编者按：本文来自微信公众号“物联网智库”（ID:iot101），作者：彭昭（物联网智库创始人&云和资本合伙人），36氪经授权发布。

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

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：

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。

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。

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。

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。

文章来源：《物联网技术》 网址: http://www.wlwjszz.cn/zonghexinwen/2021/0407/1598.html