導(dǎo)讀

在終端和邊緣側(cè)的微處理器上，實現(xiàn)的機器學(xué)習(xí)過程，被稱為微型機器學(xué)習(xí)，即TinyML。更準(zhǔn)確的說，TinyML是指工程師們在mW功率范圍以下的設(shè)備上，實現(xiàn)機器學(xué)習(xí)的方法、工具和技術(shù)。這篇文章，我們來一起探索TinyML的潛在價值和機會。

全文字?jǐn)?shù)：2900字，寫作用時：300分鐘，閱讀時間：10分鐘

物女皇：TinyML，很小卻很大

這是我在【物女心經(jīng)】專欄寫的第268篇文章。

一根手指代表“播放??”，兩根手指代表“暫停?”，三根手指代表“停止?”…這種遙控“神功”逐步變成現(xiàn)實，并且這項技術(shù)正在賦能越來越多的傳感器。

TinyML，微型機器學(xué)習(xí)，我曾在之前的文章《一文讀懂即將引爆的TinyML：在邊緣側(cè)實現(xiàn)超低功耗機器學(xué)習(xí)》中做過重點介紹。在終端和邊緣側(cè)的微處理器上，實現(xiàn)的機器學(xué)習(xí)過程，被稱為微型機器學(xué)習(xí)，即TinyML。更準(zhǔn)確的說，TinyML是指工程師們在mW功率范圍以下的設(shè)備上，實現(xiàn)機器學(xué)習(xí)的方法、工具和技術(shù)。

在智能時代，我們常說萬物皆智，但是如何賦予數(shù)以億計、超小體積、極低功耗的設(shè)備以智能，這是不得不解決的挑戰(zhàn)。

好在疫情期間，很多傳感器企業(yè)并沒有減緩研發(fā)的腳步。索尼、三星和博世等企業(yè)都正嘗試在不增加部件、提升成本和功耗的前提下，為傳感器嵌入更多的智能。TinyML與傳感器的結(jié)合，讓這些探索開花結(jié)果。

根據(jù)研究機構(gòu)ABI Research的判斷，一旦開啟億萬量級的微型設(shè)備智能化之旅，市場空間將是巨大的。ABI由此預(yù)測到2022年底TinyML即服務(wù)的收入將超過2.2億美元，并從2025年起，TinyML將成為智能時代的重要組成部分之一。

躺平不可取，手握如此機遇，怎能坐失良機？10月20日，參與創(chuàng)造TinyML一詞、創(chuàng)建TinyML峰會、編寫了TinyML教科書的谷歌TensorFlow Micro團隊前技術(shù)負(fù)責(zé)人皮特（Pete Warden），發(fā)文認(rèn)為市場時機已經(jīng)成熟，宣布二次創(chuàng)業(yè)，作為創(chuàng)始人投身于TinyML賦能的智能傳感公司。

這篇文章，我們來一起探索TinyML的潛在價值和機會。

用TinyML做爆款智能硬件

一個售價為10美元（約合人民幣72.5元）的硬件模塊，可以嵌入電視、風(fēng)扇、遙控器、無人機、攝像頭等設(shè)備中，輕松實現(xiàn)智能功能。電視可以根據(jù)主人的手勢實現(xiàn)遙控、風(fēng)扇可以判斷主人的位置對準(zhǔn)送風(fēng)、攝像頭可以自動識別房間里的人員數(shù)量…這就是皮特的新創(chuàng)公司Useful Sensors正在做的事情。

此前皮特在谷歌帶領(lǐng)機器學(xué)習(xí)基礎(chǔ)架構(gòu)團隊長達(dá)7年，并且創(chuàng)建了TensorFlow Lite Micro，一個用于嵌入式系統(tǒng)的機器學(xué)習(xí)框架。

過去幾年他一直在思考，“聯(lián)網(wǎng)”能力是否是物聯(lián)網(wǎng)設(shè)備的必選項？如果將“Internet”從Internet of Things中拿掉將會怎樣？如何賦予沒有接入網(wǎng)絡(luò)的設(shè)備以智能？

從2022年開始，他率隊秘密研發(fā)這款名為Person Sensor的智能模塊，尺寸為20 x 20毫米，正面有一個攝像頭，背面是微控制器。這個只有硬幣大小的模塊可以檢測附近的人臉信息，反饋人數(shù)、相對位置，并進(jìn)行面部辨識。

皮特認(rèn)為有智慧的傳感器才是真正有用的傳感器，智能分析與傳感器的距離越近，就越能降低功耗，而且這種功耗的節(jié)約是指數(shù)量級的，輕松實現(xiàn)10倍改善。

過去，我們可能會遇到對著臺燈說“關(guān)上”，但臺燈毫無響應(yīng)的情況，但是這種日子即將一去不復(fù)返了，一些家電企業(yè)開始著手在電燈、音箱和電腦中嵌入這種智能模組。

TinyML:不用聯(lián)網(wǎng)卻“始終在線”的ML

在文章《專為物聯(lián)網(wǎng)而生的TinyML，正在開啟音頻分析的新藍(lán)海》中，我曾經(jīng)提到TinyML微型機器學(xué)習(xí)是機器學(xué)習(xí)和物聯(lián)網(wǎng)設(shè)備的交集，它是一門新興的工程學(xué)科，有可能在許多行業(yè)引發(fā)革命。

目前全球有千億量級的微控制器在各地運行，而且每年仍在以數(shù)百億的量級遞增，根據(jù)IC Insights預(yù)測，到2023年微控制器的年出貨量將超過380億個，而且這些微控制器對應(yīng)的設(shè)備，都有變得越來越智能的需求。

換句話說，未來分布在煙霧傳感器、心臟起搏器、車載終端中的2500億個微控制器，有可能可以執(zhí)行以前只有計算機和智能手機才能處理的任務(wù)。因此面對位于網(wǎng)絡(luò)邊緣的海量物聯(lián)網(wǎng)設(shè)備，TinyML的未來發(fā)展具有極大的想象空間。

這些內(nèi)嵌于物聯(lián)網(wǎng)終端設(shè)備中的“TinyML即服務(wù)”，“主動”參與智能決策與執(zhí)行，并且允許在終端設(shè)備資源非常有限、聯(lián)網(wǎng)受限的情況下，仍舊持續(xù)提升終端設(shè)備的分析能力，以便其能更好的處理實時物聯(lián)網(wǎng)數(shù)據(jù)。

由此，TinyML在物聯(lián)網(wǎng)終端打造的飛輪不斷提速：

更低成本、更佳反饋的TinyML→更多數(shù)據(jù)反哺模型訓(xùn)練和調(diào)參→更好的使用體驗，吸引更多企業(yè)參與其中。

TinyML的市場規(guī)模比邊緣ML和云端ML都要大。除了文初提到的ABI Research，多家分析機構(gòu)均給出TinyML的樂觀預(yù)測。根據(jù)Silent Intelligence的預(yù)測，在未來5年，TinyML將觸發(fā)超過700億美元的經(jīng)濟價值，并且保持超過27.3%的復(fù)合年均增長率（CAGR）。

由TinyML改寫的游戲規(guī)則

從某種程度上說，TinyML改寫了機器學(xué)習(xí)的“游戲規(guī)則”。

TinyML和我們常常提到的機器學(xué)習(xí)，也就是基于云端的ML，處于兩個截然不同的世界。

當(dāng)CPU、內(nèi)存與操作系統(tǒng)之間的差異達(dá)到一定程度之后，量變引發(fā)質(zhì)變。與TinyML可以調(diào)用的資源相比，云端ML簡直是“富豪”。為了順利推進(jìn)，TinyML必須采用與云端ML不同的思維模式。

因禍得福，云端ML常常被詬病的四大痛點問題：功耗大、延遲長、需聯(lián)網(wǎng)、少隱私等問題，在TinyML這里統(tǒng)統(tǒng)不存在，反而成為使用TinyML的4個主要優(yōu)點：

保護隱私：由于聯(lián)網(wǎng)并不是TinyML工作的前提條件，數(shù)據(jù)可以被保存在沒有連接網(wǎng)絡(luò)的設(shè)備中，因此數(shù)據(jù)被泄露的風(fēng)險非常低。這剛好滿足了大量用戶的需求，很多最終用戶非常在意數(shù)據(jù)隱私，在數(shù)據(jù)開放與共享方面保持謹(jǐn)慎態(tài)度。他們不愿意將自己的數(shù)據(jù)交由第三方云平臺和邊緣服務(wù)提供商，進(jìn)行存儲和管理。面對這項需求，TinyML很好的保護了數(shù)據(jù)隱私。

超低功耗：分布最廣的物聯(lián)網(wǎng)設(shè)備往往體積很小、電量有限。它們被作為終端硬件，通過嵌入式傳感器采集各種數(shù)據(jù)；計算能力有限，對功耗極為敏感。許多物聯(lián)網(wǎng)設(shè)備都是電池供電，對于功耗的要求很高。通過極低功耗TinyML的數(shù)據(jù)分析，減少網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)量，可以在一定程度上，節(jié)約物聯(lián)網(wǎng)終端中的電量消耗。

無需連接：設(shè)備不需要Internet連接即可讓TinyML模型工作。在偏遠(yuǎn)地區(qū)、海上平臺、空間站、極端環(huán)境的應(yīng)用中，網(wǎng)絡(luò)通信有可能無法保證始終覆蓋，另外還有很多物聯(lián)網(wǎng)設(shè)備通過窄帶物聯(lián)網(wǎng)NB-IoT或者其他低功耗廣域物聯(lián)網(wǎng)通信協(xié)議與網(wǎng)絡(luò)通信，帶寬和數(shù)據(jù)傳輸能力極為有限，這些設(shè)備有強烈的在本地處理數(shù)據(jù)的需求，以減少數(shù)據(jù)的傳輸，降低網(wǎng)絡(luò)帶寬和傳輸功耗的壓力，避免在終端和邊緣設(shè)備之間形成帶寬瓶頸，影響整套物聯(lián)網(wǎng)解決方案的性能。

極低延遲：TinyML可以以極低延遲處理數(shù)據(jù)。TinyML通過將某些機器學(xué)習(xí)任務(wù)轉(zhuǎn)移到設(shè)備本身，來進(jìn)一步減少網(wǎng)絡(luò)延遲的可能性。TinyML允許在不連接任何服務(wù)器的情況下進(jìn)行分析，物聯(lián)網(wǎng)設(shè)備可以實時處理數(shù)據(jù)并及時輸出。

很多公司開始嘗試將TinyML應(yīng)用于各種場景，最普遍的應(yīng)用是設(shè)備上的喚醒詞檢測、人數(shù)統(tǒng)計和人員檢測。還有一些公司嘗試將TinyML用于機器聽覺。

和視覺信息一樣，聲音無處不在。語音啟動的設(shè)備，在智能家居的應(yīng)用中非常常見，最典型的比如智能音箱。還有很多聲音，比如機床震動的聲音、車輛拋錨的聲音、報警器鳴響的聲音…這些聲音不同于語音，沒有語言模型。

過去我們極大的發(fā)展了機器視覺，現(xiàn)在我們正在賦予機器聽覺。隨著越來越多的物聯(lián)網(wǎng)企業(yè)正在將分析的重點從視頻轉(zhuǎn)移到音頻，TinyML正在開啟一片新的藍(lán)海。

寫在最后

TinyML賦予千億終端設(shè)備以智能，是我們值得關(guān)注的確定性機會之一，但它并不是全部，還有很多商機有待我們一起挖掘。

參考資料：

1.Launching Useful Sensors!，作者：Pete Warden，來源：PETE WARDEN'S BLOG

2.Former Googler creates TinyML sensor startup，作者：STACEY HIGGINBOTHAM，來源：staceyoniot.com

3.ABI Research predicts the growing importance of TinyML SaaS，來源：FutureIoT