免费的毛片视频-免费的青榴视频在线观看-免费的三片播放器-免费的性L交A片Y-免费的又色又爽又黄的视频软件-免费夫妻生活片av

AI（Artificial Intelligence）*1的應用范圍正在不斷擴大，例如，在生產現場檢測不良產品，輸入單詞和文章生成自然文章和圖像的服務等。

AI的核心是AI運算。實際上，現在AI系統中的大部分運算，一般都是經由互聯網在云端執行計算*2的云AI。但是在云端進行AI運算時，存在因將數據傳輸到云端而導致機密泄露等安全隱患，同時也存在因網絡通信量增加而導致成本增加，進而導致響應時間延遲等隱患。

因此，在IoT等方面，“邊緣AI”不會將終端（邊緣設備）獲取的數據傳輸到云端，而是用預先嵌入終端的AI模型執行運算，該技術正備受矚目*2。
在此介紹邊緣AI的特征、優缺點、邊緣AI的應用例等基礎知識，同時解說村田對邊緣AI的概念以及為實現該概念所做的努力。

*1 AI有各式各樣的定義，本文以使用深度學習（深層學習：自行提取并推測數據特征）方法的系統為前提來說明AI。深度學習是機器學習的一種，與以往的機器學習方法——事先被教授數據特征并推測——的顯著區別在于，深度學習會自行從數據中提取特征。

*2 計算有時僅指數據處理（運算處理或計算處理），但在此認為是數據處理及一系列過程（如數據收集、傳輸和分析）以及與這些過程相關的服務組（SaaS：Software as a Service等）。另外，將AI在云端進行數據處理的情況稱為云AI；同樣地，將AI在邊緣設備中進行數據處理的情況稱為邊緣AI。

1. 邊緣AI機制―與云AI的比較

一般來說，AI使用通過經驗性地學習已知數據而制作的AI模型*3進行運算，并輸出“推理”的結果。例如，在工廠的生產線上，想通過產品的外觀圖像讓AI判斷“產品有損傷”時，會根據該生產線上設置的圖像傳感器的數據，由判斷有無損傷的AI模型進行推理，并輸出其結果。

在此，讓我們重點看一下AI模型在哪里進行運算，并輸出推理結果。因其運算位置而備受關注的AI是在云端運算的“云AI”和在邊緣（網絡末端）運算的“邊緣AI”（圖1），彼此的特征有很大不同。
以下，還是以工廠生產線為例，以在云AI和邊緣AI中對產品持續流動的生產線進行實時推定（推理）為例，說明其結構和特征。

*3 AI模型是經過學習（從大量數據中提取規律性和模式等特征）等過程制作的。因此，根據學習中使用的數據不同，AI模型也不同。例如，在圖像識別中，將人或物的圖像數據輸入AI模型時，對于該圖像數據，該AI模型檢測和推理什么樣的人和物，取決于制作該AI模型時使用什么樣的圖像數據進行學習。

首先，說明在云端運行AI的示例（圖1右）。云AI是在云端的大型服務器上執行運算的機制，雖然可以處理大量的數據并進行復雜的運算，但也存在以下擔憂。

• 因為總是使用云端資源，所以可能會導致成本增加

• 需要將在工序生產線上流動產品的視頻數據持續發送到云端，因其數據量大而對網絡造成負擔

• 在機密性高的生產線上應用時，由于其視頻數據總是被發送到云端，因此存在泄露機密的風險

如存在這樣的擔憂，可以通過在生成視頻數據的終端（邊緣設備）即圖像傳感器中搭載AI的邊緣AI（圖1左）來解決。

• 因為不使用云資源，所以可以控制成本

• 網絡負荷減輕，沒有云端處理的負荷，可以相應地構建效率較高的系統

• 生產線上流動產品的視頻原始數據不會被傳輸到云端，而只留在該設備內，所以即使是機密性高的生產線也可以放心使用

在邊緣AI中，針對每個邊緣設備預先嵌入輕量的AI模型，執行AI運算并得到推理結果。例如，對于有瑕疵的產品，邊緣設備只會發送“產品有瑕疵”的推理結果，而不是發送瑕疵圖像的數據。

2. 邊緣AI的優缺點

在前項中，以事例為基礎，涉及了邊緣AI的優點——運用成本的控制、因通信量小而降低網絡負荷、來自邊緣設備的數據（原始數據）的機密性。這里進一步深入總結這些優點以外的優缺點（表1）。邊緣AI具有很多優點，最近，其低功耗的優點也備受矚目（＜專欄＞對邊緣AI的期待日益升高）。

3. 邊緣AI在圖像識別和語音識別中的應用

如上所述，邊緣AI具有運算結果響應出眾，實時性和數據保密性高，以及通信成本低的優勢。作為應用該優勢的代表用途：

• 利用圖像識別功能的監視攝像頭；

• 利用語音識別功能的設備和機器人的操作。

以下，分別介紹各自的應用例。

3.1 基于邊緣AI的圖像識別―邊緣AI攝像頭

搭載了AI運算功能的攝像頭稱為邊緣AI攝像頭，是能夠對圖像數據進行AI推理的邊緣設備。在我們身邊，正在研究將其應用于通過臉部認證解鎖房門的智能鎖。另外，除了臉部認證以外，還可以通過手勢識別進行人物檢測和人流檢測，因此可以用作監視用途。此外，在基礎設施領域，可以檢測落在鐵路線路或道路上的物體或入侵者；在FA領域，可以進行異物混入檢查或形狀檢查，以及作業人員對重型機械和機器人的接近檢測等，因此可以說它是對智能工廠化有很大貢獻的設備。

3.2 基于邊緣AI的語音識別

邊緣AI還支持語音識別。例如，可以通過語音對機器人進行動作指示、控制照明的點亮和熄滅、亮度調節等設定指示。即使在工廠雙手不得空閑或手臟而無法操作平板電腦設備等情況下，也可以通過語音指示操作平板電腦設備。此外，還可操作可穿戴終端和IoT設備等小型設備。為了在提高用戶體驗的同時提供安全性方面的優點，很多企業都在關注這項技術。

4. 村田邊緣AI模塊

如上所述，邊緣AI是一種可以幫助解決云AI基本問題的技術。在這里，我將介紹村田對邊緣AI的措施和構想，開發的邊緣AI模塊的性能以及前景。

4.1 邊緣AI模塊開發的契機和措施

村田面向智能手機等小型、薄型的高性能模塊進行了開發并商品化，同時積累和運用了在此過程中開發的許多技術訣竅。而且，迄今為止，村田一直努力滿足以通信IC為首的多種小型封裝技術相關的顧客要求。能否將邊緣AI芯片也模塊化？來自主要IC供應商的這一請求是村田開發邊緣AI模塊的契機。

在本模塊的開發中，首要關注的是為避免發熱而導致的運行障礙的散熱措施。模塊的部件集成度高，一般來說模塊的散熱對策很困難，我們通過下述措施來實現了散熱效率高的邊緣AI模塊：

• 安裝的芯片零部件的布置等設計上的措施；

• 通過電路布局的走線來確保散熱面積等結構上的措施；

• 樹脂封裝所用材料上的措施。

此外，在采取散熱措施的同時，為避免因噪聲導致的運行問題，還注重遏制電磁噪聲的屏蔽措施，確保了更高的可靠性。

4.2 開發的邊緣AI模塊的性能

邊緣AI也搭載在最近幾年更加普及的單板計算機/單板微機（以下簡稱SC/OM）上。現對SC/OM和村田邊緣AI模塊進行比較。
SC/OM的特點是可以與多種外部模塊協作，擴展性很高。利用該特長，例如通過利用攝像頭模塊和圖像識別用的庫，可以構建邊緣AI攝像頭的系統。另一方面，由于使用了通用的AI芯片，所以AI推理的速度較低，在AI運算部中需要使用冷卻風扇的散熱措施，另外，有時還面臨著需要AI芯片和周邊IC用電源的設置空間問題。

另一方面，在村田的邊緣AI模塊的AI運算部，芯片采用了Google公司制造的AI運算功能專用的“Coral”，以2W以下的低功耗實現了比一般的SC/OM更高速的4TOPS*4的運算能力。此外，如前所述，由于采用了本公司專有的不使用冷卻風扇的散熱措施，因此可以在不降低運算速度的情況下工作。
憑借這一性能，不僅應用于攝像頭，還可以應用于智能手機和行車記錄儀等多種邊緣設備。另外，還可以在嵌入式AI芯片等零部件上外置，系統設計靈活度高。

*4 TOPS：是Tera operations per second的縮寫，表示每秒可以進行1兆次運算的單位。

4.3 邊緣AI模塊的前景

毫無疑問，隨著邊緣設備的普及，其使用數量的增加，需要可以應對多種用途的邊緣AI。為了適應這一趨勢，不僅需要做到體積更小、運行速度更快、功耗更低，而且還需要運行穩定性和可靠性更高的邊緣AI模塊。
村田今后將通過形成AI推理功能專門化的模塊，提供小型、高速且低功耗運行的芯片，即邊緣AI模塊，為實現眾多邊緣設備所需的AI推理功能的應用不斷做出貢獻。

＜專欄＞對邊緣AI的期待日益升高

預計在2030年，包括智能手機和平板電腦在內，全世界連接了互聯網的攝像頭以及工廠等的機器人設備/FA設備上搭載的傳感器等邊緣設備的數量將達到290億臺。因此，全球邊緣AI市場預計將從2022年的156億美元增長到超過1074億美元。
另外，邊緣AI的處理器市場預計到2032年也將達到約110億美元（2022年達到約27.5億美元），在這10年間以15.56%的年均增長率增長。

這種邊緣AI市場預期擴大的背景，可以考慮以下幾點：

• 可利用云AI所沒有的邊緣AI的規格優勢——運算結果的實時響應、數據隱秘性高、數據通信量低、可脫機連接——的領域，特別是在IoT中的普及

• 隨著數字社會和DX化的推進，移動端和互聯網數據流量的增加（圖4）有望遏制功耗（表1 No.7）

近幾年，邊緣AI的遏制功耗這一優點也越來越受到期待。
如上所述，現在的社會基礎設施的網絡形態一般是云端計算，但由于云端服務器的一直運行和數據的遠距離傳輸帶來的熱損失等導致的功耗很大，因此被指出功耗的效率差。這個情況對云AI來說也是一樣。

因此，近年來，社會各界紛紛開始推進通過分布式處理來提高功耗效率的邊緣計算和邊緣AI，而不是集中處理數據的云端計算。邊緣AI不依賴云端服務器即可在邊緣設備內完成數據的AI運算，數據傳輸帶來的熱損失也很小，因此可以為數字社會的基礎設施中的大幅節省能源做出貢獻。