边缘人工智能

artificial-intelligence-board artificial-intelligence-board

从云AI到边缘AI

如今AI的应用越来越广泛,它影响着我们每天使用的服务,接触的设备和机器。现阶段的AI技术很大程度上依赖于云计算,使用强大的远程数据中心,处理由本地设备收集的数据。

边缘AI将AI算法和模型直接部署在物联网 (IoT) 设备和嵌入式工业和汽车系统等设备上。这种部署方式让我们得以在源头实时处理和分析数据,让真正自主的智能设备成为可能,使设备能够快速决策,以适应性的方式触发行动。

相对云部署,在边缘部署AI具有诸多优势。更快的速度和超低的延迟,大大降低了数据传输负荷,显著提高了安全性。在云端运行推理算法需要瓦特级的功率,而在边缘设备上仅需消耗毫瓦甚至微瓦级的功率,显著降低了运行功耗。此外,边缘AI还能更好地保护隐私。

边缘AI为所有市场的设备和服务创造者打开了新的大门,让我们可以用比云技术低得多的成本实现更多新应用。

ST致力于帮助客户将边缘AI变成现实

无论您是专家还是刚开始使用边缘AI,ST都有适合您的解决方案。

我们投资于研究、创新和开发活动,以创建客户所需的内容,充分发挥边缘AI的力量。同时,我们还积极参与tinyML社区,进一步提高小型物联网设备中的机器学习效率。

我们的产品组合和设计工具允许嵌入式开发人员快速在ST微控制器、微处理器和智能传感器上部署AI,使AI更加高效和可持续。

而这仅仅是个开始。我们最新的技术突破将为人工智能带来革命性的改变。
点击以了解详情

人工智能的新时代已经到来

人工智能的新时代已经到来

ST通过产品和赋能技术,帮助客户将边缘AI变成现实

ST通过产品和赋能技术,帮助客户将边缘AI变成现实

观看视频
new era of AI new era of AI

在STM32微控制器和微处理器上应用边缘AI

water-pump-motor-edge-ai-mcu-mpu

STM32的边缘AI解决方案使器件更智能、更节能,提升了用户体验,并为许多新应用打开了大门。我们提供用户友好型在线工具和软件,帮助嵌入式开发人员以快速、高性价比的方式在STM32微控制器和微处理器上创建、评估和部署机器学习算法。

了解更多
water-pump-motor-edge-ai-mcu-mpu

在传感器上应用边缘AI

edge-ai-on-sensors

意法半导体的智能传感器内嵌有机器学习内核或用于边缘AI的高级专用数字信号处理器 (DSP),为从工业设备到物联网设备的诸多应用赋予情景感知能力。如此一来,传感器就可以处理信息,并只与微控制器分享有意义的数据。这些智能传感器降低了系统级功耗,进一步提高了系统效率。

了解更多
edge-ai-on-sensors

汽车应用中的边缘AI

工程师可以使用我们的SPC5Studio.AI转换、分析汽车神经网络模型,并将其部署到 SPC58微控制器上,从而提升安全性、效率以及整体驾驶体验。您还可以索取最新的 Stellar E微控制器 边缘AI插件工具。

edge-ai-in-automotive 了解更多
edge-ai-in-automotive

精选视频

观看更多有关人工智能应用的视频

STM32边缘AI解决方案

来自Oxytronic的IRMA,
使用NanoEdge AI Studio制作

STM32Cube.AI开发者云:仅需4步即可完成神经网络模型的测试和嵌入

了解意法半导体的智能内核MEMS传感器

智能传感器如何使工业应用响应更迅速、能效更高

利用LSM6DSV16BX传感器上的边缘AI技术,为真无线耳机(TWS) 提供支持。

ISPU自我学习,打造个性化健身训练

使用边缘AI监控道路状态

阅读意法半导体关于边缘AI的最新刊物

标题 作者 出版物  
通过深度量化神经网络提高对对抗攻击的稳健性 Ferheen Ayaz、Idris Zakariyya、José Cano、Sye Loong Keoh、Jeremy Singer、Danilo Pau、Mounia Kharbouche-Harrari IJCNN 查看
利用超微型神经网络补偿MEMS压力传感器的焊后热漂移 Gian Domenico Licciardo、Paola Vitolo、Stefano Bosco、Santo Pennino、Danilo Pau、Massimo Pesaturo、Luigi Di Benedetto、Rosalba Liguori IEEE ISCAS 查看
用于深度学习边缘应用的SRAM全数字多瓦片NN加速器,最高4b存内计算,采用FD-SOI 18 nm制程 G. Desoli等 IEEE ISSCC 查看
端到端优化的微型学习,用于迷宫拓扑中的可重定位墙 Danilo Pau、Stefano Colella和Claudio Marchisio IEEE ICCE 查看
TinyRCE:微约束下的前向学习 Danilo Pau、Prem Kumar Ambrose tinyML®研讨会 查看
0.8 mW TinyML PDM到PCM转换,用于传感器内KWS应用 Paola Vitolo、Rosalba Liguori、Luigi Di Benedetto、Alfredo Rubino、Danilo Pau、Gian Domenico Licciardo会议论文 查看