鲁 冰 （《电子产品世界》编辑）

　　AI（人工智能）在M级的便宜的小器件上能不能落地？它需要什么资源，性能又怎么样？不久前，Arm中国携手恩智浦半导体在全国进行了巡回讲演。Arm中国高级市场经理Eric Yang分享了AI的基础知识，分析认为边缘AI可以通过在MCU这样的小芯片上实现，并推介了Arm的软件中间件NN——可以有效地对接算法和具体芯片，最后列举出了Arm MCU的应用案例。

　　1 边缘AI潜力巨大

　　AI有没有前途？

　　前两年AI非常火，AI公司支付的薪水很高。不过，2019年上半年以来，很多AI公司活得并不是很好。AI到底有没有机会？还需不需要关注？

　　如果借鉴历史，大约在5亿年前是单细胞生物，之后生物学上出现了寒武纪大爆发，产生了大量的新生物，其中带智能的生物慢慢进化出来。

　　现在从嵌入式或者产业角度来看，有点类似于寒武纪的前夕。如果从身边去观察，会发现无论是生活还是工作环境安装了很多传感器，而且传感器有越来越多的趋势。Arm的孙正义先生认为，现在还是百亿级、千亿级传感器的量，到2025年会有约1万亿的设备连上传感器，相当于2025年时到了寒武纪大爆发时期。

　　不过，那么多传感器相连，如果都靠传统的计算方式，即完全是靠你的算法或控制去实现一些功能/性能的时候，是有很大的瓶颈的。所以大量传感器可能会采用AI技术，一部分AI在云端，更多的是在嵌入式端。

　　2 AI中遇到的概念

　　AI、机器学习（ML）、深度学习（DL），这些概念到底什么关系？

　　AI是用机器来模拟人的思维习惯，让机器来达到人的决策的能力。要实现这一功能，就需要让机器做学习，这主要是通过概率论、统计论之类的方法，让机器找到算法，以实现机器能够学习这样的功能（如图1）。

　　实现机器学习里面有种方法叫深度学习。深度学习相当于你准备大量的数据，然后放到那个模型里边去，让它学会“感知+判断+思维”的能力。在深度学习下面，会有我们经常听到的算法，诸如CNN、RNN等。

　　3 CNN

　　在机器学习方面有两个方面需要去理解：训练和推断。第一是若在云端，叫训练，云端需要有巨大的数据量做训练；第二是设备端。设备端主要是做推断，即把云端训练好的模型思维方式下载到设备端，设备端再根据获得的信号得出一个推断的结果。

　　训练需要大量的数据，需要非常高的性能、大量的带宽去实现。所以一般要在服务器、GPU、加速卡上运行。

　　在设备端，因为已经有现成的训练模型，所以只做判断/推断，相对来讲要考虑的地方较为简单，例如性能方面，中低端的性能就可实现；效率方面，包括成本效率、功耗效率；再有，因为设备端涉及到联网，还要有安全隐私的考虑。

　　那么，哪些功能适合放在设备端或服务器端/云端？如图2，分别从AI的3个典型应用——视觉、音频以及健康管理来分析。图2左都是大型的机器学习，在服务器上面，图2右是设备端可以实现的应用与技术。

　　以视觉来看，首先，如果做具体物体的识别，例如，这是一条狗，这条是什么品种的狗，或者人脸识别，这种方式基本上放在服务器端。如果做类的识别，例如是狗、车还是飞机，这种识别就可以放在设备端了。CIFAR-10就是一种常用来做的标准模型。

　　例如在音频方面，如果只是做一个关键字的识别，或简单的一个命令的识别，可以放在设备端；如果是做语义的识别（例如你讲一句话，让机器知道你的意思，回答你下一句话），通常放在云端/服务器端。

　　同样，在健康管理方面，如果让手机、手环或智能手表做一个动作的识别，例如解释你是在走路、跑步还是蹲下，这可在设备端实现；如果要是做具体的疾病识别，要放在服务器端实现。

　　在嵌入式系统里面，做ML要考虑哪些因素？列表如表1所示。

　　首先在系统层，你要考虑到效率，因为嵌入式设备一般都会有成本的考虑，因为量非常大，布设的端点非常多。另外是功耗的考虑，有的设备涉及到电池供电。之后还有带宽，因为需要跟服务器/云去通讯。最后还需要考虑到隐私和加密。

　　在AI部分，可能你要考虑到的你输入的种类、参数、转换的效率、你要得到结果的精度、你所选用的设备的算法，或者你要达到这样精度要消耗的内存资源。

　　在ML部分经常听到一些算法，诸如CNN、DNN、RNN、LSTN。这些算法对应的常用的应用场景，例如CNN适合视觉识别、图片识别，DNN比较适合语音识别。

　　表2是Arm做的不同ML算法在不同的内存资源和CPU资源情况下得到的结果。

　　可见准确度、消耗的资源跟你的系统呈对应关系。例如分散式CNN算法可以达到95%的准确度，最小的时候可能只占了不到40 kB内存，消耗的CPU运算能力只有5.4MOps，这相当于人们常见的M0嵌入式设备就能运行起来。可见，在Arm生态系统里，从M0到M7，都可以在这些芯片上面去实现ML功能（如图3）。这颠覆了人们以前的观念——一定要有很大的GPU、服务器、手机平台等去做。

　　在硬件方面，Arm推动MCU芯片合作伙伴，加外设、加功能去做具体芯片出来。同样，在软件方面，Arm也提供了软件中间件，叫。

　　4 CMSIS-NN

　　该软件中间件的一个出发点是全球比较大的一些公司，包括国内的百度、阿里等经常无偿地提供机器学习的算法，让免费使用，以在其服务器上得到接口。但落地时候怎么办？因为不同公司会提供不同种类的算法，如果你对每种算法都去做支持，整个开发维护的工作量会非常大的，尤其对于嵌入式设备的厂家更是如此。

　　Arm在中间做了一个标准化的接口优化。上面直接去对接算法，下面去对接具体的硬件。这就把AI机器学习当做是一个以前的通讯库，或者是API来用，就可以了。图4是具体应用的流程。

　　CMSIS-NN在Cortex-M上来实现的软件库，是在2018年1月发布的，是开源的，你可以看到所有源代码，因此不会存在安全、自主可控的困惑。

　　不仅如此，现在NN 还 针 对 大 核 ， 例 如系列以及Mali GPU，也是开源的，于2018年年中发布。

　　至此，CMSIS-NN可以运行在Arm所有CPU上。

　　相比只从那些算法公司下载开源程序、把它移植到Arm CPU上去运行，分别对卷积、池化以及激活函数方面做对比，对比图如图5。可见在池化时，用CMSIS-NN，可以达到4.6倍性能的提升。

　　CMSIS-NN效率很高。恩智浦半导体做的一个在相同的硬件环境下，CMSIS-NN与的性能对比。采用的芯片分别是Cortex-M4和的 芯 片 ， 在 做 C I F A R - 1 0 时 ，（注：提供的嵌入式版本的CNN模型）用约120 ms才能完成某个识别；只需要20 ms左右。

　　CMSIS-NN一直在更新，基本上每个季度有优化版。

　　5 用CMSIS-NN做ML的应用案例

　　第一个应用是CMSIS-NN如何与恩智浦半导体的AI平台——eIQ平台对接（如图6）。它是把算法集成好，对用户来讲，首先是找到一个事先做好的模型，选择是否也需要做压缩的算法。如果不做压缩，就把它做模型转换到Cortex-M系列里的语言里。只需要把传感器的信号输入，恩智浦的芯片（例如：i.MX RT）就会做出一个决策。

　　实际上，用Arm MCU芯片做成的产品已有商用化的案例。美国的Amiko公司做的哮喘治疗器（如图7）采用ML算法来做监测、统计。它的原理比较简单，其中的传感器可以识别几个内容。第一，把设备从正常的状态颠倒过来，变成放到嘴里的状态。其次，它可以监测到吸入的流量大小。实现方法是：在云端做好了一个模型之后，它可以通过这模型来指导这个吸入哮喘剂是否正确，以及吸的量够不够。