物聯(lián)網 （IoT）不僅改變我們的日常生活，還會影響我們人類社會的點點滴滴。從智能家居到未來的工廠，聯(lián)網設備的數(shù)量持續(xù)快速增長。據 IDC 估計，到 2025 年將有超過557億的入網設備，其中 75% 將連接到物聯(lián)網平臺。這將導致這些設備生成的數(shù)據流，從 2019 年的 18.3 ZB 增長到 2025 年73.1 ZB的預估值。既時，AI（人工智能）的高效算法將會在不同方面有效克服物聯(lián)網部署及應用中的挑戰(zhàn)。人工智能和物聯(lián)網設備的優(yōu)勢能夠確保對數(shù)據的系統(tǒng)性計算分析，但也帶來延遲和安全漏洞等問題?，F(xiàn)在技術已經可以在成功的創(chuàng)建分布式智能動態(tài)網絡的同時實現(xiàn)數(shù)據的實時處理能力。

圖像

什么是 AIoT？

智能物聯(lián)網 （AIoT） 是一個相對較新的術語，但已風靡全球。它是新興技術中的兩大巨頭——人工智能 （AI） 和物聯(lián)網 （IoT） 的結合，旨在實現(xiàn)更高效的物聯(lián)網運營、改善人機交互并增進數(shù)據管理和分析。物聯(lián)網是由相互連接的設備組成，由眾多的傳感器，生成并收集大量數(shù)據。人工智能能夠讓機器基于之前的經驗來執(zhí)行任務。它也可以將物聯(lián)網數(shù)據轉換為有用的信息，然后可以適時有效地使用這些數(shù)據做適當?shù)臎Q策。人工智能和物聯(lián)網具有互惠關系——人工智能得益于“大數(shù)據”的可用性，而物聯(lián)網則受益于機器學習的能力。

在AIoT 中， AI 可以嵌入到IoT 基礎設施組件中，并使用 API （應用程序接口）來實現(xiàn)這些處于不同層級組件之間的操互性和可靠性。這種運行機制側重于改進系統(tǒng)以及網絡的功能性和可操作性，通過數(shù)據管理抽取背后的價值。由于人工智能、物聯(lián)網的系統(tǒng)結合，數(shù)據分析的價值隨著“智能”的介入而提升。例如，物聯(lián)網邊緣生成的數(shù)據，可以讓機器自主地在邊緣完成任務。為了更清楚地說明 AI 和 IoT 的互融，下圖顯示了數(shù)據的生命周期。物聯(lián)網負責使用感知層中的傳感器捕獲數(shù)據。然后在網絡層中進行數(shù)據傳輸，接著通過數(shù)據聚合把數(shù)據集成在一起。再通過物聯(lián)網平臺對集成數(shù)據跟進分析。最后，根據分析結果，在業(yè)務/應用層做相應操作。物聯(lián)網的本質價值是由應用層“決策”的價值決定的，這主要取決于上一步以人工智能為背景介入的“數(shù)據分析”的結果。

圖像

人工智能：為物聯(lián)網增值

將人工智能從云端集成到物聯(lián)網甚至到物聯(lián)網的節(jié)點端，可以進一步改善運營狀態(tài)和整體系統(tǒng)效率，支持物聯(lián)網可擴展性并通過有效的風險管理降低風險。盡最大可能地減少緊急停機狀況，來幫助降低總運營成本，反過來意味著提高可用性。

要能在節(jié)點上做高效的AI推斷，需要一種革新性的方式來管理信息：積累相關數(shù)據，并在本地設備上做出決策。

為了在節(jié)點采用更有效的人工智能 （AI）、機器學習 （ML） 或深度學習 （DL），你需要好用的硬件來執(zhí)行核心系統(tǒng)任務以及相關算法，同時還要滿足對性能和功耗的需求。為物聯(lián)網IoT設計而生的微控制器，集成所需CPU 性能、智能又省電的外設和強壯的硬件安全引擎，能有效幫助AIoT 的應用。然而，除了硬件本身，我們還需要經過優(yōu)化的支持機器學習模型的中間件，才能確保AIoT應用在這些資源受限設備上的順利運行。

基于物聯(lián)網微控制器單元組成的智能物聯(lián)網設備，它在物聯(lián)網邊緣負責收集和處理大量數(shù)據。從邊緣到云端的數(shù)據傳輸、數(shù)據處理需要更優(yōu)的性能、安全的通信，以及高能效。將能耗保持在非常低的水平是大規(guī)模部署物聯(lián)網設備的重要環(huán)節(jié)。微型機器學習TinyML可以在嵌入式節(jié)點設備上優(yōu)化并且高效運行復雜的AI/ML模型。

現(xiàn)在讓我們更深入地了解TinyML的演進和在節(jié)點設備上的應用，以及AIoT在不同階段的應用情況。

第 1 階段：人工智能和云端服務：

起初，只在云端做神經網絡訓練和托管機器學習模型，這勢必需要強大的算力以及復雜的任務管理能力。微控制器單元在物聯(lián)網中負責管理傳感器和執(zhí)行器。如下圖所示，在云端運行的AI模型所需的數(shù)據，是源于物聯(lián)網，而將海量數(shù)據傳輸?shù)皆贫说倪^程中，會給網絡帶寬帶來很大壓力。導致的傳輸延遲和資源耗損，恰恰不適合實時控制和關鍵的安全應用。

圖像

第 2 階段：人工智能和邊緣計算：

為了提高系統(tǒng)效率和決策能力，我們現(xiàn)在能夠在物聯(lián)網邊緣網關或終端節(jié)點本地運行 AI 模型。然而，對于資源受限的邊緣設備，機器學習模型的訓練仍然需要在云端進行。經過訓練后的模型部署在邊緣設備中。這種方式得益于云端超強的算力（用于訓練）和邊緣計算的低延遲性（更及時的執(zhí)行）。

圖像

第 3 階段：端點的智能嵌入：

在這個階段，物聯(lián)網產品的設計人員將機器學習模塊直接嵌入到微控制器中；不再需要邊緣網關或者云端去做決策響應。

圖像

但是，必須確保在微控制器單元MCU上運行的此類機器學習模型足夠的輕量化，以實現(xiàn)更快的執(zhí)行效果。這就是 TinyML 發(fā)揮作用的地方，因為它不需要很多資源即可工作，特別適合物聯(lián)網資源受限設備。簡而言之，TinyML 有助于優(yōu)化資源、降低成本、提高能效和數(shù)據安全性，并最終降低系統(tǒng)延遲。這催生了分布式智能，并加速AIoT在各種應用領域的擴展。

讓我們看一下Renesas可以幫助實現(xiàn)高效 AIoT 解決方案的一些例子；工業(yè)領域中可預測維護，在設備中嵌入相關機器學習模型將有助于實時檢測問題并采取相應措施。

模式識別：這是一種圖像或語音識別模型，可以在檢測到某些單詞或指令時讓系統(tǒng)做出改變。

智能醫(yī)療：智能預診、醫(yī)療狀況監(jiān)測和實時分析、高效圖像識別進行快速治療等等。

可穿戴智能設備：應用種類繁多，從智能手表到運動追蹤器，以及各種監(jiān)控設備。

智能物聯(lián)網AIoT 的出現(xiàn)跨越了許多新技術和應用，為人類生活的各個領域開啟了前所未有的可能性。為更廣泛地采用 AIoT， 需要在連接性、安全性和先進技術開發(fā)方面進行協(xié)作和標準化，以此來解決所面對的各種困難。

在廣泛開發(fā)數(shù)十億智能設備的過程中，它創(chuàng)造了前所未有的新業(yè)務流和新應用。 讓我們釋放創(chuàng)造力，因為它會給我們帶來超乎想象的未來。