相信每个人可能都经历过这样一种挫败感——当你拿起手机调出语音转文字功能口述一封邮件时，却发现手机并未联网，无法使用这一功能。现在，随着新一代边缘人工智能芯片的问世，人工智能可直接嵌入各类设备当中，将大大减少这种令人挫败的情况发生。
直至最近，人工智能计算几乎都只能通过数据中心、企业核心设备或电信边缘处理器远程完成，而非设备本身。原因在于，人工智能计算极度占用处理器资源，需要成百上千个不同类型的（传统）芯片来执行运算。而硬件的体积、成本及耗用功率决定了人工智能计算阵列不可能被放置于任何比手提箱还小的容器中。
如今，边缘人工智能芯片彻底改变了这种局面。边缘人工智能芯片体积更小，成本更低，耗用功率更少，产生的热量更少，能够集成于智能手机等手持设备以及机器人等非消费级设备，使这些设备自身能够执行处理器密集型人工智能计算，从而减少或消除了将大量数据发送至远程位置的需要，极大提升了设备的可用性和速度，以及数据的安全性和保密性。
数据的收集、储存和向云端转移会不可避免地使企业面临网络安全和隐私方面的威胁，即使在企业十分重视数据保护的情况下亦是如此。通过在内部实现大量数据的处理，边缘人工智能芯片可有效减少个人或企业数据被拦截或滥用的风险。例如，具备机器学习处理功能的安全摄像头可进行视频分析，确定具有相关意义的视频片段，并仅将这些片段发送至云端，从而降低隐私风险。机器学习芯片亦能够识别更为广泛的语音指令，从而减少需要在云端进行分析的音频量。准确度更高的语音识别还能带来额外的助益，使智能音箱能够更准确地检测到“唤醒词”，从而避免听取不相关的对线、
要将数据发送至云端处理，设备必须联网。而在某些情况下，设备联网并不现实。以无人机为例。基于无人机的运行环境，设备可能会难以保持联网状态，同时联网及将数据上传至云端还会降低电池寿命。在澳大利亚新南威尔士，人们利用内置人工智能的无人机在沙滩上巡逻，以确保游泳者的安全。这些无人机能够识别被卷入激流的游泳者，或在他们受到鲨鱼及鳄鱼攻击前向其发出危险警告——这均在未联网的情况下完成。
低功率机器学习芯片甚至能使电池容量小的设备在不过度消耗功率的情况下执行人工智能计算。除当前可用的低功率边缘人工智能神经网络处理器外，科技公司亦在开发“微型化机器学习”——设备上的深度学习，大小形同微控制器单元（类似于前述的系统级芯片，但体积更小，结构较为简单，功耗更低人工智能与设备加速融合边缘人工智能芯片大放异彩，仅消耗数毫瓦甚至微瓦电量）。
无论通过有线还是无线网络，利用远程数据中心执行人工智能计算意味着将会出现至少1-2毫秒的来回延迟，这是最好的情况；最差情况下的延迟可达数十甚至数百毫秒。采用边缘人工智能芯片在设备上执行人工智能计算，可将这种延迟降低至纳秒级——这在要求设备必须瞬时完成数据收集、处理并据此采取行动的应用情境下具有极其重要的意义。
平台声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。