近年來，人工智能（AI）技術已在許多領域得到了廣泛的運用，比如通過機器的振動來預測使用壽命、檢測患者的心臟活動、以及在視頻監控系統中融入面部識別功能。不過此類AI系統的痛點，就是需要耗費大量的電力來運算、或者依賴通向雲端的網絡連接來輔助計算。對於注重數據安全和隱私防護的客戶來說，這也極大地限制了AI的應用場景。

好消息是，CESM 工程師們，剛剛提出了一個新穎的解決方案—— 讓AI 運算能夠在基於微型電池（或光伏發電板）的本地小尺寸裝置上運行。

這套人工智能邊緣計算方案，能夠將數據留在本地完成（而無需上傳到雲端）。更棒的是，該系統採用了完全模塊化的設計，且能夠針對需要實時信號/ 圖像處理的任何應用進行定制—— 尤其在涉及敏感數據時。

據悉，CESM研究團隊將在今年6月於京東舉辦的2021 VLSI電路研討會上展示現有的裝置，上面的集成電路能夠執行複雜的AI操作，比如面部/語音/手勢識別，以及心臟監測。

CSEM 的AI 片上系統（SoC）還另了全新的信號處理架構，能夠最大限度地減少運行時的功率。

板載帶有自研RISC-V 處理器的ASIC 芯片，以及兩個緊密耦合的機器學習加速器—— 其中一個用於面部檢測，另一個則專注於分類。

在二叉決策樹（BDT）引擎的加持下，它可用於執行簡單的任務，但不能開展識別操作。

CESM 片上系統研究主管Stéphane Emery 表示：“以面部識別應用為例，系統中的第一組加速器會回答初步的問題，即圖像中是否有人？如有檢出，則他們的面部是否清晰可見？”

此外在語音識別案例中，第一個加速器可用於確定是否存在噪音、以及該噪聲是否與人聲匹配，但它並不能分辨出特定的聲音或單詞，此時基於卷積神經網絡（CNN）引擎的第二組​​加速器能夠派上用場。

它能夠執行更加複雜的任務，比如識別人物面孔的特徵、以及檢測特定的單詞，但相應的能耗也更高。

通過兩者的相輔相成，可最終降低整套系統的功率需求，畢竟大多數時候都只有第一組加速器在運行。

AI System-on-Chip Runs on Solar Power（via）

作為研究的一部分，工程師們還提升了加速器本身的性能，使之能夠適用於基於時間信號/ 圖像處理的任何應用。

Stéphane Emery 補充道：“無論何種應用，我們的系統都以基本相同的方式來運作，所以只需重新配置卷積神經網絡引擎的對應層”。

顯然，CSEM 的這項創新，為配備可獨立運行一年多的AI 硬件設計敞開了新的大門，同時極大降低了此類設備的安裝和維護成本，尤其是部署到那些難以更換電池的地方。