลคุณสามารถระบุข้อมูลได้อย่างง่ายดายและมั่นใจได้ว่าข้อมูลที่สำคัญจะไม่รั่วไหลออกจากเครือข่ายการใช้งานที่บ้านเป็นตัวอย่างผู้บริโภคไม่ต้องการให้ใครรู้ได้จากอินเทอร์เน็ตว่าพวกเขาไม่อยู่ที่บ้าน เวลาของประชาชนแล้วอย่างง่ายดายที่จะขโมยที่บ้าน
รูปที่ 2 Ian Smythe ผู้อำนวยการฝ่ายการตลาดอาวุโสของ Arm กล่าวว่าสำหรับแอพพลิเคชัน AI สำหรับผู้บริโภคว่ากลไกการปกป้องข้อมูลส่วนบุคคลมีความน่าเชื่อถือเป็นสิ่งสำคัญหรือไม่ที่จะสามารถเผยแพร่แอพพลิเคชันได้
สำหรับการใช้งานภาพสมิ ธ เชื่อว่ากล้องที่สนับสนุนการจดจำภาพได้รับการพิจารณาอย่างโดยเนื้อแท้เรื่องความเป็นส่วนตัวที่สำคัญแน่นอนอุปกรณ์เหล่านี้จะต้องได้รับการออกแบบเพื่อให้พวกเขาสามารถป้องกันเมื่อเก็บไว้ในประเทศหรือส่งผ่านไปยังเมฆ ข้อมูลส่วนบุคคลและข้อมูลที่ละเอียดอ่อนเนื่องจากการส่งข้อมูลมักจะเชื่อมต่อแบบไร้สายต้องให้ความสนใจเป็นพิเศษกับความปลอดภัยของฟังก์ชันการรับส่งข้อมูลแบบไร้สายวิศวกรออกแบบอุปกรณ์ต้องตรวจสอบให้แน่ใจว่าอุปกรณ์ที่เชื่อมต่อกับเครือข่ายจะไม่ถูกแฮ็กและสอดแนม
อายุการใช้งานแบตเตอรี่ยังคงเป็นความท้าทายทางเทคนิคหลัก
อย่างไรก็ตามเพื่อให้ปากของโหนด AI ความท้าทายทางเทคนิคที่ใหญ่ที่สุดคือยังคงใช้พลังงานของระบบ. ในการเฝ้าระวังกล้องของผู้บริโภคตัวอย่างเช่นผู้บริโภคอาจคาดหวังผลิตภัณฑ์เหล่านี้จะไร้สายสมบูรณ์ก็ดีที่สุดคือไม่แม้กระทั่งสายไฟฟ้า นี้หมายความว่าผลิตภัณฑ์เหล่านี้จะต้องเป็นแบตเตอรี่ขับเคลื่อน แต่ยังสนับสนุนเครือข่ายไร้สาย. นอกจากนี้ก็ควรจะสามารถที่จะระบุรายการทั้งหมดและความจำเป็นสำหรับการจัดเก็บแบบไม่ จำกัด
ดังกล่าวข้างต้นมีความต้องการการจัดการที่ดีของความท้าทายสำหรับการออกแบบระบบก็สามารถต้องใช้เวลาหลายเดือนในการทำงานความจุแบตเตอรี่ที่ชาร์จไฟอย่างต่อเนื่องของเครื่องการเรียนรู้ (ML) และความสามารถอย่างต่อเนื่องในการอัปโหลดไฟล์ไปเก็บเมฆเหล่านี้กรณีที่รุนแรงของการออกแบบและระบบชิปส่วนประกอบ ข้อกำหนดที่เข้มงวดมากที่สำคัญพวกเขาได้เข้าใจการออกแบบท่าเต้นเมื่อมีการเปิดใช้งานคุณลักษณะเหล่านี้เพื่อยืดอายุแบตเตอรี่
ในกรณีของกล้องเฝ้าระวังบ้านกล้องไม่จำเป็นต้องส่งวิดีโอในห้องเป็นเวลา 24 ชั่วโมงเท่านั้นเหมาะสมที่จะอัพโหลดเป็นส่วนหนึ่งของภาพเมื่อมีคนไม่ได้รับการยืนยันในทำนองเดียวกันถ้าฉากเช่นตำแหน่งว่างยังคงไม่เปลี่ยนแปลง เปิดใช้อัลกอริทึม ML ไม่ได้ทำให้รู้สึก. เตรียมการระวังที่เมื่อเปิดใช้งานคุณลักษณะเหล่านี้เพื่อที่จะทำให้อุปกรณ์ของผู้บริโภคที่คาดว่าจะอยู่ในโหมดของการดำเนินการเพียงสองแบตเตอรี่ AA การใช้งานปกติสามารถในระยะยาว
แต่ยังเป็นเพราะการใช้พลังงานเป็นหนึ่งในอุปสรรคหลักในการ AI ประจำการอยู่ในอุปกรณ์ปลายทางมีที่เพิ่งเริ่มต้นที่บ้านจำนวนมากได้เห็นโอกาสที่จะเปิดตัวเครือข่ายประสาทพลังงานต่ำ (NN) ทรัพย์สินทางปัญญาเร่งซิลิกอน (IP) ในตลาดเพื่อช่วยชิป ในขณะที่ลดการใช้พลังงานนักพัฒนาซอฟต์แวร์สามารถบรรลุประสิทธิภาพที่ต้องการได้โดยการอนุมานขั้นตอนวิธี Kneron ได้เปิดตัวชุด NPU อย่างเป็นทางการซึ่งเป็นโปรเซสเซอร์ประดิษฐ์ที่ออกแบบมาเฉพาะสำหรับอุปกรณ์ปลายทาง IP. ครอบครัวประกอบด้วยสามผลิตภัณฑ์คือรุ่นพิเศษต่ำพลังงานของ KDP 300, Standard Edition KDP 500 เช่นเดียวกับรุ่นที่มีประสิทธิภาพสูงของ KDP 700 เพื่อตอบสนองมาร์ทโฟนแอพลิเคชันของสมาร์ท, การรักษาความปลอดภัยที่ชาญฉลาดเช่นเดียวกับความหลากหลายของอุปกรณ์สิ่ง ผลิตภัณฑ์ทั้งหมดมีการใช้พลังงานต่ำขนาดเล็กและมีความสามารถในการประมวลผลที่มีประสิทธิภาพแตกต่างจากการใช้พลังงานของโปรเซสเซอร์สำหรับปัญญาประดิษฐ์ในตลาด Kneron NPU IP ใช้พลังงาน 100 milliwatts (mW) สำหรับ KDP 300 ที่ทุ่มเทให้กับการจดจำหน้าสำหรับสมาร์ทโฟนจะใช้พลังงานน้อยกว่า 5 milliwatts
โปรแกรมประยุกต์ที่สามารถจะทนผู้จัดการฝ่ายการตลาดผลิตภัณฑ์ ลบ.ม. Shiya ลุน (รูปที่ 3 จากซ้าย) ชี้ให้เห็นจะได้รับการดำเนินการเกี่ยวกับการดำเนินการด้านปัญญาประดิษฐ์อุปกรณ์ปลายทางขณะที่การประชุมความต้องการสำหรับการใช้พลังงานและประสิทธิภาพการทำงานคือการพิจารณาหลัก. ดังนั้นการแนะนำของการแก้ปัญหาที่ดีที่สุดสำหรับการใช้งานของแต่ละบุคคลที่มีความสำคัญ .. โปรแกรมปัจจุบันของปัญญาประดิษฐ์สามารถแบ่งออกเป็นสองประเภทหลักของเสียงกับวิดีโอสถาปัตยกรรมเครือข่ายประสาทพวกเขาใช้การใช้งานเสียงเน้นที่แตกต่างกันในการวิเคราะห์ภาษาธรรมชาติสถาปัตยกรรมเครือข่ายหลักที่เป็นเครือข่ายประสาทกำเริบ (RNN); โครงสร้างเครือข่ายหลักที่ใช้สำหรับการวิเคราะห์ภาพเป็นเครือข่ายประสาทเทียม (CNN) เพื่อเพิ่มประสิทธิภาพสำหรับโครงสร้างเครือข่ายที่แตกต่างกันการแก้ปัญหาโดยความสามารถจะแตกต่างกัน
Shen หมิงฮ (รูปที่ 3 จากขวา) หมีสามารถเติมเต็มผู้จัดการการออกแบบซอฟต์แวร์แม้ว่าความต้องการลดลงสำหรับประสิทธิภาพการประมวลผลชิปวิเคราะห์ภาษาธรรมชาติ แต่เป็นเพราะเสียงของภาษานิสัยการพูดมีความแตกต่างที่ดีและดังนั้นจึงจำเป็นว่าชุดข้อมูลการฝึกอบรมรุ่น ยิ่งกว่าการจดจำวิดีโอในทางกลับกันเนื่องจากผู้บริโภคคุ้นเคยกับการใช้ผู้ช่วยเสียงในระบบคลาวด์เช่น Apple Siri และ Google Assistant แล้วแอปพลิเคชันการวิเคราะห์ความหมายแบบออฟไลน์ได้รับความนิยมจากผู้บริโภค เงื่อนไขเบื้องต้นคือต้องให้ประสบการณ์ของผู้บริโภคที่คล้ายคลึงกันภายใต้ทรัพยากรที่มีอยู่อย่าง จำกัด ซึ่งเป็นความท้าทายสำหรับผู้จัดจำหน่ายชิปและนักพัฒนาระบบ
ภาพที่ 3 Aaron Alan (ซ้าย) ผู้จัดการฝ่ายการตลาดและแอพพลิเคชันของ Endurance Products เชื่อว่าการรู้จำเสียงพูดและภาพมีความแตกต่างกันมากและจำเป็นต้องได้รับการตอบสนองตามแนวทางต่างๆ Shen Mingfeng ผู้จัดการฝ่ายออกแบบซอฟต์แวร์ด้านการพัฒนาซอฟต์แวร์
ในความเป็นจริงส่วนใหญ่ของลำโพงสมาร์ทยังคงไม่ขอบผลิตภัณฑ์คอมพิวเตอร์ Allen Aaron ชี้ให้เห็นว่าไม่ว่าจะเป็น Amazon 's Echo, Homepod ของ Apple หรือ Baidu, ลำโพง Alibaba แพลตฟอร์มสมาร์ทยังคงต้อง ข้อมูลจะถูกส่งกลับไปยังระบบคลาวด์เพื่อการประมวลผลและการวิเคราะห์ความหมายเพื่อที่จะตอบสนองต่อผู้ใช้การดำเนินการด้วยเสียงซึ่งสามารถทำได้โดยตรงบนผลิตภัณฑ์ส่วนใหญ่นั้นส่วนใหญ่เป็นไปตามกฎ
ตั้งแต่ 2016 หมีสามารถเปิด บริษัท ของขั้วแรกเฉพาะอุปกรณ์ประมวลผล AI NPU IP ที่มีอย่างต่อเนื่องเพื่อปรับปรุงการออกแบบและข้อมูลจำเพาะของตนและเหมาะสำหรับการใช้งานในอุตสาหกรรมที่แตกต่างกัน. ในปัจจุบันมีให้บริการกับลูกค้าเริ่มต้นในทรัพย์สินทางปัญญา, KDP 500 ลูกค้าโรงงานใช้ระบบที่ได้รับและจะเป็นในการผลิตมวลในการผลิตไตรมาสที่สอง (หน้ากากเทปออก). รู้จำเสียงพูดด้วยความร่วมมือสุนัขค้นหาได้ประสบความสำเร็จความหมายออฟไลน์แยกดังนั้นแม้ว่าอุปกรณ์ปลายทางไม่ได้เชื่อมต่อกับเครือข่าย แต่ยัง สามารถเข้าใจคำแนะนำด้วยเสียงของผู้ใช้
Kneron NPU IP จะทุ่มเทโปรเซสเซอร์ปัญญาประดิษฐ์สำหรับอุปกรณ์ปลายทางที่ถูกออกแบบมาเพื่อให้อุปกรณ์ปลายทางในสภาพแวดล้อมแบบออฟไลน์คุณสามารถเรียกใช้ RESNET, YOLO เครือข่ายการเรียนรู้ลึกอื่น ๆ. Kneron NPU ที่สมบูรณ์โซลูชั่นฮาร์ดแวร์แบบ end-AI รวมทั้งฮาร์ดแวร์ IP คอมไพเลอร์ (compiler) และรูปแบบการบีบอัด (รูปแบบการบีบอัด) สามส่วนสามารถรองรับความหลากหลายของรูปแบบเครือข่ายประสาทหลักเช่น RESNET-18, RESNET-34, Vgg16, GoogleNet และ Lenet เช่นเดียวกับการสนับสนุนหลักในการเรียนรู้ลึก กรอบรวมทั้ง Caffe, Keras และ TensorFlow
การใช้พลังงาน Kneron NPU IP เป็น 100 ระดับ mW รุ่นอัลตร้าไฟต่ำของ KDP 300 หรือแม้แต่น้อยกว่า 5 เมกะวัตต์เต็มรูปแบบของผลิตภัณฑ์ในประสิทธิภาพการทำงานต่อวัตต์ 1.5 ท็อปส์ / W หรือมากกว่าการใช้จำนวนของเทคโนโลยี แต่เพียงผู้เดียวก็สามารถ ตอบสนองผู้ให้บริการชิปดำเนินการระบบความจำเป็นในการใช้พลังงานต่ำ, การคำนวณพลังงานสูง
องค์ประกอบพื้นฐานของล็อคไม่กลัวของเทคโนโลยีการเร่งความเร็วฮาร์ดแวร์ซ้ำ
บ่ม (Hardwired) วงจรเพื่อปรับปรุงประสิทธิภาพของงานคอมพิวเตอร์บางอย่างที่ช่วยลดการใช้พลังงานการออกแบบชิปสำหรับทุกเพศทุกวัย แต่ค่าใช้จ่ายของความยืดหยุ่นแอพลิเคชันที่ต่ำกว่าการเปลี่ยนแปลงที่สำคัญในกรณีที่ต้องการของตลาดสำหรับฟังก์ชั่นชิป หรือปรับปรุงอย่างมีนัยสำคัญขั้นตอนวิธีการซอฟต์แวร์ออกแบบชิปต้อง re-พัฒนาชิปใหม่
ในกรณีที่มีความต้องการใช้ฟังก์ชั่นชิปได้รับการตัดสินโดยทั่วไปและการออกแบบนี้ไม่ได้เป็นปัญหา แต่ในเทคโนโลยีที่เกิดขึ้นใหม่ของเทคนิคการทำซ้ำอย่างรวดเร็วและใช้วิธีการออกแบบนี้จะมีความเสี่ยงที่ค่อนข้างใหญ่ในธุรกิจ ปัญญาประดิษฐ์เป็นซ้ำที่มีทักษะอย่างรวดเร็วมากเกือบทุกปีขั้นตอนวิธีการใหม่ที่มีรูปแบบที่มีอยู่. เปิด AI บริษัท วิจัยยังชี้ให้เห็นว่าที่ผ่านมาหกปีแบบการฝึกอบรม AI สำหรับความต้องการใช้ไฟฟ้าคอมพิวเตอร์จะเพิ่มขึ้นทุกเดือน 3.43 ครั้ง
ในเรื่องนี้ Shen หมิงฮชี้ไม่จำเป็นต้องเร่งฮาร์ดแวร์ไม่มียืดหยุ่น. ทนต่อผลิตภัณฑ์พลังงานยกตัวอย่างเช่นในการออกแบบสถาปัตยกรรม บริษัท ใช้บิดเคอร์เนลแยก (กรองสลายตัว) เทคโนโลยีขนาดใหญ่บิดเคอร์เนลบิด การคำนวณส่วนใหญ่ของบล็อกขนาดเล็กแบ่งออกเป็นบล็อกคำนวณบิดแยกแล้วรวมฮาร์ดแวร์ reconfigurable เร่งบิด (บิดเร่ง reconfigurable) เทคนิคผลการดำเนินงานของการดำเนินการบิดที่ส่วนใหญ่ของบล็อกขนาดเล็กกำลังหลอมละลายเพื่อเร่งการโดยรวม ประสิทธิภาพการดำเนินงาน
สุภาษิตง่ายต่อการเข้าใจเช่นอิฐเลโก้สามารถรวมกันเป็นความหลากหลายของรูปแบบในการสร้างวัตถุ แต่วัตถุเองก็ยังคงเป็นทั้งกองจากกล่องไม่กี่ขั้นพื้นฐาน. โครงการพลังงานความต้านทานเป็นอัลกอริทึมที่ขาดไม่ได้สำหรับ AI องค์ประกอบพื้นฐานจะถูกเร่งเพื่อปรับปรุงประสิทธิภาพการทำงานของอัลกอริธึมทั้งหมดดังนั้นแม้ว่าอัลกอริธึม AI จะได้รับการอัปเดตด้วยความเร็วสูงมากโซลูชันประสิทธิภาพยังคงสามารถใช้ผลการเร่งความเร็วได้
นอกเหนือจากการเร่งตัวเองถูกออกแบบมาสำหรับองค์ประกอบพื้นฐานมากกว่าวิธีเฉพาะเพื่อเร่งการต้านทานภายนอกโดยรวมยังสามารถให้เทคนิคการเร่งความเร็วและการใช้งานของ AI หรือนำไปใช้เช่นรูปแบบการบีบอัดแบบจำลอง (Model บีบอัด) เทคโนโลยีการบีบอัดใส่ไม่ได้เพิ่มประสิทธิภาพ จำนวนครั้งที่เทคโนโลยีการจัดเก็บข้อมูลหน่วยความจำแบบลำดับชั้น (แคชหลายระดับ) สามารถลดภาระของ CPU และลดปริมาณของการส่งข้อมูลเพื่อส่งเสริมประสิทธิภาพการดำเนินงานโดยรวมนอกจากนี้ Kneron NPU IP สามารถใช้ร่วม Kneron ซอฟต์แวร์รู้จำภาพมีการวิเคราะห์ประจำตัวประชาชนแบบ real-time และรวดเร็ว การตอบสนองไม่เพียง แต่มีเสถียรภาพมากขึ้นเท่านั้น แต่ยังเป็นไปตามข้อกำหนดด้านความปลอดภัยและความเป็นส่วนตัวเนื่องจากฮาร์ดแวร์และซอฟต์แวร์สามารถรวมเข้าด้วยกันได้อย่างสมบูรณ์โซลูชันโดยรวมมีขนาดเล็กลงและการใช้พลังงานต่ำกว่าเพื่อช่วยในการพัฒนาผลิตภัณฑ์อย่างรวดเร็ว
การรับรู้ภาพ AI เป็นเรื่องเร่งด่วนที่มีต่อขอบ
โดยรวม, ความต้องการของตลาดในปัจจุบันสำหรับการรับรู้ภาพเป็นเรื่องเร่งด่วนมากขึ้นการวิเคราะห์ความหมายออฟไลน์แม้ว่าจะมีลำโพงอัจฉริยะขนาดใหญ่นี้การใช้งานตลาดที่มีศักยภาพ แต่เดิมพันนี้ แต่แหล่งอุตสาหกรรมน้อย. เหตุผลที่สำคัญสำหรับปรากฏการณ์นี้ว่าภาพที่ การส่งข้อมูลจะใช้แบนด์วิธเป็นจำนวนมากซึ่งจะเพิ่มต้นทุนระบบโดยรวมในการเป็นเจ้าของ Voice ไม่ได้มีปัญหานี้
Lin Zhiming ผู้จัดการทั่วไปของ Jingxin Technology (ภาพที่ 4) อธิบายว่าการรวมปัญญาประดิษฐ์และ Internet of Things จะผลักดันการนำเทคโนโลยี edge computing เทคโนโลยี edge computing ไปประยุกต์ใช้กับแอพพลิเคชันที่หลากหลาย ท่ามกลางแนวโน้มนี้ความยืดหยุ่นและความเร็วเป็นข้อได้เปรียบที่ใหญ่ที่สุดสำหรับผู้ผลิตชาวไต้หวันส่วนใหญ่ บริษัท ชาวไต้หวันและ บริษัท ออกแบบ IC จะสามารถเจาะตลาดประดิษฐ์จากขอบได้ง่ายขึ้น
รูปที่ 4: Zhixin Lin ผู้จัดการทั่วไปของ Jingxin Technology คาดการณ์ว่า IP Cam จะเป็นหนึ่งในโปรแกรมหลักสำหรับการอนุมาน AI บนอุปกรณ์ระดับสูง
ในเวลาเดียวกันเนื่องจากการเปิดตัวเทคโนโลยีคอมพิวเตอร์ขอบความต้องการฮาร์ดแวร์เช่นหน่วยความจำและการรับส่งข้อมูลจะเพิ่มขึ้นด้วยซึ่งจะช่วยเพิ่มต้นทุนการผลิตเนื่องจากระบบ - บน - ชิป (SoC) ที่เกี่ยวข้องกับภาพนั้นมีความซับซ้อนกว่าแอพพลิเคชั่นอื่น ๆ, ความทนทานต่อค่าใช้จ่ายมีขนาดใหญ่ดังนั้นเทคโนโลยีการประมวลผลแบบขอบจึงเป็นที่แรกที่นำเข้าโดยแอพพลิเคชั่นที่เกี่ยวข้องกับภาพเช่น IP Cam
การประยุกต์ใช้ปัญญาประดิษฐ์สามารถแบ่งออกเป็นการฝึกอบรมและบัตรประจำตัวในกระบวนการคอมพิวเตอร์ขนาดใหญ่ของการเรียนรู้ลึกคอมพิวเตอร์เมฆจะดำเนินการยังคงอยู่ในช่วงเวลาสั้น ๆ งานที่ขอบคอมพิวเตอร์มีหน้าที่ในการคือการทำข้อมูลที่รวบรวมก่อน การประมวลผลเริ่มต้นหลังจากกรองข้อมูลที่ไม่สำคัญจะอัปโหลดข้อมูลไปยังระบบคลาวด์เพื่อประหยัดค่าใช้จ่ายในการส่งข้อมูลในทางกลับกันการเรียนรู้ลึก ๆ ที่เสร็จสิ้นโดยระบบคลาวด์ยังสามารถทำให้ฟังก์ชันการระบุตัวตนของ terminal มีความชาญฉลาดมากขึ้น ตัวอย่างเช่นการทำงานของการเรียนรู้ในรูปแบบลึกสามารถทำได้โดยใช้คอมพิวเตอร์ระบบคลาวด์เป็นอันดับแรกหลังจากที่ผู้เรียนสแตนด์บายรู้จักผู้เดินเท้าแล้ว IP Cam ที่ขอบสามารถดำเนินการระบุได้เท่านั้น
ในทางกลับกันเนื่องจาก IP Cam ใช้กันอย่างแพร่หลายในการบำรุงรักษาความปลอดภัยและความมั่นคงของชุมชนรัฐบาลและองค์กรต่างๆค่อนข้างยินดีที่จะสนับสนุนการลงทุนซึ่งเป็นเหตุผลที่ IP Cam จะพัฒนาอย่างรวดเร็ว
หุ้นหลิน Zhiming ผู้ผลิตหลายคล้าหาวิธีการที่จะนำเข้าชิปปัญญาประดิษฐ์เข้าสู่ระบบของตัวเอง. สถานการณ์ปัจจุบันจะคล้ายกับเมื่อสิ่งที่เพียงแค่เริ่มเจริญเรายังคงสำรวจวิธีการใช้การตัดที่ประมาณ 2020 ผู้ผลิต จะเปิดตัวผลิตภัณฑ์จริงมากขึ้น
แอปพลิเคชันแบบเรียลไทม์ต้องใช้สถาปัตยกรรมคอมพิวเตอร์ขอบ
ปัญญาประดิษฐ์เป็นหัวข้อร้อนในปัจจุบันซึ่งค่อยโอนมาจากสถาปัตยกรรมคอมพิวเตอร์เมฆสถาปัตยกรรมคอมพิวเตอร์ขอบจะนำมาไม่มีผลกระทบเล็ก ๆ บนผู้ผลิตห่วงโซ่อุปทาน. แม้จะมีระยะเวลาสั้น ๆ จะยังคงพัฒนาปัญญาประดิษฐ์ที่ใช้คอมพิวเตอร์เมฆ อย่างไรก็ตามหลายฟังก์ชันปัญญาประดิษฐ์เกี่ยวกับการใช้งานวิสัยทัศน์จะเริ่มนำเข้าขอบ
Xilinx พัฒนากรรมการ (Xilinx) หน่วยสืบราชการลับภาพตลาดกลยุทธ์เดลเค Hitt (รูปที่ 5) ชี้ให้เห็นว่าในอนาคตอันใกล้, AI ส่วนประกอบการฝึกอบรมการพัฒนาอาจจะยังคงครอบงำโดยคอมพิวเตอร์เมฆ. แต่อนุมาน / การจัดวางองค์ประกอบได้เริ่ม ใช้การดำเนินการขอบเพื่อสนับสนุนแอพพลิเคชันที่ต้องการประสิทธิภาพแฝงต่ำและประสิทธิภาพของเครือข่าย
5 Xilinx พัฒนาผู้อำนวยการฝ่ายกลยุทธ์การตลาดปัญญาภาพหุบเขาเค Hitt คิดว่าสำหรับงานที่ต้อง latency ต่ำมากขอบของการดำเนินการจะเป็นทางออกที่ดีที่สุด
สำหรับองค์ประกอบที่ถูกดำเนินขอบสำหรับการใช้งานมองเห็นเครื่องที่เกี่ยวข้องกับการเรียนรู้ที่จะเป็นหนึ่งในแนวโน้มที่สำคัญและกว้างไกล. และในวิสัยทัศน์เครื่องจักรอุตสาหกรรมเมืองสมาร์ทการวิเคราะห์ภาพและตลาดตนเองไดรฟ์มีความแข็งแกร่ง ศักยภาพในการเติบโต. ในแง่ของอุตสาหกรรมวิสัยทัศน์และผู้บริโภคการใช้งานเนื่องจากขั้นตอนวิธีการเรียนรู้ของเครื่องขอบคณิตศาสตร์ที่จะดำเนินการเพื่อให้ประสิทธิภาพการทำงานที่ความต้องการยังมีสูงกว่ารุ่นก่อนหน้าโปรแกรมจำนวนมาก. นอกจากนี้เครื่องขอบเรียนรู้ขั้นตอนวิธีการ / ฟังก์ชั่นยังได้รับการพัฒนาอย่างรวดเร็วและดังนั้นทุกเดินชีวิต ต้องการฮาร์ดแวร์ที่ปรับตัวเองเพื่อเพิ่มประสิทธิภาพสำหรับสถาปัตยกรรมการอนุมานการเรียนรู้ด้วยเครื่องจักรในอนาคต
Hitt ตนเองขับรถเช่นรถแต่ละคันมีอัลกอริทึมที่อยู่เบื้องหลังการสนับสนุนเซ็นเซอร์เป็นผู้รับผิดชอบในการตีความของผลที่ได้จากการส่งออกของข้อมูลเซ็นเซอร์รับรู้ที่. แนวโน้มล่าสุดคือการใช้ขั้นตอนวิธีการเรียนรู้ลึกเพื่อการส่งออกเหล่านี้ตีความการรับรู้ของผลอย่างไร ขั้นตอนวิธีการเรียนรู้ลึก ๆ จะต้องได้รับการฝึกอบรมผ่านสถานการณ์ที่เป็นไปได้มากมายเพื่อเรียนรู้วิธีการอ่านข้อมูลเซ็นเซอร์ทั้งหมดที่เป็นไปได้
หลังจากการฝึกอบรมขั้นตอนวิธีการเรียนรู้ลึกต้องประมวลผลประสิทธิภาพสูงที่มีค่า Latency ต่ำในการสั่งซื้อเพื่อควบคุมรถได้อย่างปลอดภัย. สำหรับยานพาหนะไฟฟ้าคุณต้องใช้พลังงานต่ำที่จะรับมือกับการ จำกัด อุณหภูมิในการทำงานและขยายธุรกิจแบตเตอรี่สารกึ่งตัวนำไฟฟ้า เป้าหมายคือการจัดหาโซลูชั่นที่มีประสิทธิภาพสูงใช้พลังงานต่ำและสามารถปรับเปลี่ยนได้เพื่อตอบสนองความต้องการด้านการขับขี่แบบ AI ที่หลากหลาย
ในขั้นตอนการดำเนินการอยู่บนขอบของการพัฒนาที่ท้าทายที่สุดคือการเปลี่ยนแปลงความต้องการของตลาดได้อย่างรวดเร็วเกินไปก็สามารถเปลี่ยนสำหรับความหลากหลายของการปรับตัวอย่างรวดเร็วของเทคโนโลยีเป็นสิ่งสำคัญมากในการที่จะช่วยให้ผู้ประกอบการจะยังคงแข่งขัน
Hitt เพิ่มเติมแสดงให้เห็นถึงความลึกของขั้นตอนวิธีการเรียนรู้ในอัตราที่รวดเร็วของความคืบหน้าอย่างต่อเนื่องหลายโซลูชั่นชั้นนำในปี 2017 ได้เผชิญหน้าเพื่อให้ห่างไกลการตายที่คล้ายกัน. แม้ว่าคนอื่น ๆ ในขณะนี้มีกำลังการผลิตที่สูงขึ้นพร้อมกับการเพิ่มขึ้นของความต้องการคอมพิวเตอร์ฮาร์ดแวร์ยังคง ฮาร์ดแวร์ที่ดีที่สุดต้องมีการปรับปรุงในอัตราที่เร็วขึ้นในการสั่งซื้อเพื่อหลีกเลี่ยงการถูกตัดออกแม้ในการผลิตฮาร์ดแวร์บางส่วนในการเผชิญหน้ากับความต้องการที่จะปรับปรุง. หลายทางเลือกต้องจำได้อัปเดตชิปเดิม
Hitt เสริมข้อดีที่เป็นเอกลักษณ์ FPGA ที่มีคอมพิวเตอร์สถาปัตยกรรมหน่วยความจำและการเชื่อมโยงไปยังด้านอื่น ๆ ของความลึกของฮาร์ดแวร์ที่สามารถเพิ่มประสิทธิภาพและ CPU และ GPU เมื่อเทียบกับการเพิ่มประสิทธิภาพเพื่อให้เกิดประสิทธิภาพที่สูงขึ้นในการใช้พลังงานที่ลดลงในขณะที่อดีตสอง สถาปัตยกรรมฮาร์ดแวร์ไม่สามารถปรับให้เหมาะสำหรับความต้องการที่มาใหม่ได้อย่างรวดเร็ว
การทำงานของ Edge ล้นหลาม
การใช้งานเอไอพึ่งพาการดำเนินงานศูนย์ข้อมูลเมฆแม้ว่าจะมีการสนับสนุนการคำนวณพลังงานสูงมากมันเป็นเรื่องปกติที่สูงกว่าขอบของความถูกต้องของอุปกรณ์ประจำตัวประชาชนให้เป็นไปตามรูปแบบที่เรียบง่ายของเหตุผล แต่หลังจากที่คำนึงถึงความเป็นส่วนตัวบัญชี, การตอบสนองแบบ real-time ออนไลน์และค่าใช้จ่ายและปัจจัยอื่น ๆ การหาข้อสรุปโดยตรงบนขอบของอุปกรณ์ที่ยังคงเป็นตัวเลือกที่น่าสนใจมาก. ในมืออื่น ๆ ที่เป็นข้อมูลเมฆขนาดของตลาดที่มีขนาดใหญ่กว่าศูนย์อุปกรณ์ปลายทางมีแรงจูงใจทางเศรษฐกิจที่แข็งแกร่ง. นี้ยังเป็นปีที่ผ่านมา AIoT ตะโกนคำขวัญช็อต ราคาดังเหตุผลที่สำคัญสำหรับอุตสาหกรรมเซมิคอนดักเตอร์ในรูปแบบแข็งขัน
มองไปในอนาคตการใช้งานเอไอที่ได้รับการสนับสนุนจากคลาวด์ยังคงมีอยู่ในตลาด แต่สัดส่วนที่ถูกผูกไว้เพื่อลดทุกปีก็จะถูกแทนที่ด้วยใหม่เมฆไฮบริดและสถาปัตยกรรมขอบคอมพิวเตอร์. การประยุกต์ใช้งานของนักพัฒนา AI เมฆไม่สามารถแทนที่ ค่าอยู่ในรถไฟรุ่นมากกว่าการดำเนินการอนุมาน. ด้วยเหตุผลนี้นักพัฒนาแอพลิเคชัน, ผู้ให้บริการโซลูชั่นสามารถบรรลุการเชื่อมต่อระหว่าง "เมฆ" และ "จบ" จะเป็นนักพัฒนาโปรแกรม ในการประเมินซัพพลายเออร์พิจารณาที่สำคัญที่สุด