对于注重数据安全和隐私防护的客户来说，这也大大地限制了AI的应用场景。
好消息是，CESM工程师们，刚刚提出了一个新颖的解决方案让AI运算能够在基于微型电池(或光伏发电板)的本地小尺寸装置上运行。
这套人工智能边缘计算方案，能够将数据留在本地完成(而无需上传到云端)。
更棒的是，该系统采用了完全模块化的设计，且能够针对需要实时信号/图像处理的任何应用进行定制尤其在涉及敏感数据时。
据悉，CESM研究团队将在今年6月于京东举办的2021 VLSI电路研讨会上展示现有的装置，上面的集成电路能够执行复杂的AI操作，比如面部/语音/手势识别，以及心脏监测。
CSEM的AI片上系统(SoC)还另了全新的信号处理架构，能够较大限度地减少运行时的功率。
板载带有自研RISC-V处理器的ASIC芯片，以及两个紧密耦合的机器学习加速器其中一个用于面部检测，另一个则专注于分类。
在二叉决策树(BDT)引擎的加持下，它可用于执行简单的任务，但不能开展识别操作。
CESM片上系统研究主管Stéphane Emery表示：“以面部识别应用为例，系统中的第一组加速器会回答初步的问题，即图像中是否有人？如有检出，则他们的面部是否清晰可见？”
此外在语音识别案例中，第一个加速器可用于确定是否存在噪音、以及该噪声是否与人声匹配，但它并不能分辨出特定的声音或单词，此时基于卷积神经网络(CNN)引擎的第二组加速器能够派上用场。
它能够执行更加复杂的任务，比如识别人物面孔的特征、以及检测特定的单词，但相应的能耗也更高。
通过两者的相辅相成，可最终降低整套系统的功率需求，毕竟大多数时候都只有第一组加速器在运行。
作为研究的一部分，工程师们还提升了加速器本身的性能，使之能够适用于基于时间信号/图像处理的任何应用。
Stéphane Emery补充道：“无论何种应用，我们的系统都以基本相同的方式来运作，所以只需重新配置卷积神经网络引擎的对应层”。
显然，CSEM的这项创新，为配备可独立运行一年多的AI硬件设计敞开了新的大门，同时大大降低了此类设备的安装和维护成本，尤其是部署到那些难以更换电池的地方。
(原标题：CSEM工程师打造可依赖太阳能运行的低功耗AI片上系统)