人工智慧
麻省理工學院的研究人員開發了一種叫做MCUNet的系統，將機器學習引入到微控制器中，這一進展可以提高物聯網設備的功能和安全性，先進技術可以在家用電器上實現人工智慧，同時提高數據安全性和能源效率。
深度學習無處不在。這個人工智慧分支管理你的社交媒體，並為你的谷歌搜索結果服務。很快，深度學習也可以檢查你的生命體徵或者設置你的恆溫器。麻省理工學院的研究人員開發了一種系統，可以將深度學習神經網絡帶到更小的新領域，比如可穿戴醫療設備中的微型計算機晶片、家用電器，以及構成「物聯網」的2500億其他物體。
人工智慧
這個名為 MCUNet 的系統設計了緊湊的神經網絡，儘管內存和處理能力有限，但它為物聯網設備的深度學習提供了前所未有的速度和準確性。這項技術可以促進物聯網宇宙的擴展，同時節約能源，提高數據安全性。
這項研究將在下個月的神經信息處理系統會議上發表。該論文的第一作者吉林是麻省理工學院電子工程和計算機科學系Song Han實驗室的博士生。
助理教授宋漢 麻省理工學院環境管理系
物聯網誕生於20世紀80年代早期。卡內基梅隆大學的研究生們，包括78歲的 Mike Kazar，將一臺可樂機連接到了網際網路上。這個組織的動機很簡單: 懶惰。他們想在從辦公室出發去購物之前用電腦確認一下機器是否有存貨。它是世界上第一個連接網際網路的設備。現在是微軟工程師的卡扎爾說: 「這幾乎被當作笑話的笑點。」。「沒有人預料到網際網路上會出現數十億臺設備。」
自從那個可樂販賣機以來，日常物品已經越來越多地與不斷增長的物聯網相連。這包括從可穿戴的心臟監測器到智能冰箱，可以告訴你什麼時候牛奶不夠了。物聯網設備通常運行在微控制器上ーー簡單的計算機晶片，沒有作業系統，處理能力極小，內存不到普通智慧型手機的千分之一。所以像深度學習這樣的模式識別任務很難在本地的物聯網設備上運行。對於複雜的分析，iot- 收集的數據經常被發送到雲中，使其易受黑客攻擊。
和 MCUNet 一起，Han 的團隊共同設計了「微小深度學習」所需的兩個部分——神經網絡在微控制器上的操作。其中一個組件是 TinyEngine，一個類似於作業系統的指導資源管理的推理機。對TinyEngine 進行了優化，以運行一個特定的神經網絡結構，這個結構是由 MCUNet 的另一個組件 TinyNAS 選擇的，TinyNAS 是一個神經結構搜索算法。
為微控制器設計一個深層網絡並不容易。現有的神經網絡體系結構搜索技術首先基於預定義的模板搜索大量可能的網絡結構，然後逐漸找到精度高、成本低的神經網絡結構。雖然這種方法有效，但並不是最有效的。
為了運行這個微小的神經網絡，微控制器也需要一個精簡的推理機。一個典型的推理機運行系統承載了一些重量——對於它可能很少運行的任務的說明。額外的代碼對筆記本電腦或智慧型手機沒有問題，但是對微控制器來說卻是小菜一碟。
研究小組在 ImageNet 測試其他三個微控制器時也發現了類似的結果。在速度和準確性方面，MCUNet 擊敗了聲音和視覺「喚醒詞」任務的競爭對手。「喚醒詞」任務是指用戶通過聲音提示(想想: 「嘿，Siri」)或者簡單地進入一個房間，開始與計算機進行互動。這些實驗強調了 MCUNet 對大量應用的適應性。
加州大學伯克利分校的計算機科學家庫爾特·科伊策表示，這一進展「將深層神經網絡設計的前沿延伸到了小型節能微控制器的計算領域」 ，他沒有參與這項工作。他補充說，MCUNet 可以「把智能計算機視覺能力帶到哪怕是最簡單的廚房電器，或使更智能的運動傳感器。」
本地分析數據可以降低個人信息被盜的風險，包括個人健康數據。韓設想用 MCUNet 設計智能手錶，不僅能感知使用者的心跳、血壓和氧含量，還能分析和幫助他們理解這些信息。MCUNet 也可以為車輛和網際網路接入有限的農村地區的物聯網設備帶來深度學習。