近几年AI的发展「边缘运算」（Edge Computing）越来越热门。随着硬件芯片的性能提升，让以往只能作为「接收」功能的端口也能用于协助运算，使AI运作更有效率；例如自动煞车系统、智能音箱等，都是边缘运算的实际应用。
本文跟大家解析MCU在AI边缘运算中的应用。
MCU，机器学习的另一种选择
在进入边缘运算之前，先来了解一下何谓MCU？
说到机器学习（Machine Learning）时，你会联想到什么呢？是电影中那种巨大且排满主机的舱房吗？但运用这种方式不仅须消耗大量电力，所排放的废热更是惊人，能使数个国家级的游泳池从冷水变成温水！
传统的机器学习需要数量庞大的主机
然而，其实机器学习（Machine Learning）有更节约能源的方式— 也就是利用MCU。
MCU的优缺点比较
MCU（Microcontrollers）具备其他硬件所没有的优点，比如体积小、价格便宜、省电等，这些特性可为附加的系统降低成本。因此，未来若想让AI应用在生活的各层面，MCU无疑是最佳选择。
不过目前市面上的大量运算装置，大多专注于CPU、GPU，或类似超级计算机的云端（Cloud）。但是MCU在效能表现相对低落，因此目前要将MCU应用于AI运算，看来还有困难。
各类硬件运算效能比较
为了使MCU能于生活的各个面向执行AI运算与应用，一些行业专家，结合各种MCU优缺点，开发出开源项目uTensor，也就是想发展一套基于mbed的精简版TensorFlow框架，实现MCU边缘运算的目标，目前已做出手写识别的Demo。
边缘，现实与虚拟的交界
首先来定义Edge，所谓的「边缘」，其实是虚拟与现实世界的交界边缘（Edge）。从物联网（IoT）到MCU全都属于数字的范围，而数字接触不到的地方，则是现实世界。目前在现实世界中，还有许多信息无法被上传到数字的虚拟世界，因此两者之间的接缝，就是「边缘」。
但问题来了：该如何将现实世界中数量庞大的信息连接到物联网呢？必须部署好几万个感测节点（sensor node）才能达成；但是，并不是每个人、每个环境都具备WiFi、4G/5G等通讯协议支持，那么该如何做？
有行业人士认为，LPWAN的LoRa就是最佳选择。如同下图所示意的发讯塔，如果放在城市大楼的顶端，那么网络的覆盖率达到一、二十公里绝不是问题，虽然比特率（birate）不高，距离越长递减越严重，但长距离覆盖与功耗极低的特性，相当适合拿来进行IoT的传输。
LoRa的发讯特性
那么，另外还有那些适合边缘运算的通讯协议呢？需要从以下两点来检视：首先电力与带宽是首要考虑，再来是传输距离长短。因为边缘运算的理想状态，就是能依靠电池或太阳能供电；带宽则选择长距离、低功耗的LPWAN，在这样的选择下所画出的扇形图（如下图），即为边缘运算可运用的通讯区块。
通讯协议之电力与带宽比较
问题是，此区块中的传输效能不佳，像是音频、视频等类型的数据不可能上传到云端进行运算，因此该如何设计边缘运算，还需要经过仔细的思考推敲。
透过编码与译码，执行边缘运算
目前有一种解决方案是透过人工神经网络（Neural Network）将原有的信息编码（encode）、压缩，缩小其容量，使其能于LPWAN环境下传输到云端，再进行译码（decode）。
因为若将编码、译码分散在MCU装置与云端上分别处理，MCU本身就不需要处理或传输过于庞大的数据；另一个好处是，解碼的云端透过迁移学习（Transfer Learning）替换较为容易，透过同样的装置，便能在云端变换出不同的应用。
迁移学习的运作示意图
小结
回顾上文可以发现，即使科技发展不断追求效能与硬件的表现，但未来最需要的关键词仍然是「永续」；即使超级计算机的运算能力再杰出，若不能有效地普及于日常生活之中，其发展性依然会受到局限。
反观MCU与边缘运算，虽然于现阶段都还存在限制，但随着技术的持续发展，相信在此领域中存在很大空间。
============================
