小型機器能看到和聽到的挑戰是什么?

那么，如果人工智能對小型機器如此有價值，為什么我們還沒有被廣泛使用呢?答案是計算能力。人工智能推理是神經網絡模型計算的結果。將神經網絡模型想象成大腦如何處理圖像或聲音的粗糙近似，然後將其分解成一個非常小的片段，然後在這些片段結合在一起時識別模型建築工人安全。

卷積神經網絡(CNN)是現代視覺問題的主要模型。這些模型在圖像分析和音頻分析方面非常出色。挑戰在於，這種模型需要數百萬或數十億次數學計算。傳統上，這些應用程序很難實現：

使用廉價低功耗的微控制器解決方案。雖然平均耗電量可能很低，但是CNN計算起來可能要秒，也就是說人工智能推理不實時，所以耗電量會很大。

購買昂貴的高性能處理器買昂貴的高性能處理器來完成。這些處理器通常非常大，需要包括散熱器或類似冷卻組件在內的大量外部組件。然而，他們很快就進行了人工智能推理。

無法實現。在高性能處理器方法打破成本、尺寸和功率預算的同時，低功率微控制器的解決方案將，無法使用阻截來電滋擾。

我們需要的是一個嵌入式建的嵌入式人工智能解決方案，以盡量減少CNN計算的能耗。人工智能推斷需要在一個數量級中執行，而不需要內存等外部組件的幫助，與傳統的微控制器或處理器解決方案相比。這些外部組件將消耗能量、體積和成本。

假如人工智能推理解決方案可以消除機器視覺的能量損失，那么即使是最小的設備也能看到和識別周圍的世界機器人流程自動化使用案例。

幸運的是，我們正處於這場小機器革命的開始。目前的產品幾乎可以消除人工智能推斷的能源成本，實現電池驅動的機器視覺。例如，微控制器可以用來執行人工智能推理，同時只消耗微焦耳的能量。