|
作者：Arm 高級(jí)副總裁兼物聯(lián)網(wǎng)事業(yè)部總經(jīng)理 Paul Williamson 當(dāng)前，開(kāi)發(fā)者正在利用安全且性能增強(qiáng)的技術(shù)實(shí)現(xiàn)小型低功耗嵌入式系統(tǒng)的開(kāi)發(fā)，賦能過(guò)往無(wú)法想象的語(yǔ)音、視覺(jué)和振動(dòng)等 AI 應(yīng)用，而這些應(yīng)用正在改變著世界。 嵌入式領(lǐng)域正經(jīng)歷一場(chǎng)深刻的變革。連接設(shè)備正逐漸演變?yōu)榭筛鶕?jù)所收集的數(shù)據(jù)自行做出決策的系統(tǒng)。相較于在物聯(lián)網(wǎng)網(wǎng)關(guān)或云端進(jìn)行數(shù)據(jù)處理而言，在更接近采集源之處完成數(shù)據(jù)處理的方式，將有望加快決策速度、減少延遲、解決數(shù)據(jù)隱私問(wèn)題、降低成本并提高能效。 很多應(yīng)用領(lǐng)域都在推升邊緣計(jì)算在性能和功能方面的需求，諸如工業(yè)自動(dòng)化、機(jī)器人、智慧城市和家居自動(dòng)化等。在過(guò)去，這類系統(tǒng)中的傳感器要簡(jiǎn)單得多且互不相連，然而，現(xiàn)在人工智能 (AI) 和機(jī)器學(xué)習(xí) (ML) 提升了本地智能化水平，在端側(cè)即可完成決策的制定，這在過(guò)去使用的簡(jiǎn)單控制算法是無(wú)法實(shí)現(xiàn)的。 AI 時(shí)代通用處理器的演進(jìn) 多年以前，開(kāi)發(fā)者專注于把邏輯和控制算法作為軟件開(kāi)發(fā)的核心，然而，隨著數(shù)字信號(hào)處理 (DSP) 算法的出現(xiàn)，為諸多功能增強(qiáng)的語(yǔ)音、視覺(jué)和音頻應(yīng)用提供了支持。 這種應(yīng)用開(kāi)發(fā)的轉(zhuǎn)變進(jìn)入到了全新時(shí)代，且正在影響計(jì)算架構(gòu)的設(shè)計(jì)。我們現(xiàn)已發(fā)展到以推理作為算法開(kāi)發(fā)的主要核心，這一階段帶來(lái)了對(duì)計(jì)算性能、能效、延遲、實(shí)時(shí)處理和可擴(kuò)展性等方面新的或更高的要求。 行業(yè)的需求不僅在新處理器加速器方面，也包括通用處理能力的提升，以便能為開(kāi)發(fā)者提供必要的平衡，并支持直播視頻中的特征檢查或人物檢測(cè)等應(yīng)用。 幾年前，開(kāi)發(fā)者在創(chuàng)建噪聲消除應(yīng)用時(shí)還只能依賴基于頻率的濾波器。而如今，開(kāi)發(fā)者可以通過(guò)將濾波與 ML/AI 模型和推理相結(jié)合來(lái)提高應(yīng)用的性能和功能。為了使這些開(kāi)發(fā)任務(wù)更加高效，并盡可能無(wú)縫地為用戶服務(wù)，對(duì)處理器和工具的需求也與日俱增。 促進(jìn)邊緣側(cè)和端側(cè)設(shè)備的智能化 這項(xiàng)演進(jìn)與革新是由 ML 所驅(qū)動(dòng)，但同時(shí)也面臨著諸多技術(shù)的挑戰(zhàn)。經(jīng)過(guò)多年的嘗試，試圖打造一套普適于物聯(lián)網(wǎng)及嵌入式設(shè)備的開(kāi)發(fā)方法，已促使著行業(yè)轉(zhuǎn)變物聯(lián)網(wǎng)開(kāi)發(fā)的方式，以釋放規(guī)模化擴(kuò)展的無(wú)限可能性。 當(dāng)前，開(kāi)發(fā)者正在利用安全且性能增強(qiáng)的技術(shù)實(shí)現(xiàn)小型低功耗嵌入式系統(tǒng)的開(kāi)發(fā)，賦能過(guò)往無(wú)法想象的語(yǔ)音、視覺(jué)和振動(dòng)等應(yīng)用，而這些應(yīng)用正在改變著世界。各種版本的編程語(yǔ)言和 Transformer 模型將很快在具有全新計(jì)算功能的物聯(lián)網(wǎng)邊緣設(shè)備中占據(jù)一席之地。這無(wú)疑為開(kāi)發(fā)者帶來(lái)夢(mèng)寐以求的更多可能性。 在開(kāi)發(fā)演進(jìn)與革新的過(guò)程中，為了滿足開(kāi)發(fā)者對(duì)硬件的需求，幾年前 Arm 在 Armv8.1-M 架構(gòu)中引入了Arm® Helium™ 矢量處理技術(shù)。Helium 為小型低功耗嵌入式設(shè)備的 ML 和 DSP 應(yīng)用帶來(lái)了顯著的性能提升。此外，它還提供單指令多數(shù)據(jù) (SIMD) 功能，由此將 Arm Cortex®-M 設(shè)備的性能提升到全新水平，并支持預(yù)測(cè)性維護(hù)和環(huán)境監(jiān)控等應(yīng)用。 Helium 提高了 DSP 和 ML 性能，加快了信號(hào)調(diào)節(jié)（例如濾波、噪聲消除和回聲消除）和特征提取（音頻或像素?cái)?shù)據(jù)）的速度，繼而能將之傳輸?shù)讲捎?a href="http://m.qingdxww.cn/keyword/神經(jīng)網(wǎng)絡(luò)" target="_blank" class="relatedlink">神經(jīng)網(wǎng)絡(luò)處理器的分類中。 實(shí)現(xiàn)智能邊緣側(cè)的功能 我們可以看到，很多 Arm 的合作伙伴都在他們最新的產(chǎn)品中引入了 Helium 技術(shù)，由此助力開(kāi)發(fā)者在網(wǎng)絡(luò)最遠(yuǎn)端的受限設(shè)備上發(fā)揮 ML 功能的優(yōu)勢(shì)。2020 年二月，Arm 推出了采用 Helium 技術(shù)的 Cortex-M55 處理器，Alif Semiconductor 于 2021 年九月推出了首款基于 Cortex-M55 的芯片，并在其 Ensemble 和 Crescendo 產(chǎn)品系列中部署了搭載 Helium 的 Cortex-M55 處理器。此外，奇景光電 (Himax) 也采用了配備 Helium 的 Cortex-M55 于其下一代 WE2 AI 處理器，并以由電池供電的物聯(lián)網(wǎng)設(shè)備中的計(jì)算機(jī)視覺(jué)系統(tǒng)為目標(biāo)應(yīng)用領(lǐng)域。 2022 年四月， Arm 推出了第二款支持 Helium 的 CPU——Arm Cortex-M85。瑞薩電子在 embedded world 2022 和 embedded world 2023 上曾就 Cortex-M85 進(jìn)行過(guò)技術(shù)演示。演示中，Plumerai 通過(guò)瑞薩電子 RA MCU 技術(shù)大大加快了其推理引擎速度。作為一家開(kāi)發(fā)基于攝像頭實(shí)現(xiàn)人物檢測(cè)的完整軟件解決方案的公司，Plumerai 相信，性能的提升將確保該公司的客戶可充分利用更龐大、更準(zhǔn)確的 Plumerai 人物檢測(cè) AI 版本，同時(shí)提供更多的產(chǎn)品功能并延長(zhǎng)電池續(xù)航時(shí)間。2023 年十一月，Arm 推出了第三款采用 Helium 技術(shù)的 CPU——Cortex-M52，這是一款專為人工智能物聯(lián)網(wǎng) (AIoT) 應(yīng)用而設(shè)計(jì)的處理器，可為小型低功耗嵌入式設(shè)備的 DSP 和 ML 應(yīng)用帶來(lái)顯著的性能提升，無(wú)需專用 NPU 即可在端點(diǎn)中部署更多計(jì)算密集型ML 推理算法。 隨著硬件的發(fā)展，開(kāi)發(fā)者所面臨的軟件復(fù)雜性也日益增加，因而需要新的開(kāi)發(fā)流程來(lái)創(chuàng)建結(jié)合高效設(shè)備驅(qū)動(dòng)程序的優(yōu)化ML 模型。為生態(tài)系統(tǒng)提供的軟件開(kāi)發(fā)平臺(tái)和工具也必須緊跟硬件而演進(jìn)，這一點(diǎn)至關(guān)重要。 如今由 Arm 和第三方提供的多種工具可用于支持終端用戶創(chuàng)建 AI 算法。數(shù)據(jù)科學(xué)家在離線環(huán)境中創(chuàng)建好模型后，即可使用相應(yīng)的工具來(lái)優(yōu)化模型，以便在基于Arm Ethos™-U 的 NPU 上運(yùn)行模型，或在基于 Cortex-M 的處理器上使用 Helium 指令。 Qeexo 是第一家為邊緣設(shè)備實(shí)現(xiàn)端到端 ML 自動(dòng)化的公司，其 AutoML 平臺(tái)提供了直觀的用戶界面 (UI)，允許用戶對(duì)傳感器數(shù)據(jù)進(jìn)行收集、清理和可視化呈現(xiàn)，并使用不同的算法來(lái)自動(dòng)構(gòu)建 ML 模型。Keil 微控制器開(kāi)發(fā)套件 (Keil MDK) 等傳統(tǒng)嵌入式工具是對(duì) MLOps 工具的有益補(bǔ)充，并有助于建立用于驗(yàn)證復(fù)雜軟件工作負(fù)載的 DevOps 流程。由此，嵌入式、物聯(lián)網(wǎng)和 AI 應(yīng)用程序最終匯聚于軟件開(kāi)發(fā)者都熟知的單一開(kāi)發(fā)流程中。 邊緣的潛能正在逐步被發(fā)掘。當(dāng)前對(duì)提升微控制器性能的需求還在不斷增長(zhǎng)，特別是諸如聲控門(mén)鎖、人物檢測(cè)識(shí)別、帶有預(yù)測(cè)性維護(hù)的聯(lián)網(wǎng)電機(jī)控制，以及數(shù)不勝數(shù)的其他高端 AI 和 ML 應(yīng)用等任務(wù)。 我們相信，在正確技術(shù)的加持下，開(kāi)發(fā)者可以重新構(gòu)想邊緣和端側(cè)設(shè)備，并在性能、成本、能效與隱私等這些受限設(shè)備中的關(guān)鍵要素之間取得適當(dāng)平衡，讓未來(lái)的嵌入式開(kāi)發(fā)實(shí)現(xiàn) AI 計(jì)算的應(yīng)用。 |
