当前位置： CompoTech China > 业界资讯 >
随着工业企业将重心转向以人为本、以地球为中心的工业5.0理念，边缘人工智能（AI）技术正展现出变革性力量。这些解决方案将边缘计算的强大能力与人工智能领域的最新进展相结合，通过自动化提升效率、敏捷性和安全性。同时，它们减少了工业领域对集中式服务器的依赖，有助于控制延迟和成本。总体而言，边缘人工智能助力团队实现工业5.0目标，减轻劳动者负担，在尊重地球资源限制的同时支持经济增长。这些解决方案的应用将引领新一代人机界面（HMI）、工业机器人、视频监控等领域的发展。
尽管边缘部署在工业环境变革方面潜力巨大，但要打造完全由边缘技术驱动的设施，仍需创造性地解决问题。开发能够在边缘运行且支持工业级规模人工智能的设备，要求开发者将创造力和技术发挥到极致，同时还要克服一个由来已久的障碍：空间限制。
寻找平衡
几十年来，追求小体积大功率一直是推动技术进步的关键因素。在数字革命进程中，开发者和设计师一直致力于寻找方法，将相当的计算能力融入日益缩小的空间中。工业物联网（IIoT）设备也不例外，它们克服了巨大的空间和计算挑战，才达到目前的运行状态。
要在边缘运行，工业物联网设备必须在多样化（有时甚至是极端）的环境中处理复杂且关键的任务，而且往往无法可靠地接入外部电源。此外，这些分布式系统往往需要“始终在线”，并要求持续、实时的通信。再加上管理热约束的挑战，构建具备人工智能能力的工业物联网设备的任务变得更加复杂。
虽然传统的人工智能模型已经为许多企业带来了变革性的运营，但其计算需求使得它们在大多数边缘部署中并不实用。将大型人工智能模型的广泛潜力与工业物联网设备的专业操作相匹配，是一道难以逾越的障碍。为了在边缘实现人工智能，开发者开始转向更小、针对特定任务的人工智能模型，这些模型针对受限环境进行了优化。这些模型基于窄域数据集进行训练，或使用剪枝、量化或蒸馏等技术进行压缩。尽管它们执行的任务范围较小，但比传统的最先进（SOTA）模型执行这些功能时更加一致和高效。
当然，随着需求的变化、期望的提高以及边缘人工智能设备变得更加复杂，仅靠压缩不太可能确保可靠和最佳的性能。为了给边缘生态系统提供人工智能解决方案，开发者需要退一步思考，考虑硬件和软件如何协同工作，以使空间、性能和效率达到最佳平衡。
从两端进行优化
无论工程师在定制、优化和改进方面付出多少努力，人们始终期望系统能够以相同（或更少）的资源实现更多功能。为此，在设计边缘人工智能设备时采取多管齐下的方法，对于满足工业企业的期望至关重要。
最终，工程师们需要重新审视为设备选择底层硬件的策略。在为边缘人工智能设备选择组件时，他们必须找到能够优先考虑以下方面的选项：
o 降低延迟。速度是工业组织投资边缘部署的主要驱动力，因为这些边缘系统往往比基于云的方案延迟更低。当处理和分析在边缘进行（更接近数据收集的地方）时，系统就不必浪费时间在传输上。为了适应不断变化的需求，使实时响应更加便捷和可靠，工程师可能还希望优先考虑具有并行处理能力的设备，以确保随着计算需求的增加，速度和可靠性得到保障。
o 提高能效。工业物联网设备通常没有太多空间使用电池或电源转换组件，因此低功耗硬件对设计师来说具有优势。然而，在考虑效率时，我们需要从更宏观的角度来看，因为人们对人工智能和云计算能耗的担忧不断增加。数据量的增加意味着能源支出和碳排放的增加，不仅如此，本地和/或云系统给运营增加了额外的长期成本。采用低功耗组件有助于确保小型设备按预期运行，在冷却成本不断上升的情况下，这提供了一种更具性价比的选择；许多组件甚至具备无风扇计算功能。更理想的是，工程师可以选择使用支持动态电源管理（例如，睡眠/唤醒模式）的硬件，以进一步缓解不断增长的功耗需求。
o 确保安全运行。增强的安全性也是工业边缘人工智能系统的一个吸引人的特点。所有行业都面临着日益增长的风险，但关键基础设施和重工业环境面临的网络物理威胁尤为严重。对于许多人而言，设备端处理是一个极具吸引力的选择，因为它能限制数据在传输至云端环境或从云端环境传输至设备端过程中所面临的暴露风险。然而，紧凑型模型可能会牺牲传统的软件级安全协议。在开发设备时，开发者需要优先采用硬件级保护措施，例如加密、安全启动以及神经网络（NN）模型认证，以便在不影响性能和效率的前提下弥补安全漏洞。
o 具备适应性。工业物联网（IIoT）系统属于长期投资，企业需要部署能够随其业务发展而变化的技术。选择可重新编程、支持无线（OTA）更新和/或支持神经网络（NN）的设备，有助于在系统需要升级或变更时减少停机时间，因此具备这些功能的设备对企业颇具吸引力。对于工业物联网设备开发者而言，通用设备芯片也是一个不错的选择，因为它们能够处理各种高性能计算任务，为设计阶段提供灵活性支持。
要兼顾上述所有方面是一项重大挑战，工程师们需考虑一系列选择——每种选择都有其自身的优势和局限性：
|
|
适应性 |
可扩展性 |
性能 |
效率 |
开发周期 |
安全性 |
|
ASIC |
低 |
低 |
高 |
高 |
长 |
强 |
|
CPU |
高 |
中等 |
中等 |
中等 |
短 |
中等 |
|
GPU |
中等 |
中等 |
高 |
中等 |
短 |
有限 |
|
FPGA |
高 |
高 |
中等 |
高 |
N/A |
强 |
|
MCU |
低 |
低 |
低 |
非常高 |
短 |
有限 |
|
NPU |
低/中等 |
高 |
高 |
高 |
中等 |
有限 |
|
SoC |
中等 |
高 |
中等/高 |
高 |
长 |
强 |
虽然ASIC提供了卓越的性能和效率，但缺乏灵活性，使其更适合固定、大批量应用，而非不断发展变化的工业环境。同样，CPU和GPU提供了快速的开发周期和广泛的兼容性，但往往在功耗和热约束方面存在困难。MCU在超低功耗场景中表现出色，但在计算密集型人工智能任务上表现欠佳。虽然NPU和SoC为人工智能工作负载提供了更强的性能，但它们通常需要更长的开发周期，且适应性有限。
在同类半导体器件中，现场可编程门阵列（FPGA）因其独特优势，最契合复杂且关键任务型设备的需求。它采用可重新编程架构，集高适应性、强安全性和高效确定性性能于一身，使工程师无需更换设备即可更新神经网络（NN）模型或优化硬件。这种灵活性对于关键任务型边缘人工智能系统而言尤为宝贵，因为这类系统的需求会随时间演变，且必须将停机时间降至最低。尽管这些专用芯片可能会给构建过程带来一定复杂性，但它们（以及其他同类芯片）在工业应用领域具有巨大潜力。
在高风险环境中，哪怕节省几秒钟时间都可能对避免事故或故障起到至关重要的作用，而一旦开发者掌握了FPGA的使用方法，FPGA便能被证明完全能够胜任此类任务。目前，基于FPGA的构建方案已为一些人工智能领域最热门的应用提供支持：从计算机视觉辅助的安全监控到动态电源管理，即便是在小型且电力受限的边缘设备中应用，FPGA也能助力维持系统正常运行。
触手可及
随着工业设施不断朝着以人为本、可持续发展的工业5.0愿景迈进，硬件与软件的周密融合将成为实现这一愿景的关键。目前，在克服空间和电力限制方面已取得重大进展，这使得许多曾经遥不可及的应用成为可能。但进步永无止境，仍有提升空间。
展望未来，成功将取决于一种整体性方法——即整合恰当的工具、技术和设计策略，以确保边缘人工智能系统具备高效性、适应性，并契合长期工业需求。
本月热点 HOME
