在 AI/ML 世界的某个角落，NVIDIA 尽最大努力说服任何想涉足训练的人相信更多的原始力量就是答案。另一方面，CEA-Leti 最近宣布，Edge AI 项目协调员 Elisa Vianello 从欧洲研究委员会 (ERC) 获得了 300 万欧元的资助，用于开发受昆虫神经系统启发的新边缘 AI 系统。
根据 Vianello 的说法，将人工智能直接引入物联网设备的最大挑战之一是，目前的芯片架构浪费了高达 90% 的移动数据而不是处理数据的总能耗。
由于这种浪费，物联网设备的 AI 功能要么受到阻碍，要么必须物理连接到稳定的电源，这意味着它们不像许多组织所希望的那样灵活。对于一个提议的应用，即植入式医疗诊断微芯片来说，情况是双重的，这将在很大程度上依赖于用户对设备可靠性的信任。
小型设备有什么问题?没有一种内存是高密度、高分辨率、非易失性和无限持久的。 Vianello表示，许多工业实验室和研究中心已经尝试开发纳米级的内存架构，这些架构使用内存处理，但结果好坏参半。例如，DRAM 是易失性的，这意味着它的内容会在断电时被删除——这在许多物联网环境中都可能发生。多年来，NVRAM 等非易失性存储器类型显着提高了耐用性;他们仍然不是完全可靠的。
Vianello 和她的团队将利用赠款资金研究特定昆虫神经系统的功能如何类似于确定性、概率性、易失性和非易失性记忆所执行的功能，然后探索如何在“高性能、能量-高效的硅基纳米系统。” Vianello 说：“蟋蟀会根据迟缓、不精确和不可靠的神经元和突触做出准确的决定，以逃避捕食者。仔细观察它们的生物学，我们发现了在它们的感觉和神经系统中发挥作用的多种类似记忆的功能。通过结合这些不同的功能，蟋蟀的内部计算系统实现了惊人的性能和能源效率。”
例如，蟋蟀身体上有多个传感器，腹部有许多本地处理单元，能够在不涉及中央大脑的情况下持续学习和决策。因为它有一个分布式计算系统，它可以更快地做出决策——无需在处理数据之前将数据从一个地方传输到另一个地方。
目标是一种混合突触，可以在一个小型的、物联网友好的规模上集成多个内存技术，这将有助于解决每个系统的缺陷，并消除至少一些在传输数据而不是使用人工智能处理数据时浪费的能量/ML 算法。 Vianello 的团队希望获取少量嘈杂的数据，例如摄像机、雷达或 ECG 设备捕获的数据，并实现使用当前物联网计算架构无法实现的学习类型。
由 Vianello 团队的任何新见解驱动的新产品可能需要很多年的时间，并且在瞬息万变的物联网世界中欢迎新的范式。随着 46% 的组织加快采用 5G、多种可行的边缘计算标准以及更多事件驱动的架构部署在边缘，对更快、更高效和更微型物联网的需求已经出现。
