计算不上“云”嵌入式人工智能实现实时决策本地化 将庞大计算缩减至微小终端中

7月22日，记者从郑州轻工业大学获悉，由郑州轻工业大学计算机与通信工程学院教授苏日建领衔的团队主持的国家自然科学基金“基于超顺磁性纳米粒子的无创测温方法研究”项目有了新进展。

本项目率先将嵌入式技术用于生物信息测量领域，进行了嵌入式人工智能的重要创新并取得了突破。项目通过嵌入式人工智能算法，明晰了热疗靶区的温度与磁性纳米粒子特性参数之间的关系，并探索出了一种基于磁性纳米粒子的非侵入式、在体的靶区温度场测量方法，可为肿瘤靶向热疗中温度测量提供有效的温度、浓度磁化模型及生物热传导模型，对于提高恶性肿瘤的治疗效果具有重要的意义。

未联网也能进行实时计算

“嵌入式人工智能是当前最热门的人工智能商业化技术之一。所谓嵌入式人工智能，就是设备无须通过云端数据中心进行大规模计算，而是在本地、不联网的情况下就可以做到实时环境感知、人机交互、决策控制等。”苏日建在接受科技日报记者采访时表示，嵌入式人工智能利用嵌入式终端设备仅通过边缘计算进行简化模型训练。

业界的普遍观点认为，人工智能需要通过计算机进行大量数据训练来达到与人类类似甚至超过人类的知识、推理、决策与操控能力。与在云端数据中心进行大规模数据模型训练的传统人工智能不同，嵌入式人工智能具有去中心化、模型简化、训练数据缩减、高实时性等特点。

苏日建说，5G技术会催生更多的人工智能应用场景，据预测，2025年，人工智能将会产生5.1万亿美元的应用市场。嵌入式人工智能可以应用在医疗、零售、智能交通及智能制造等领域。

将庞大计算缩减至微小终端中

全球移动通信系统协会统计，2020年全球物联网联网设备数量已达126亿个。如果所有设备均按现有人工智能模型的训练方向进行云计算，很大一部分物联网终端将受制于网络带宽速度的影响，无法实现高实时的决策与控制。这必然带来糟糕的用户体验，甚至造成更严重的问题，如自动驾驶中的高延时将带来驾驶风险;人脸识别数据上传则可能造成隐私信息泄露等。

“当然这并不是说在云端进行模型训练和决策控制的人工智能与嵌入式人工智能是矛盾的，只是二者的诉求不同，适合的应用场景也不同。”苏日建解释，云端更适合数据吞吐量高且模型复杂的训练;而嵌入式人工智能则在需要高实时计算的应用场景更具优势。

“可以说嵌入式人工智能本质是将云端的算法部署至终端设备，也就是运算边缘化。其最大的难点在于将云端的海量数据及庞大的计算规模缩减至终端设备中运算、处理。”苏日建说，具体来说，一是如何根据模型训练的算法在芯片设计上增加神经处理单元或节点;二是如何在不降低描述精度的情况下简化训练模型，降低算法复杂性;三是如何在保证决策准确度和控制精度的情况下，减少训练数据的数量。“这些既是业界所面临的问题，更是我国研究人员要突破的技术瓶颈”。(记者 马爱平)