人工智能（AI）在很多人眼里是，只是一种科幻片中不明觉厉的存在，而与普通人的生活之间隔着很远的距离。但是这样的局面正在被改变，在未来5-10年中，AI将会以超乎我们想象的速度快速渗透到我们生活的方方面面。为什么这么讲？一起随我们往下看。

　　人工智能物联网的基本范式

　　之所以我们与AI之间会有“距离感”，主要是因为以前玩AI是一件比较奢侈的事。这种“奢侈”主要体现在，实现AI所依赖的机器学习（ML），在其训练和推理的过程中对算力有非常高的要求。为了应对这样的挑战，通过云计算集中算力做数据处理，也就成为了实现机器学习的一个经典方法。

　　但是到了物联网时代，这样的模式受到了挑战——集中式云计算带宽和存储资源消耗大、实时数据传输消耗电量多、数据在终端和云端之间传输延迟长、数据传输和云端集中存储过程中安全风险大。这些弊端让人们认识到单纯的云计算不是包打天下的万能药。

　　因此，边缘计算作为经典云计算的补充，越来越得到大家的重视。按照边缘计算的定义，将大部分计算任务放在边缘设备上直接进行处理，而只在必要的时候将一些经过预处理的数据传输至云端进行“精加工”，这样既能提升边缘端实时响应的速度和智能化水平，又能为网络传输通路和云端数据中心减负，因此这样的混合计算模式显然可以完美地坚决传统云计算的痛点。

　　这种计算架构的变迁，也对机器学习的模式产生了影响，使其从以计算为中心的模式向以数据为中心的模式转变。这两种模式中，前者是将机器学习的训练和推理都放在云端数据中心中完成，而后者则是由云端完成模型的训练，而将推理放在边缘设备上完成，这也就形成了人工智能物联网（AIoT）实施的基本范式。

　　向MCU扩展机器学习的疆界

　　显而易见，边缘计算使得机器学习的疆界大为扩展，使其从数据中心的机房走向了更多样性的网络边缘智能。但对于物联网应用来讲，这似乎还不够。因为在边缘设备上进行推理，仍然需要相对强悍的算力，这通常需要包含ML协处理器在内的较为复杂的异构微处理器来实现加速，如此的配置在嵌入式领域已经算是很“高端”的了。仅此一条，就会将不少对于功耗、成本、实时性敏感的应用关在机器学习的门外。

　　因此，机器学习想要继续开疆扩土，一个主攻方向就是要让资源更简单、算力更有限的微控制器（MCU）也能够跑得了、玩得起机器学习。IC Insights的研究数据显示，2018年全球MCU的出货量为281亿颗，到2023年将这个数字将增长到382亿颗，而全球的MCU存量将数以千亿计，谁要是能够让如此量级的设备玩转机器学习，其前途和钱途都将是不可限量的！

　　但对于任何一个梦想来说，现实往往显得比较“骨感”。将机器学习部署到MCU运行，就好像是要将一只大象塞进冰箱，而这个答案绝对不是一句脑筋急转弯的玩笑话，而是需要在技术从两个维度上去仔细考量。

　　为机器学习模型瘦身

　　第一个维度，就是要考虑如何为ML模型这只“大象”进行“瘦身”，也就是说要发展出相应的技术，能够在微控制器上部署、运行“小型化”的机器学习推理模型。这种瘦身后的模型，需要满足的条件包括：

　　运行模型的终端功耗一般在mW级别，甚至更低；占用的内存一般要在几百kB以下；推理时间为ms级别，一般需要在1s内完成。

　　为了实现这样的目标，TinyML技术应运而生。顾名思义，这就是一种能够让ML模型“变小”的技术。与上文提到的AIoT机器学习的基本范式一样，TinyML也是要在云端收集数据并进行训练，而不同之处则在于训练后模型的优化和部署——为了适应MCU有限的计算资源，TinyML必须对模型进行“深度压缩”，通过模型的蒸馏（Distillation）、量化（Quantization）、编码（Encoding）、编译（Compilation）一系列操作后才能部署到边缘终端上。

　　图1：嵌入式设备中部署TinyML的示意图（图源：网络）

　　其中，一些关键的技术包括：

　　蒸馏：是指在训练后通过剪枝（pruning）和知识蒸馏的技术手段，对模型进行更改，以创建更紧凑的表示形式。

　　量化：在模型蒸馏后，通过量化实现以更少位数的数据类型近似表示32位浮点型数据，在可接受的精度损失范围之内减少模型尺寸大小、内存消耗并加快模型推理速度。

　　编码：就是通过更有效的编码方式（如霍夫曼编码）来存储数据，进一步减小模型规模。

　　编译：通过以上方式压缩好的模型，将被编译为可被大多MCU使用的C或C++代码，通过设备上的轻量级网络解释器（如TF Lite和TF Lite Micro）运行。

　　在过去的两年中，我们已经明显感觉到TinyML技术在升温，厂商在该领域的投入也在加码。根据Silent Intelligence的预测，未来5年中，TinyML将触发超过700亿美元的经济价值，并且保持超过27.3%的复合年均增长率。

　　打造机器学习MCU新物种

　　把“大象装进冰箱”，除了要在“大象”（也就是ML模型）身上下功夫，另一个维度上的努力就是要改造“冰箱”，也就是对我们熟悉的MCU进行优化和改造，令其能够符合运行ML的需要。

　　比如，为了满足在IoT边缘设备中实现复杂机器学习功能的需要，Maxim Integrated就推出一款专门的低功耗ML微控制器MAX78000。该器件内置Arm Cortex-M4F处理器（100MHz）和32位RISC-V协处理器（60MHz），以及支持64层网络深度的卷积神经网络加速器，可在电池供电应用中执行AI推理，而仅消耗微焦耳能量。与传统的软件方案相比，这种基于硬件加速的方案使得复杂的AI推理能耗降至前者的百分之一，而推理速度则可以快100倍。

　　预计具有类似ML特性的新物种，将成为未来各家MCU大厂产品路线图中的重要分支。

　　图2：Maxim Integrated推出的低功耗ML微控制器MAX78000（图源：Maxim）

　　本文小结

　　综上所述，与微处理器或者x86等嵌入式计算架构相比，MCU具有功耗很低、成本低、开发周期短、上市快、实时性好、市场体量大等特点，这些特性如果能够和高能的机器学习结合在一起，其想象空间无疑是巨大的。

　　在促成两者“结合”的过程中，如果能够为开发者提供支持机器学习功能的MCU“新物种”，如果能够提供一个完整的开发工具链，让ML模型的优化和部署更顺手，那么把机器学习这只“大象”放进MCU的“冰箱”，将成为信手拈来的轻松事。

　　更重要的是，这样的趋势刚刚萌芽，你完全有机会成为一只early bird，在这个全新的领域中自由的飞翔。