近年来，人工智能“边缘计算”的发展越来越受欢迎。随着硬件芯片性能的提高，过去不能作为“接管”功能的端口也可以作为帮助操作，使得AI操作更加高效；比如自动刹车系统，智能音箱等。都是边缘计算的实际应用。本文分析了单片机在人工智能边缘操作中的应用。

单片机，机器学习的另一个自由选择，在转向边缘操作之前，先来了解一下什么是单片机。说到机器学习，你有什么不能误解的？是不是电影里的船舱很大，有章太炎的主机？但是用这种方法不仅要消耗大量的电能，而且废气的余热也是不可思议的，可以把几个国家级的游泳池从冷水变成温水！传统的机器学习需要大量的主机。但是机器学习有一个更节能的方式——就是用单片机。

与单片机(Microcontrollers)相比，单片机不具备其他硬件不具备的优点，如体积小、价格低、省电等。这些特性可以降低可选系统的成本。所以未来如果要把AI用在生活的方方面面，单片机无疑是最好的自由选择。

然而，目前市场上的大多数计算设备都集中在类似超级计算机的CPU、GPU或云上。而单片机表现出的性能较低，目前显然很难将单片机应用到AI操作中。各种硬件的运行效率比较高。

为了让单片机能够继续执行AI操作，并应用到生活的各个方面，一些行业专家开发了一个开源项目，uTensor，就是开发一套基于mbed的简化TensorFlow框架，构建单片机边缘操作的目标。目前，手写识别演示已经完成。边缘，现实和虚拟世界的分界线，首先定义了边缘。所谓“边缘”，只是虚拟世界和现实世界的边界边缘。

从物联网(IoT)到单片机，都属于数字范围，数字知识离得近的地方就是现实世界。目前在现实世界中，仍然有大量的信息无法上传到数字虚拟世界，所以它们之间的括号就是“边”。

但问题来了：如何将现实世界中相当数量的信息连接到物联网？必须部署数万个传感器节点才能达成协议；但是不是每个人每个环境都没有WiFi，4G/5G等通信协议，那么如何做到呢？业内有人指出，LPWAN的LoRa是最好的自由选择。就像右图中转过来的输电塔，如果放在城市建筑的顶部，网络覆盖超过一二十公里也不是问题。虽然比特率不低，但是距离越宽，增量越严重。

而长距离覆盖和极低功耗的特点，非常适合开展物联网传输。LoRa的信令特点，还有哪些通信协议适合边缘操作？必须从以下两点来考察：第一，功率和比特率是首要考虑因素，但传输距离的长度被遗忘了。因为边缘计算的理想状态是可以依靠电池或太阳能供电；比特率自由选择长距离低功耗的LPWAN，这样自由选择时画出的扇形图(如下图所示)就是可以用于edge操作的通信块。通信协议的功率和比特率的问题是这个块的传输性能并不差，而且似乎音视频等数据都无法上传到云上进行操作，所以如何设计边缘操作必须仔细思考。

目前有一种利用编解码继续进行边缘运算的解决方案，就是利用人工神经网络对原始信息进行编码传输，并增加其容量，使其在LPWAN环境下传输到云端，然后被解码。因为如果编解码集中在MCU设备和云上，MCU本身就不用处理或传输过多的数据；另一个好处是，使用TransferLearning可以更容易地替换解码后的云，然后可以使用一定程度的设备在云中转换不同的应用。进入自学的操作示意图摘要。

从上面可以发现，即使科技的发展很大程度上依附于性能和硬件显示，未来最需要的关键词依然是“可持续”；即使超级计算机的计算能力再优秀，如果不能在日常生活中有效推广，它的发展也不会受到限制。另一方面，现阶段不允许MCU和边缘计算，但是随着技术的不断发展，坚信这个领域没有相当大的空间。

本文来源：开云下载-www.qdjinrunze.com