人工智能和机器学习成为主流

人工智能和机器学习(Machine Learning, ML)改变物联网，这并不是 5年甚至 10 年后的事情，而是已经开始了。它们不是未来的工具，而是现在推动创新和变革的动力。

人工智能和 “边缘人工智能”(即在终端上执行人工智能和 ML，而不是将数据上传到云端)无疑会在物联网中发挥重要作用。

边缘人工智能之ML 和 TinyML 的区别

当我们谈论物联网中的人工智能时，我想明确指出，在可预见的未来，我们真正谈论的是 ML 和精简版 TinyML 变体。

ML 采用基于模型的方法，从捕获的数据中不断尝试和学习。学习部分(“训练”)在云计算等计算能力充足的地方进行；在很多情况下，即时预测部分(“推理”)非常轻量，可以在小型嵌入式设备上运行。

收集的数据越来越多，我们可以不断重新进行训练并且更新预测部分，使其更加准确。因此，任何连接的传感器的监测功能都会不断改进。

物联网设备的计算能力越来越强，人工智能的运行还需要尽可能靠近传感器，直到边缘。但这些设备基本上仍将由电池供电。与接入主电网的设备相比，这些边缘设备的资源更加紧张。

物联网的三种人工智能学习类型

我们主要讨论三种物联网人工智能：监督学习、强化学习和无监督学习。三类主要用例就是 Arm 提出的 “三V”：振动(vibration)，即是异常检测和运动分类；语音(voice)，即是使用音频识别作为传感器；和视觉(vision)，即是使用图像识别来发挥传感器的功能。

这三者的唯一区别，在于 ML 模型的自主学习能力的强度：从很少(有监督)直到自主学习(无监督)，关键是要给定合适的模型。目前，ML 可以在物联网平台设备(如 Nordic 最新的nRF54 系列)的边缘上本地运行。通过使用 ML 加速器，用户可以在资源有限的设备上优化 ML，从而实现可与更强大设备相媲美的性能，并远远超越传统 MCU。一旦训练好基本模型(在台式 PC 上通常需要一天时间)，使用人工智能优化算法就可以大大加快推理速度。

Nordic 的 nRF54 系列就是以这种方式在受限的边缘设备上运行优化的 ML。在人工智能和 ML 边缘计算应用中，它的性能相比市场领先的微处理器高出大约 25%，功耗则相比能耗最低的微处理器降低 20%。

这意味着Nordic公司已将边缘计算、人工智能和 ML 的优势带给了广泛的客户和应用。

边缘计算、人工智能和 ML 的优势

边缘计算、人工智能和 ML 可为客户带来五大优势。首先是低延迟，如果用户需要实时或接近实时的响应能力，就必须在本地进行计算和决策。这也能让人工智能和 ML 更快地做出决策。

其次是高带宽，边缘计算减少了对持续网络或云连接的依赖，这种连接会产生巨大的数据开销和数据成本。

第三个好处是隐私，将敏感数据或个人数据传输到云端会引发隐私问题。本地边缘处理和存储意味着可以更好地控制数据的保密性。这将有助于最大限度地减低安全漏洞的可能性。

在边缘运行的第四个好处是低成本。基于云的人工智能成本要高得多，因为将大量数据传输到云端和从云端接收数据都需要费用，然后还要支付所有云计算功能的费用。相比之下，在边缘进行处理则无需支付此类经常性运营费用。

第五个，或许也是最重要的优势，就是高能效。世界上根本没有足够的资源让所有处理都在云端运行。更智能的边缘设备可以最大限度地降低功耗，使其更加环保，有利于应对气候变化。

领先的超低功耗连接

Nordic拥有全球首屈一指的超低功耗连接技术，在高能效边缘 AI 计算方面，没有任何 SoC 能像 Nordic nRF54 系列一样表现出色。Nordic收购Atlazo，从而获得了人工智能和 ML 加速方面的最新技术进展成果，这将会进一步扩展Nordic在边缘人工智能和 ML 领域的领先地位。

我认为这一发展标志着 Nordic 的关键转型，在物联网领域，我们远远超出了无线连接或蓝牙公司的范畴，还是物联网人工智能的无缝集成平台提供商。