万物互联：边缘机器学习

正文

请到「今天看啥」查看全文

许多公司目前都专注于制造专门用于机器学习的硅，目的是在数据中心内部训练网络。他们还想要利用硅来进行边缘推断，即在机器学习模型上运行数据，了解相关数据是否与模型的结果匹配。不过，微型机器学习研究群体的目标则是对边缘上最小的处理器（例如为远程传感器提供动力的8位微型控制器）进行推断。

要明确的是，说到类似智能手机的事物，我们在边缘推断方面已经有了很大的进展。2019年11月，谷歌将其机器学习算法的两个版本开源，其中一个版本运行所需的电力为原来的50%，另外一个版本的运行速度则是相关算法以往版本运行速度的2倍。此外，还有几家创业公司（如Flex Logix、Greenwaves和Syntiant）也在使用专用硅解决类似的问题。

不过微型机器学习研究群体的目标有所不同。设想一种能够在助听器中将对话与背景噪声区分开来的机器学习模型，如果设备本身不能适应这种模型，那么就需要维护与模型所运行的云端的无线连接。假如能实现适应，那么直接在助听器上运行该模型则会更有效、更安全。

通过在电池供电的边缘设备上使用机器学习，微型机器学习的研究人员也在针对更好的数据分类进行实验。Latent人工智能公司的首席执行官亚格斯•坎德萨米（Jags Kandasamy）正在开发能够将神经网络压缩到微型处理器的软件，他说他的公司正在与制造增强现实和虚拟现实耳机的公司洽谈。这些公司想要利用其耳机收集的大量图像数据，对设备看到的图像进行分类，从而只将有用的数据发送到云端以供后续的训练。“比如，如果你看到了10辆丰田卡罗拉，是否要将所有的图片都传送到云端呢？”坎德萨米说。

设备上的分类可能会改变游戏规则，它能够减少收集到并输入云端的数据量，这样一来，不仅能节省带宽，还能省电。机器学习的耗电量通常比较大，因此这是一大优势。

在机器学习方面，“越大越好”方法中有很多需要关注的方面，不过，将机器学习边缘化是我最感兴趣的。虽然微型机器学习仍然注重推断问题，但是也许有一天我们会考虑在边缘对神经网络本身进行训练。

请到「今天看啥」查看全文