artificial intelligence AI人工智能
人工智能(AI)的定义是机器具有逻辑分析、获取知识、适应随时间变化的环境或特定场景等一系列能力。
今天的AI已经适用于许多不同的应用领域,例如:

  • 超智能计算密集型人工智能医疗辅助诊断系统:详细分析量级达到太字节(terabytes)的病患数据点,为医生提供最好的诊断意见。
  • 无人驾驶汽车:了解所有的交通信息数据,保证驾驶者和其他道路使用者的安全,同时提高出行效率。
  • 聊天机器人:媲美人类操作员,能够实时回答复杂的问题。
  • 网络购物体验:根据个人喜好提供定制化购物体验
  • 个人语音助理:因能够简化人们日常生活方式,目前已快速普及

这只是一个开端。 物联网(IoT)将数百亿的智能设备连接到互联网,提供更加自然的人机交互功能,让我们的生活方式变得更加轻松,生活工作环境更加安全、高效。在增加AI功能后,这些智能产品将会显著提升功能性和实用性,特别是边缘计算AI趋势的出现,使潜能得到充分释放。

人工智能和深度学习
AI使用一套自然计算方法来解决现实世界中数学或传统模型无法解决的复杂难题,例如,分析模型无法处理太复杂的过程,或者过程因本身固有动态行为而含有一些未知因素。在现实生活中,有许多问题无法用精确的术语来描述,传统算法根本无法处理。

Deep Learning Artificial Intelligence人工智能通过近似人类大脑的推理方式,利用不精确和不完整的知识,以自适应的方式作出决策和行动,并逐渐积累经验
AI的基本概念早在20世纪50年代就出现了,今天,在现代编程技术(如python)、海量可用数据、开源神经网络培训工具、大型计算中心和不断完善的嵌入式处理系统的推动下,人工智能技术开始腾飞,改变世界。
机器学习(ML)是人工智能技术的一个分支。ML不使用传统的明确的编程指令,而是通过分析数据,凭借经验,让机器能够识别隐含的数据模式,作出预测,提供建议。ML能够自我调节,使用新的数据和经验逐渐提高预测性能。

深度学习(DL)是机器学习的一个分支,旨在通过一个特殊的多层架构来学习数据模式和依赖关系。该多层架构模仿人类大脑的神经元连接,并能够组成任何深度神经网络。深度学习需要处理大量的数据,涉及分析数据,识别数据模式,并预测下一个数据点。

Artificial Neural Network ANN

在深度学习技术出现之前,创建和测试解决某些问题的算法需要深厚的学科知识,还要编写和调试手工制作通常非常复杂的专用程序。

计算机通过深度学习收集大量数据,同时进行自我训练。神经网络学习给不同数据模式分类的学习阶段称为监督学习,这个过程可以使用预先标记的数据集。另外一种使用未标记数据集的学习过程被称为无监督学习。在训练期间,神经网络会试图按照模式相似性将数据集分组。

这两种情况最后都产生一个包含执行任务所需的全部信息的人工神经网络(ANN)。ANN使用从培训中获得的知识和新输入的数据来推断数据特征,这个过程被称为推理阶段,可以部署在内存和处理能力比用于训练ANN本身的服务器小几个数量级的嵌入式设备中。

Back to top

边缘计算AI

Artificial Neural Network从类型、拓扑结构和复杂程度看,人工神经网络(ANN)千差万别,能够在各种应用领域中解决不同的难题。今天,在我们的家庭、办公室、汽车、工厂和个人物品中,异类传感器的数量出现爆炸性增长,人工神经网络可以充分利用这些传感器提供的数据。

假如我们考虑使用一个集中式处理模型,将这些传感器的原始数据全都发送到性能强大的中央远程智能系统,那么,我们很快就会发现,集中式处理模型对数据传输带宽和云计算能力的要求更高,特别是当你考虑处理来自数百万终端设备的音频、视频或图像时,这种集中式系统产生的潜在延迟就更不用说了。

通过将集中式智能系统变成分布式智能系统,人工智能可实现更高效的端到端解决方案,把一些原本在云端中完成的分析过程下移到距离感知和动作端更近的节点。分布式智能方法显著降低了对数据传输带宽和云服务器的处理能力的要求。因为个人源数据被预先分析并提供给数据解释层级更高的服务提供商,所以分布式方法还具有数据隐私保护的好处。
此外,根据任务的复杂性,人工神经网络解决方案的复杂程度也不尽相同,包括每次推理的运算次数和存储器要求、输入数据速率、实时处理要求和允许的延迟。
因此,AI和深度学习允许在传感器端就近部署纯软件或软硬混合的低功耗解决方案,从而实现真正的边缘计算。

AI on the Edge

更多边缘计算AI用例

返回顶部

Back to top

ST的人工智能

AI research and development意法半导体的AI研发已有多年。 作为大众市场领先的嵌入式处理解决方案的提供商,我们致力于开发灵活的、可扩展的产品技术,从而使各种设备从AI方法中受益,支持过的用例数不胜数。

STM32微控制器上的AI
将来,几乎所有的基于32位微控制器的设备都能够使用AI技术。更准确地说,这些设备将能够运行经过特定任务训练的DNN(深度神经网络)。

目前大多数微控制器的内存和处理能力无法运行DNN创建所需的学习算法,但是可以运行针对微控制器优化的DNN网络。

STM32CubeMx.AISTM32CubeMx.AI是意法半导体开发的一个微控制器DNN优化工具,拟定今年晚些时候发布,届时将被纳入STM32软件生态系统。

该工具从人气最高的AI框架(包括Caffe、CNTK、Keras、Lasagne、TensorFlow和theano)中获取预先训练好的神经网络模型输出,并将其映射成一个适合目标STM32微控制器的内存容量和处理能力的优化DNN。

该工具还可以验证这个精简版DCNN的功能。优化后DNN可能只有原来的十分之一大小,而准确度损失微乎其微。

观看ST AI专家深入讲解该优化工具工作原理的视频。

先进的专用AI处理硬件研发

意法半导体开发了一款先进的、超高能效的处理DCNN的系统芯片演示器。该演示器解决了图像、视频和自然语言处理对数据速率和实时性能的具有挑战性的要求。演示器在一颗28纳米FD-SOI系统芯片上整合28个卷积加速器、8个双DSP集群和优化的分布式存储器架构。2017年初,在200MHz和0.575 V时,能效测试成绩是2.9 TOPS/W。

ST发表的关于人工智能论文
The Orlando Project: A 28nm FD-SOI Low Memory Embedded Neural Network ASIC. ACIVS-2016, Giuseppe Desoli, Valeria Tomaselli, Emanuele Plebani, Giulio Urlini, Danilo Pau, Viviana D’Alto, Tommaso Majo, Fabio De Ambroggi, Thomas Boesch, Surinder-pal Singh, Elio Guidetti, Nitin Chawla, ACIVS2016
https://rd.springer.com/chapter/10.1007/978-3-319-48680-2_20

2.9TOPS/W Deep Convolutional Neural Network SoC in FD-SOI 28nm for Intelligent Embedded Systems. ISSCC 2017, Giuseppe Desoli, Nitin Chawla, Thomas Boesch, Surinder-pal Singh, Elio Guidetti, Fabio De Ambroggi, Tommaso Majo, Paolo Zambotti, Manuj Ayodhyawasi, Harvinder Singh, Nalin Aggarwal, Solid-State Circuits Conference (ISSCC), 2017 IEEE International
http://ieeexplore.ieee.org/document/7870349/

在第17届MPSoC国际论坛上公布的论文
http://www.mpsoc-forum.org/previous/2017/speakers/page/Danilo_Pau.html

Detecting changes at the sensor level in cyber-physical systems: Methodology and technological implementation, Cesare Alippi, Viviana D'Alto, Mirko Falchetto, Danilo Pau, Manuel Roveri , Neural Networks (IJCNN), 2017 International Joint Conference on, 14-19 May 2017,
http://ieeexplore.ieee.org/document/7966066/

Complexity and Accuracy of Hand-Crafted Detection Methods Compared to Convolutional Neural Networks, Valeria Tomaselli, Emanuele Plebani, Mauro Strano, Danilo Pau, Proceedings of 19th International Conference on Image Analysis and Processing, ICIAP 2017, 11-15 Sept 2017
https://rd.springer.com/chapter/10.1007/978-3-319-68560-1_27

Intelligent Embedded and Real-Time ANN-based Motor Control for Multi-Rotor Unmanned Aircraft Systems, George Michael, Nectarios Efstathiou, Kyriacos Mantis, Theocharis Theocharides, Danilo Pau,   Proceedings of 25th IFIP/IEEE International Conference on Very Large Scale Integration (VLSI-SoC) Abu Dhabi, UAE October 23 - 25, 2017
http://ieeexplore.ieee.org/document/8203456/

Back to top

京ICP备14016349号-2

×