作為移動設備之后的第五波計算浪潮，邊緣計算受到空前關注。它可以參與到生活的方方面面，包括居家、辦公、城市、工廠等，使智能生活更安全、效率更高。

2020 年，Gartner 將邊緣計算列為十大戰(zhàn)略技術趨勢之一。Gartner 指出，邊緣計算是一種拓撲結構，信息處理以及內容收集和傳遞被放置在離信息源更近的位置，其核心邏輯是保持流量本地和分布式以減少延遲。

這將包括物聯(lián)網的所有技術。邊緣賦能將著眼于這些設備的增長方式并為智能空間奠定基礎，并使關鍵應用和服務更接近使用它們的人員和設備。根據預測，到 2023 年，網絡邊緣的智能設備數量可能是傳統(tǒng) IT 領域的 20 倍以上。

邊緣處理——數十億量級的藍海市場

邊緣計算何以實現這樣的增長？恩智浦（NXP）高級副總裁兼邊緣處理事業(yè)部總經理 Ron Martino 指出了背后的三大驅動因素：第一，它能夠降低總體擁有成本，不需要總是進行云接入，從而降低本地成本。第二，它可以保護數字隱私，提高安全性。第三，它能夠減少應用延遲，支持實時應用，增強本地體驗質量。

隨著邊緣計算與傳統(tǒng)分布式計算架構的深度融合，邊緣處理——正在悄然醞釀一場變革。NXP 作為在安全、連接、嵌入式領域耕耘多年的半導體廠商，將如何布局邊緣處理的廣闊市場？又會進行哪些變革？

Ron Martino 表示，邊緣處理市場可以看作一個分布式智能金字塔。底部是包括工業(yè)和物聯(lián)網在內的應用邊緣，其中工業(yè)邊緣包括工廠自動化、基礎設施、交通運輸、醫(yī)療等，物聯(lián)網邊緣包括智能家居、消費及可穿戴領域，這是邊緣處理規(guī)模最大的、十億量級的大市場；中部是網絡邊緣，主要支持 5G 本地網絡及數據集成，是一個千萬到億級的市場；最頂部則是數據中心，以云服務為主，大約是百萬量級。對邊緣處理的布局，NXP 的應用主要包括三大類：網絡邊緣、工業(yè)邊緣、物聯(lián)網邊緣，也就是金字塔底部和腰部規(guī)模最大的兩塊。

機器學習入侵邊緣處理

幾年前，人們普遍認為機器學習、深度學習只能通過由網關、邊緣服務器或數據中心執(zhí)行的邊緣訓練和推理，在高端硬件上完成。如今，情況已然發(fā)生了變化，處理器不必提供每秒數萬億次操作（TOPS），也能執(zhí)行機器學習，只要使用帶有嵌入式機器學習加速器的微控制器，就能在邊緣設備上進行機器學習。

內置機器學習加速器的微控制器代表著物聯(lián)網的下一階段：在生產數據的源頭，例如麥克風、攝像頭和監(jiān)控其他環(huán)境條件的傳感器中引入智能計算，只需極低的成本和極低的功耗，這些設備就能出色地完成機器學習，僅在絕對必要時才連接到云。

目前，機器學習在邊緣計算中的應用已經比較普遍，有 55%的開發(fā)人員表示他們當前或未來工作需要機器學習，早期的采納者已經開始探索更有意義的用例，未來則會被越來越多的開發(fā)者接受，也將使得機器學習的開發(fā)鴻溝得以消弭。

在 NXP 看來，在嵌入式開發(fā)中引入機器學習，當務之急是讓更多的開發(fā)者用起來。NXP 與 Au-zone 合作開發(fā)機器學習工具包，并與 Arm 合作，使 Arm Ethos-U65 microNPU 提供可擴展且高性能的機器學習用例。通過合作，加強 NXP 對 eIQ 機器學習開發(fā)環(huán)境的支持，幫助用戶部署優(yōu)化機器學習的模式，并且在全球范圍內優(yōu)化機器學習能力，直到 MCU 的層級。

不過，機器學習在嵌入式端具體如何實現？畢竟設備資源受限，對功耗、帶寬、存儲、模型尺寸等都有完全不同的要求。

NXP 邊緣處理事業(yè)部副總裁兼 IoT 業(yè)務線總經理于修杰表示，很多客戶其實都關心有沒有可能免費在設計中實現人工智能或機器學習，其實指的就是用 CPU 來運行。NXP 的 eIQ 工具可以部署類似這種模式，例如在家居場景中，由于人是交互對象，因此在推理方面需求不高，在機器學習方面就無需購買加速產品，從而可以降低成本。

此外，微處理器中應用處理器和神經網絡加速器的發(fā)展速度十分迅猛，更完善的解決方案也層出不窮?？傮w趨勢是將更多以人工智能為中心的功能（例如神經網絡處理）與應用處理器一起整合到微處理器中，同時避免功耗或尺寸顯著增加。

不過，目前尚處于機器學習發(fā)展的早期，會有很多迭代和戰(zhàn)略微調。他強調，機器學習和人工智能應用，在選擇處理器方面不可能做到一刀切，取決于市場對于應用的需求和對功耗、成本的容忍度，每種技術都能找到自己適用和擅長的領域，因此未來還有很大的繼續(xù)創(chuàng)新的空間。NXP 將通過可擴展的處理器，支持從簡單到復雜的機器學習用例。

EdgeVerse 是 NXP 的邊緣處理平臺，通過嵌入式處理產品組合，結合安全、軟件和整體解決方案來加速邊緣計算。具體包括 MCU、跨界處理器、應用處理器以及高端微處理器等多系列的產品組合。其適用范圍較為廣泛，據 Ron Martino 介紹，可覆蓋新基建七大重點領域中的六個，如 AI、工業(yè)互聯(lián)網、城際交通、5G、數據中心、新能源汽車充電。

邊緣賦能下，嵌入式計算將如何演進？

混合計算架構成為邊緣計算迅速融入物聯(lián)網多種多樣應用中的一個趨勢，跨界 MCU——就是 NXP 順應這一趨勢的創(chuàng)新。所謂“跨界”，是指介于常規(guī)的 MPU 與 MCU 之間，采用了 MCU 的內核，但基于 MPU 的架構，因此既能實現 MPU 的高性能和豐富功能，同時又兼具傳統(tǒng) MCU 的易用性、低功耗、低成本的特性，從而打破了 MPU 和 MCU 之間的界限。

Ron Martino 指出，機器學習已經出現約 20 年了，一旦發(fā)布一款芯片，人們就會嘗試在處理引擎上運行各類計算，不論是 DSP、CPU 還是 GPU，隨著高集成度的出現，在產品中使用這些計算密集型神經網絡也成為可能。在軟件層面，整個協(xié)議棧到軟件和應用層，也必須從機器學習的角度對許多方面進行評估。而更重要的是用戶體驗，需要找到他們真正想解決的問題。這就使得當前對于機器學習的用例優(yōu)化非常重要，通過硬件 IP 與軟件相結合，真正解決終端應用需求。

“邊緣計算有著廣泛的可能性，無論是性能還是能力，因此可擴展的解決方案具有更大的價值，它能夠充分挖掘邊緣計算的能力，這也需要非常廣泛的器件組合，在滿足軟件方面要求的同時又能夠兼顧平臺的效率”，Ron Martino 強調，“安全也越來越重要，隨著接入點的增多，產生了非常多的關鍵數據，安全性和不斷集成的功能已經成為極為重要的因素，也成為嵌入式計算不斷演進的關鍵因素。”

至于嵌入式計算會如何演進？他表示，這些年來嵌入式計算的關鍵指標從頻率、單線程性能一直到具有很多計算模塊的異構計算，能耗效率和成本效益在不斷提升，機器學習功能也會不斷進化。在開發(fā)嵌入式計算產品方面不僅要結合各種計算模塊實現互聯(lián)，也需要進行軟件的優(yōu)化賦能和硬件的用例優(yōu)化。機器學習和傳統(tǒng)的 CPU 工作負載有不同，比如內存的接入可能會成為一個潛在的瓶頸，另外還需要優(yōu)化它的尺寸，將其作為計算部件的一部分，實現與 CPU 功能及其他功能的協(xié)同，這是涉及系統(tǒng)級優(yōu)化的復雜過程，需要熟練的制造流程作用于軟件和硬件應用，以便真正優(yōu)化性能并降低功耗。

編輯：hfy