分布最廣的物聯(lián)網(wǎng)設(shè)備往往體積很小、電量有限。它們被作為終端硬件，通過嵌入式傳感器采集各種數(shù)據(jù)；計(jì)算能力有限，對功耗極為敏感。這類設(shè)備也能實(shí)現(xiàn)機(jī)器學(xué)習(xí)嗎？一個(gè)趨勢是，人工智能AI正在加快速度從“云端”走向“邊緣”，進(jìn)入到越來越小的物聯(lián)網(wǎng)設(shè)備中。在終端和邊緣側(cè)的微處理器上，實(shí)現(xiàn)的機(jī)器學(xué)習(xí)過程，被稱為微型機(jī)器學(xué)習(xí)，即TinyML。

分布最廣的物聯(lián)網(wǎng)設(shè)備往往體積很小、電量有限。它們被作為終端硬件，通過嵌入式傳感器采集各種數(shù)據(jù)；計(jì)算能力有限，對功耗極為敏感。這類設(shè)備也能實(shí)現(xiàn)機(jī)器學(xué)習(xí)嗎？

一個(gè)趨勢是，人工智能AI正在加快速度從“云端”走向“邊緣”，進(jìn)入到越來越小的物聯(lián)網(wǎng)設(shè)備中。

在終端和邊緣側(cè)的微處理器上，實(shí)現(xiàn)的機(jī)器學(xué)習(xí)過程，被稱為微型機(jī)器學(xué)習(xí)，即TinyML。更準(zhǔn)確的說，TinyML是指工程師們在mW功率范圍以下的設(shè)備上，實(shí)現(xiàn)機(jī)器學(xué)習(xí)的方法、工具和技術(shù)。

一批企業(yè)正在利用TinyML相關(guān)的技術(shù)與產(chǎn)品，探索如何在這些無處不在的小型設(shè)備上，更好的搭載機(jī)器學(xué)習(xí)，以便提高設(shè)備的分析能力和運(yùn)行效率。

TinyML是不同技術(shù)領(lǐng)域和推動因素的交集，它位于物聯(lián)網(wǎng)設(shè)備、機(jī)器學(xué)習(xí)和邊緣計(jì)算之間的結(jié)合部，并因?yàn)槎喾N驅(qū)動力的綜合作用，進(jìn)展很快。

在剛剛過去的2月中旬，TinyML 2020峰會在硅谷舉行。英偉達(dá)、ARM、高通、谷歌、微軟、三星等公司紛紛展示了微型機(jī)器學(xué)習(xí)的最新成果。

這是TinyML峰會的第二屆。TinyML 2019峰會共吸引了來自90多家企業(yè)的數(shù)百名工程師參與，而本屆峰會的盛況更是空前，并且得出了很多重要結(jié)論：

對于很多應(yīng)用場景，TinyML技術(shù)和硬件已經(jīng)進(jìn)化到實(shí)用性較強(qiáng)的階段；

無論是算法、網(wǎng)絡(luò)，還是低于100KB的ML模型，都取得了重大突破；

視覺和音頻領(lǐng)域的低功耗需求快速增長。

TinyML峰會的主辦方，是在2019年7月剛剛成立的TinyML基金會，成員不僅包含各大知名企業(yè)，還包含GreeWaves、Eta Compute、Esperanto、Xnor、Picovoice等優(yōu)秀的初創(chuàng)公司。

技術(shù)的進(jìn)步和生態(tài)的發(fā)展，為TinyML的發(fā)展賦予了巨大的動能。目前，TinyML的影響力正在持續(xù)發(fā)酵，2020年勢必將有大批產(chǎn)品和解決方案問世，是一個(gè)值得重點(diǎn)把握和關(guān)注的領(lǐng)域。因此本文將為你匯總呈現(xiàn)TinyML的全景：

什么是TinyML？

什么是TinyML即服務(wù)？

TinyML為何重要？

TinyML的市場規(guī)模預(yù)測

TinyML的最新產(chǎn)品有哪些？

TinyML有哪些應(yīng)用實(shí)踐？

TinyML的相關(guān)組織

01

什么是TinyML

機(jī)器學(xué)習(xí)（ML）正在變得越來越小。

正如文初所述，TinyML是機(jī)器學(xué)習(xí)在微控制器上的應(yīng)用，是超低功耗邊緣側(cè)人工智能。

無論何時(shí)何地，數(shù)據(jù)都需要即時(shí)可用，這一趨勢越來越明顯。全球各行各業(yè)都在經(jīng)歷由這種需求推動的“數(shù)字化轉(zhuǎn)型”。根據(jù)IDC的分析，到2025年，全球創(chuàng)建的數(shù)據(jù)中，超過四分之一的數(shù)據(jù)在本質(zhì)上都是實(shí)時(shí)數(shù)據(jù)，而物聯(lián)網(wǎng)實(shí)時(shí)數(shù)據(jù)將占這部分?jǐn)?shù)據(jù)的95%以上。

大量涌現(xiàn)的數(shù)據(jù)催生出了一系列全新的技術(shù)，機(jī)器學(xué)習(xí)、自然語言處理和人工智能，它們將數(shù)據(jù)分析從不常見的、追溯式的實(shí)踐，轉(zhuǎn)變成為戰(zhàn)略決策和行動的前攝式推動因素。這些技術(shù)可以大大提高各種行業(yè)、環(huán)境和應(yīng)用數(shù)據(jù)分析的頻率、靈活性和即時(shí)性。同樣根據(jù)IDC的預(yù)測，到 2025 年，屬于數(shù)據(jù)分析的全球數(shù)據(jù)總量將增長至原來的50倍，達(dá)到 5.2ZB；而機(jī)器學(xué)習(xí)所“觸及”的分析數(shù)據(jù)總量將增長至原來的100倍，達(dá)到1.4ZB。

目前存在的機(jī)器學(xué)習(xí)可以劃分為3種形態(tài)，云端ML、邊緣ML和TinyML。TinyML正是針對占比超過95%以上的物聯(lián)網(wǎng)實(shí)時(shí)數(shù)據(jù)處理場景。

因此，目前針對不同類型的計(jì)算平臺，在不同時(shí)間創(chuàng)建和使用的數(shù)據(jù)量，機(jī)器學(xué)習(xí)被較為清晰的劃分為3種類型，發(fā)揮著各自差異化的作用：

云端ML：是指機(jī)器學(xué)習(xí)在企業(yè)內(nèi)部或云端特定計(jì)算數(shù)據(jù)中心的應(yīng)用。這些云服務(wù)器涵蓋所有類型，包括公共云、私有云和混合云。此外，它還包括運(yùn)營控制中心，例如管理電網(wǎng)或電話網(wǎng)絡(luò)的那些運(yùn)營控制中心。

邊緣ML：是指機(jī)器學(xué)習(xí)在不處于核心數(shù)據(jù)中心的，企業(yè)級計(jì)算機(jī)/設(shè)備中的應(yīng)用。邊緣設(shè)備包括服務(wù)器機(jī)房，現(xiàn)場服務(wù)器，以及位于各個(gè)地區(qū)以加快響應(yīng)速度為目的的小型數(shù)據(jù)中心。

TinyML：是指超低功耗的機(jī)器學(xué)習(xí)在物聯(lián)網(wǎng)各種終端微控制器中的應(yīng)用。TinyML通常功耗為毫瓦（mW）級別甚至更低，因此可以支持各種不同的電池驅(qū)動的設(shè)備，和需要始終在線的應(yīng)用。這些設(shè)備包括智能攝像頭、遠(yuǎn)程監(jiān)控設(shè)備、可穿戴設(shè)備、音頻采集硬件以及各種傳感器等等……

再看TinyML的發(fā)展現(xiàn)狀，從算法、軟件、硬件這三個(gè)維度分析，TinyML已經(jīng)進(jìn)化到“足夠好”，可以實(shí)際應(yīng)用的階段。

TinyML是一個(gè)新興領(lǐng)域，是快速增長的機(jī)器學(xué)習(xí)技術(shù)和應(yīng)用，是一片巨大的、未被充分開發(fā)的藍(lán)海。

數(shù)以億計(jì)的微控制器和各種各樣的傳感器結(jié)合在一起，在未來可能會激發(fā)一些非常有創(chuàng)意、更具實(shí)用價(jià)值的TinyML應(yīng)用。

對TinyML做個(gè)簡單總結(jié)：

What：TinyML是指超低功耗（毫瓦量級）的邊緣側(cè)機(jī)器學(xué)習(xí)應(yīng)用。

Why：TinyML可以提升大量物聯(lián)網(wǎng)設(shè)備的數(shù)據(jù)分析和決策能力。

How：TinyML的實(shí)現(xiàn)需要硬件、軟件和算法的整體性協(xié)同設(shè)計(jì)。

When：現(xiàn)在是著手布局TinyML的最好時(shí)機(jī)。

TinyML蘊(yùn)含巨大機(jī)會，很多剛剛浮現(xiàn)。未來一兩年內(nèi)，這個(gè)領(lǐng)域很可能會出現(xiàn)顯著進(jìn)展。

02

什么是TinyML即服務(wù)（TinyML-as-a-Service）

接著我們再來看看什么是TinyML即服務(wù)。

這是愛立信率先提出的一個(gè)理念。

首先，我們需要明確的區(qū)分在物聯(lián)網(wǎng)終端中應(yīng)用機(jī)器學(xué)習(xí)的兩種方式：

為物聯(lián)網(wǎng)終端設(shè)備提供機(jī)器學(xué)習(xí)服務(wù)

在物聯(lián)網(wǎng)終端設(shè)備中內(nèi)嵌TinyML即服務(wù)

這兩種表述看似相像，實(shí)則不同。

在第一種情況下，為物聯(lián)網(wǎng)終端設(shè)備提供的機(jī)器學(xué)習(xí)服務(wù)，一般將所有ML任務(wù)都“外包”給邊緣設(shè)備和云服務(wù)器，終端設(shè)備則以接收者的身份，“被動”執(zhí)行由邊緣和云端下發(fā)的各種任務(wù)。

在第二種情況下，物聯(lián)網(wǎng)終端設(shè)備中內(nèi)嵌TinyML即服務(wù)，“主動”參與智能決策與執(zhí)行。雖然與云端和邊緣相比，終端設(shè)備的資源非常有限，但TinyML即服務(wù)仍舊可以提升終端設(shè)備的分析能力，以便其能更好的處理實(shí)時(shí)物聯(lián)網(wǎng)數(shù)據(jù)。

因此TinyML即服務(wù)，真正的實(shí)現(xiàn)了將機(jī)器學(xué)習(xí)帶入到物聯(lián)網(wǎng)終端。

看到這里，你或許有個(gè)疑問：機(jī)器學(xué)習(xí)生態(tài)系統(tǒng)非常龐大，而且對資源要求很高。物聯(lián)網(wǎng)設(shè)備那么小，可以執(zhí)行哪些機(jī)器學(xué)習(xí)任務(wù)？

為了更好的回答這個(gè)問題，我們先來說說TinyML和云端ML之間的差異，它們分別處于兩個(gè)截然不同的世界。

上圖是從硬件和軟件的角度，定性和定量的比較TinyML和云端ML的差異。與TinyML可以調(diào)用的資源相比，云端ML簡直是“富豪”。為了順利推進(jìn)，TinyML必須采用與云端ML不同的思維模式。

在本文最初的三環(huán)圖中可以看到，TinyML和Linux之間并沒有太多交集。大量的物聯(lián)網(wǎng)設(shè)備并沒有運(yùn)行Linux的能力，TinyML無法調(diào)用很多成熟的工具、應(yīng)用和基于容器的虛擬化技術(shù)，必須另辟蹊徑的解決各種軟件、硬件和算法極為缺乏的問題，部署ML服務(wù)。

很多公司圍繞TinyML付出了各種努力，在后面的部分，我們將會介紹各種TinyML的產(chǎn)品和最新實(shí)踐。

當(dāng)然，想要在終端物聯(lián)網(wǎng)設(shè)備中，獲得和云端ML同樣的體驗(yàn)是不現(xiàn)實(shí)的。TinyML主要實(shí)現(xiàn)的是推理（inference），也就是把從訓(xùn)練中學(xué)習(xí)到的能力，應(yīng)用到實(shí)際操作中去。

TinyML想要落地，還需要一整套成熟的架構(gòu)。愛立信將TinyML即服務(wù)的生態(tài)系統(tǒng)拆分為3個(gè)基本組件：

編譯器插件接口

編排協(xié)議

推理模塊規(guī)格

支持這三個(gè)組件，表示物聯(lián)網(wǎng)硬件可以滿足實(shí)現(xiàn)TinyML即服務(wù)的基本要求。下圖中更詳細(xì)的展示了這3個(gè)組件之間的相互作用：綠色代表編譯器插件接口，黃色代表編排協(xié)議和推理模塊規(guī)格這兩個(gè)部分。

實(shí)現(xiàn)TinyML即服務(wù)，需要面對的挑戰(zhàn)也是無比艱巨的：

TinyML不僅需要面臨邊緣ML的全部困難，而且解決問題的能力更加有限；

如何借鑒云端ML的成功經(jīng)驗(yàn)，順利推進(jìn)TinyML在終端中的部署；

如何為數(shù)量巨大的物聯(lián)網(wǎng)設(shè)備，都能提供TinyML的良好體驗(yàn)。

03

TinyML為什么重要？

看到這里，你應(yīng)該對TinyML的重要性已經(jīng)有了自己的評估。

我們再來統(tǒng)一做個(gè)梳理。

TinyML的出現(xiàn)，是為了更好的緩解邊緣ML和云端ML中，無法突破的多種問題，包括數(shù)據(jù)隱私、網(wǎng)絡(luò)帶寬、時(shí)間延遲、可靠性和能源效率：

數(shù)據(jù)隱私：大量的最終用戶非常在意數(shù)據(jù)隱私，在數(shù)據(jù)開放與共享方面保持謹(jǐn)慎態(tài)度。很多用戶不愿意將自己的數(shù)據(jù)交由第三方云平臺和邊緣服務(wù)提供商，進(jìn)行存儲和管理。很多用戶傾向于定義清晰的“本地”物理邊界，以保存其關(guān)鍵的生產(chǎn)和運(yùn)營數(shù)據(jù)。TinyML嘗試在物聯(lián)網(wǎng)設(shè)備上，直接處理和分析受限的敏感數(shù)據(jù)，保護(hù)了數(shù)據(jù)隱私。

網(wǎng)絡(luò)帶寬：很多物聯(lián)網(wǎng)設(shè)備通過窄帶物聯(lián)網(wǎng)NB-IoT或者其他低功耗廣域物聯(lián)網(wǎng)通信協(xié)議與網(wǎng)絡(luò)通信，帶寬和數(shù)據(jù)傳輸能力極為有限。這些設(shè)備有強(qiáng)烈的在本地處理數(shù)據(jù)的需求，以減少數(shù)據(jù)的傳輸，降低網(wǎng)絡(luò)帶寬和傳輸功耗的壓力，避免在終端和邊緣設(shè)備之間形成帶寬瓶頸，影響整套物聯(lián)網(wǎng)解決方案的性能。

時(shí)間延遲：隨著5G等技術(shù)的發(fā)展，海量物聯(lián)網(wǎng)設(shè)備將被部署，很多應(yīng)用場景都對時(shí)間延遲非常敏感，希望數(shù)據(jù)可以被實(shí)時(shí)傳輸。TinyML通過將某些機(jī)器學(xué)習(xí)任務(wù)轉(zhuǎn)移到設(shè)備本身，來進(jìn)一步減少網(wǎng)絡(luò)延遲的可能性，

可靠性：在偏遠(yuǎn)地區(qū)、海上平臺、空間站、極端環(huán)境的應(yīng)用中，網(wǎng)絡(luò)通信有可能無法保證始終覆蓋。因此在這些物聯(lián)網(wǎng)設(shè)備中，具備機(jī)器學(xué)習(xí)能力是一種必要功能。TinyML可以將某些邊緣和云端中的機(jī)器學(xué)習(xí)能力移植到本地，提升可靠性。

能源效率：許多物聯(lián)網(wǎng)設(shè)備都是電池供電，對于功耗的要求很高。通過極低功耗TinyML的數(shù)據(jù)分析，減少網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)量，可以在一定程度上，節(jié)約物聯(lián)網(wǎng)終端中的電量消耗。

因?yàn)榫邆浣鉀Q多種問題的潛力，有望突破成本、帶寬和功耗的限制，因此一經(jīng)提出，TinyML就獲得了廣泛關(guān)注，并被賦予了較高期待。

04

TinyML市場規(guī)模預(yù)測

海量的物聯(lián)網(wǎng)設(shè)備位于網(wǎng)絡(luò)邊緣，并且這些設(shè)備有越來越小的趨勢，因此TinyML的未來發(fā)展，具有極大的想象空間。

目前全球有2500億個(gè)微控制器在各地運(yùn)行，僅2018年一年就售出了281億個(gè)單元，IC Insights預(yù)測，到2023年，微控制器的年出貨量將增長到382億個(gè)。而且這些微控制器對應(yīng)的設(shè)備，都有變得越來越智能的需求。

換句話說，未來分布在煙霧傳感器、心臟起搏器、車載終端中的2500億個(gè)微控制器，有可能可以執(zhí)行以前只有計(jì)算機(jī)和智能手機(jī)才能處理的任務(wù)。

根據(jù)SilentIntelligence的預(yù)測，在未來5年，TinyML將觸發(fā)超過700億美元的經(jīng)濟(jì)價(jià)值，并且保持超過27.3%的復(fù)合年均增長率（CAGR）。

TinyML的市場規(guī)模比邊緣ML和云端ML都要大。

但是如此巨大的市場，卻較難開發(fā)。因此TinyML涉及到不同公司的協(xié)同，公司之間的商業(yè)模式也有本質(zhì)區(qū)別。以TinyML領(lǐng)域的人工智能SaaS服務(wù)商SensiML為例，其商業(yè)模式如下圖所示。

2019年1月，當(dāng)時(shí)成立6年的SensiML被QuickLogic公司并購。根據(jù)QuickLogic的財(cái)報(bào)披露，QuickLogic以全部股票交易方式收購其所有已發(fā)行和流通在外的普通股，總價(jià)為1,169,752美元。

05

TinyML的最新產(chǎn)品

上圖是由Topio Networks整理的邊緣智能產(chǎn)業(yè)圖譜。

邊緣ML是個(gè)相對成熟的領(lǐng)域，很多企業(yè)都在其中精耕細(xì)作，他們當(dāng)中的很多也已經(jīng)開始了TinyML的嘗試。

ARM、高通、谷歌、博世、蘋果和微軟等公司，正試圖加速推進(jìn)TinyML的落地，將其搭載于各種傳感器上。

比如高通推出了超低功耗的always-on計(jì)算機(jī)視覺解決方案。

該方案具有超低功耗，始終保持開啟狀態(tài)，使用系統(tǒng)電源小于1mA標(biāo)準(zhǔn)鋰電池，典型幀率為1-30 fps。

對應(yīng)的產(chǎn)品Qualcomm QCC112，已經(jīng)可以實(shí)現(xiàn)商用。

博世推出了用于物聯(lián)網(wǎng)的MEMS傳感器，可實(shí)現(xiàn)TinyML應(yīng)用。

蘋果以2億美元收購了TinyML初創(chuàng)公司Xnor.ai。Xnor.ai致力于開發(fā)高效、低功耗的TinyML應(yīng)用，這些應(yīng)用不需要強(qiáng)大的處理能力，也不需要連接到云端，而是在設(shè)備上處理本地?cái)?shù)據(jù)。

ARM最近公布了兩款芯片設(shè)計(jì)，它們分別是ARM Cortex-M55和Ethos-U55，可以實(shí)現(xiàn)在沒有云端連接的設(shè)備上，執(zhí)行機(jī)器學(xué)習(xí)的能力。

ARM認(rèn)為這兩款產(chǎn)品的推出，將會開啟終端智能的新紀(jì)元。

ARM設(shè)想的用例是在智能手杖中的360度攝像頭，可以自動識別障礙物并上報(bào)主人，或者搭載于高鐵中的智能傳感器，可以就地識別問題并及時(shí)報(bào)警，避免延誤。

新品的推出將會極大的提升ML推理速度和能源效率。

不過預(yù)計(jì)相關(guān)的芯片，最早要到2021年初才能問世。

除了巨頭之外，初創(chuàng)公司在TinyML領(lǐng)域也非?；钴S。

GreenWaves公司采用多個(gè)RISC-V內(nèi)核，在超低功耗下實(shí)現(xiàn)TinyML應(yīng)用。其第二代產(chǎn)品GAP9，擁有10個(gè)RISC-V核心。其中，一個(gè)作為結(jié)構(gòu)控制器，另外9個(gè)形成計(jì)算集群。這些控制器和計(jì)算集群，運(yùn)行于獨(dú)立的電壓和頻率域。并通過支持最先進(jìn)的FD-SOL處理技術(shù)，進(jìn)一步降低了功耗。

Eta Compute公司的ECM3532適用于低功耗IoT，擁有兩個(gè)核心，Arm Cortext-M3和DSP。可實(shí)現(xiàn)長待機(jī)狀態(tài)下的圖像處理和傳感聚合，功耗僅為100微瓦。該芯片具有512KB閃存和256KB SRAM，Eta Compute展示的案例包括語音、圖像和視頻識別，以及在工業(yè)傳感場景中的應(yīng)用。

06

TinyML的應(yīng)用實(shí)踐

TinyML尚處于應(yīng)用的早期，在一些領(lǐng)域有了初步實(shí)踐：

車載應(yīng)用：Swim.AI在實(shí)時(shí)數(shù)據(jù)傳輸?shù)倪^程中使用TinyML，通過有效提升傳感器中對于實(shí)時(shí)交通數(shù)據(jù)的智能化處理能力，減少了乘客的等候時(shí)間、交通擁堵的概率、改善汽車的排放并提升乘車安全。

智能工廠：在制造業(yè)中，TinyML可以通過啟用實(shí)時(shí)決策，減少由于設(shè)備故障而導(dǎo)致的非計(jì)劃性停機(jī)。它可以根據(jù)設(shè)備狀況提醒工人必要時(shí)進(jìn)行預(yù)防性維護(hù)。

QuickLogic的子公司SensiML在這個(gè)領(lǐng)域進(jìn)行了不錯的嘗試，基于他們的產(chǎn)品可以快速構(gòu)建智能傳感方案。

并且SensiML已經(jīng)將TinyML用于工業(yè)預(yù)測性維護(hù)的相關(guān)場景中。

對于預(yù)測性維護(hù)應(yīng)用的開發(fā)人員，SensiML智能化軟件工具包的優(yōu)勢在于，它使開發(fā)人員能夠在數(shù)天、數(shù)周內(nèi)構(gòu)建智能物聯(lián)網(wǎng)傳感設(shè)備，而無需數(shù)據(jù)科學(xué)或嵌入式固件專業(yè)知識。

該軟件包括SensiMLData Capture Lab（數(shù)據(jù)捕獲實(shí)驗(yàn)室），這是一個(gè)用于收集和整理訓(xùn)練數(shù)據(jù)集的集成工具。

對于預(yù)測性維護(hù)，數(shù)據(jù)集是來自各類傳感器的時(shí)間序列數(shù)據(jù)。SensiML人工智能軟件工具包分析標(biāo)記數(shù)據(jù)，以生成可實(shí)施異常檢測的分類器算法。然后使用同一工具編譯算法以在所選硬件目標(biāo)上運(yùn)行，例如微控制器或QuickLogic自己的QuickAI片上系統(tǒng)平臺。

智能零售：通過監(jiān)控店內(nèi)貨架，并在商品數(shù)量低于一定水平時(shí)，立即發(fā)送警報(bào)，TinyML可以防止零售端的商品脫銷。

智慧農(nóng)業(yè)：農(nóng)民可能因動物疾病而遭受嚴(yán)重?fù)p失。利用搭載TinyML的遠(yuǎn)程監(jiān)控設(shè)備，實(shí)時(shí)監(jiān)測牲畜的心臟、血壓、體溫，土壤的溫濕度等狀況，可以幫助農(nóng)民預(yù)測和預(yù)防養(yǎng)植物和牲畜流行病的發(fā)作。

07

TinyML的相關(guān)組織

每項(xiàng)成功的技術(shù)，都離不開核心團(tuán)隊(duì)和相關(guān)組織的推進(jìn)。

TinyML領(lǐng)域最活躍的組織是TinyML基金會，這是一個(gè)由工程師們自發(fā)構(gòu)建的社群，成立于2019年7月，經(jīng)常進(jìn)行小型交流，并且每年舉辦TinyML峰會。

----寫在最后----

微小的TinyML將會變得很大，這個(gè)新生事物正在逐步成型的過程中，需要來自軟件側(cè)、硬件側(cè)、算法側(cè)、應(yīng)用側(cè)等涉及多方的通力協(xié)作，才能有效構(gòu)建完整的生態(tài)系統(tǒng)。

關(guān)于這個(gè)領(lǐng)域的最新進(jìn)展，我還會持續(xù)追蹤。

本文小結(jié)：

1.TinyML是機(jī)器學(xué)習(xí)在微控制器上的應(yīng)用，是超低功耗邊緣側(cè)人工智能。TinyML通常功耗為毫瓦（mW）級別甚至更低，因此可以支持各種不同的電池驅(qū)動的設(shè)備，和需要始終在線的應(yīng)用。

2.想要在終端物聯(lián)網(wǎng)設(shè)備中，獲得和云端ML同樣的體驗(yàn)是不現(xiàn)實(shí)的。TinyML主要實(shí)現(xiàn)的是推理（inference），也就是把從訓(xùn)練中學(xué)習(xí)到的能力，應(yīng)用到實(shí)際操作中去。

3.TinyML是一個(gè)新興領(lǐng)域，是快速增長的機(jī)器學(xué)習(xí)技術(shù)和應(yīng)用，是一片巨大的、未被充分開發(fā)的藍(lán)海。

原文標(biāo)題：一文讀懂即將引爆的TinyML：在邊緣側(cè)實(shí)現(xiàn)超低功耗機(jī)器學(xué)習(xí)【物女心經(jīng)】

文章出處：【微信公眾號：FPGA入門到精通】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯:haq