自学习传感器芯片不需要网络——赛斯维传感器网-ag尊龙凯时·中国官方网站

研究新型机器学习网络的科学家旨在将人工智能（ai）所需的一切都嵌入到处理器中，从而无需将数据传输到云或计算机。

微小的智能微电子应被用于在芯片上执行尽可能多的传感器处理，而不是通过将通常不需要，重复的原始数据发送到云或计算机来浪费资源。可以这么说，新的机器学习网络背后的科学家旨在将人工智能（ai）所需的一切都嵌入到处理器中。

“这为从传感器数据的实时评估开始的许多新应用打开了大门，”  弗劳恩霍夫微电子电路与系统研究所  在其网站上说。从不发送任何多余数据的延迟，再加上快速的处理，从理论上讲意味着零延迟。

另外，在微处理器上的自学习功能意味着嵌入式或传感器设备可以自校准。该研究所称，它们甚至可以“完全重新配置以随后执行完全不同的任务”。“具有不同任务的嵌入式系统是可能的。”

通过网络发送的许多物联网（iot）数据是多余的，并且浪费资源：例如，每10分钟读取一次温度读数，例如在环境温度不变的情况下。实际上，人们仅需要知道温度何时改变，也许只有在达到阈值时才知道。

神经网络传感器芯片

这家德国商业研究机构表示，它正在开发一种特殊的risc-v微处理器，该处理器具有专用的硬件加速器，该硬件加速器是为已开发的脑复制人工神经网络（ann）设计的。该架构最终可能适合于状态监测或预测传感器，这种类型的传感器我们可能会在工业物联网（iiot）中看到更多。

弗劳恩霍夫ims 嵌入式系统人工智能（aifes）的关键  在于，自学习是在芯片级别而不是在云或计算机上进行的，并且独立于“与云或功能强大且资源丰富的连接”。饥饿的处理实体。” 但它仍然提供“完整的ai机制，例如独立学习”

fraunhofer ims表示，这是“分散式ai”。“它不专注于大数据处理。”

实际上，对于此类系统，如果确实需要，则原始数据实际上不需要连接，仅需要分析后结果即可。成群结队甚至可以代替它。群策群力使传感器彼此交谈，共享相关信息，而无需涉及主机网络。

fraunhofer ims说：“有可能通过小型的自适应系统构建网络，这些系统之间可以共享任务。”

分散式神经网络的其他好处包括它们比云更安全。因为所有处理都是在微处理器上进行的，所以“不需要传输敏感数据”，fraunhofer ims解释说。

其他边缘计算研究

并非只有弗劳恩霍夫大学的研究人员相信整个网络对于神经元，像大脑一样的ai芯片会变得多余。宾汉姆顿大学和佐治亚理工学院正在研究类似的面向边缘的技术。

宾厄姆顿去年在写有关大学的工作时在其网站上说：“我们的想法是让这些芯片能够完成芯片中的所有功能，而不是通过某种大型服务器来回传递消息。”

无需进行主要通信链接的优势之一：您不仅不必担心互联网的弹性，还可以节省创建链接的能量。能源效率是传感器领域的野心-更换电池既耗时，昂贵，有时在偏远地区也非常困难。

无需为在数据中心或其他类似地点等待传输的大量原始数据提供内存或存储，也无需在源头进行处理，因此可以将其丢弃。