380
TinyML微型机器学习是机器学习和物联网设备的交集，它是一门新兴的工程学科，有可能在许多行业引发革命。
在3月22到26日，TinyML基金会举办了2021 TinyML峰会，这是有史以来的第三届。
虽然本届峰会在云端举办，但同样声势浩大，而且无论是影响力还是参会者都可谓上了一个新台阶。诸多国际一线企业、业内独角兽初创公司和知名院校云集线上。
其中的代表性公司包括：ARM、高通、脸书、微软、三星、Greenwaves、SensiML、Silicon Labs、Syntiant、Qeexo、普林斯顿大学、密歇根大学、埃里克斯霍尔姆大学、麻省理工学院、斯坦福大学等。
在此前的文章中，我曾介绍过微型机器学习TinyML，也就是在终端和边缘侧的微处理器上实现的机器学习过程。更准确的说，TinyML是指工程师们在mW功率范围以下的设备上，实现机器学习的方法、工具和技术。
TinyML微型机器学习是机器学习和物联网设备的交集，它是一门新兴的工程学科，有可能在许多行业引发革命。
在这次峰会上，大家分享了TinyML的最新进展以及各种应用实例，值得关注的趋势包括：
用户对于隐私的关注推动了TinyML的发展
TinyML有可能将开启音频识别的新蓝海
最新发布的TinyML产品和工具
01、保护隐私成为TinyML发展的推动力
消费者对于隐私问题的担忧，成为TinyML发展的推动力，很多公司为了响应消费者需求，正在开发功耗更低、响应速度更快、隐私保护更佳的设备。
人工智能与设备的结合，经历了三个发展阶段：
第1阶段--云端能
在人工智能发展的初期，机器学习模型是在云端训练和托管的。运行AI所需的强大计算能力使云成为理想的选择。
开发人员和数据科学家利用高端CPU和GPU训练模型，然后托管它们以进行推理。每个消耗AI的应用程序都与云对话。该应用程序将与微控制器通信以管理传感器和执行器。
第二阶段--边缘智能
随着物联网的发展，越来越多的遍布于工业自动化、智能医疗、智能联网汽车中的场景，都要求人工智能模型能在本地运行。边缘侧成为在本地托管人工智能模型的理想选择。边缘智能可以有效避免云中运行相同AI所带来的延迟。
但是鉴于边缘资源有限，AI模型的训练仍然需要云。这种方法提供了两全其美的优势，既有用于训练的云端强大计算环境，又能兼顾用于推理的低延迟边缘托管环境。但是由于与云端进行协作，边缘智能仍旧无法解决消费者对于隐私性的担忧。
阶段3--微型人工智能
分布最广的物联网设备往往体积很小、电量有限。它们被作为终端硬件，通过嵌入式传感器采集各种数据；计算能力有限，对功耗极为敏感。某些情况下，将这类设备连接到边缘侧以便实现智能，在成本上并不划算，
直接在微处理器中嵌入人工智能，成为消费和工业物联网场景的关键。这种方法并不依赖于外部程序，也不依赖边缘和云端。这种方案能够提供最佳的实时响应，同时对隐私提供极大保护。
TinyML峰会上提供的微型机器学习的例子包括，智能家居场景中，带有传感器洗衣机和冰箱可以在电机损坏之前主动发送信号。洗衣机可以根据衣服的重量，精准的调节水位。
具备TinyML的可穿戴设备，可以脱离云端持续监测用户的睡眠水平、心率体征等健康数据。TinyML胰岛素泵可以在不必时刻保持网络连接的情况下，根据血糖水平自动释放胰岛素。这些不必时刻联网的设备，让数据处于私有状态，更加安全并保护隐私。
02、TinyML开启音频分析的新蓝海
过去我们极大的发展了机器视觉，现在我们正在赋予机器听觉。
和视觉信息一样，声音无处不在。语音启动的设备，在智能家居的应用中非常常见，最典型的比如智能音箱。
还有很多声音，比如机床震动的声音、车辆抛锚的声音、报警器鸣响的声音…这些声音不同于语音，没有语言模型。
目前越来越多的物联网企业正在将分析的重点从视频转移到音频。比如在家居场景中，亚马逊推出了Guard这项在智能音箱中的功能，用来识别窗户破碎的声音并报警。在工业场景中，预测性维护已经取得了长足的发展，很多企业监测设备的振动和声音，用来主动发现故障，为客户节省数百万元的维护成本。
在TinyML峰会中，一家名为Audio Analytic的公司分享了关于音频分析的最新进展，并且认为TinyML即将开启音频分析的新蓝海。
他们已经建立了包含700种不同声音的配置文件，可以检测到从火车进站到婴儿啼哭，常见的和不常见的各种声音。
借助TinyML，Audio Analytic公司展示了基于ARM Cortex-M0+处理器检测声音的方案。应用场景包括墙壁上安装的小型传感器，可以检测玻璃破碎的声音；降噪耳机通过识别疾驰而来的汽车的声音，主动关闭降噪功能，以便让佩戴者及时作出反应。
根据峰会中的分析，声音检测可能在4个场景取得大发展：
第一个是安全场景：比如根据玻璃破碎或者烟雾报警器的声音，通知更多人员。
第二个是个人健康：比如检测婴儿的哭声、打鼾的声音，并且及时提醒。根据烹饪时发出的声音，自动调节房间的空气质量。
第三个是家庭娱乐：比如根据外部环境和回声，根据房间大小，自动调整娱乐系统的音效。
第四个是工业应用：比如根据风力发电机振动的声音，检测叶片的裂纹并给予预警。
03、TinyML产品与工具陆续发布
Nordic Semiconductor在其nRF52和nRF53系列低功耗蓝牙芯片中引入了TinyML，并且提供相应的开发套件，成为业界首个支持人工智能技术的蓝牙产品。
Nordic将这些支持TinyML技术的蓝牙SoC应用于濒临灭绝的动物保护，野生大象佩戴了Nordic提供的蓝牙追踪项圈，帮助护林员防止非法狩猎盗取象牙的事件发生，取得了很好的效果。
SensiML联手Silicon Labs，为开发者快速研发支持TinyML的智能传感应用程序提供便利。
使用Silicon Labs提供的Thunderboard Sense 2物联网开发入门套件，配合使用SensiML提供的Analytics Toolkit AI/ ML开发软件，开发者能够快速创建运行于物联网终端设备的智能方案。
这些方案将特别适用于低功耗和能源敏感型应用，包括能源、水表和燃气表、楼宇自动化、警报及安防，和便携式医疗/健身器材。
在峰会上，Raspberry Pi联合创始人Eben Upton公布了“Pi Silicon”的未来路线，其内部专用集成电路ASIC团队正在进行下一次迭代，并且正专注于研发针对超低功耗机器学习TinyML应用程序的轻量级加速器。
同期，Eben Upton发布了三款“Pi Silicon”树莓派板，分别为SparkFun MicroMod RP2040、Arduino Nano RP2040 Connect和ArduCam Pico4ML。三款产品会将机器学习、摄像头、麦克风和屏幕集成到Pico软件包中。
尤其是售价仅为4美元的Pico4ML，提供对于TinyML的支持。比如在上图展示的样例中，Pico4ML可以同时检测到两张人脸，一个真人以及一个超级马里奥，Pico4ML以百分比值做出判断，在提供实时图像的同时，显示图像是真人的概率。
----写在最后----
划个重点。
第一，TinyML将为数以亿计的物联网终端设备带来“生命”，它将引发的变革不容小觑。
第二，消费者对于隐私问题的担忧，成为TinyML发展的推动力，很多公司为了响应消费者需求，正在开发功耗更低、响应速度更快、隐私保护更佳的设备。
第三，目前越来越多的物联网企业正在将分析的重点从视频转移到音频，TinyML可能即将开启音频分析的新蓝海。
参考资料：
Privacy and new functions will make TinyML big，作者：STACEY HIGGINBOTHAM，来源：staceyoniot.com
2021 TinyML峰会官网：www.tinyml.org/event/summit-2021
SensiML and Silicon Labs Partner to Enable Rapid Development of TinyML Applications，来源：finance.yahoo.com
TinyML is breathing life into billions of devices，作者：Adam Benzion，来源：thenextweb.com
Pico4ML Brings Machine Learning To the Raspberry Pi Pico，作者：Les Pounder，来源：tomshardware.com
下载ECAD模型
