在本系列的前兩篇博客中，包括Wi-Fi 網狀網絡和物聯(lián)網以及RESTful API 和在物聯(lián)網中移動數據，我們研究了構成物聯(lián)網的設備之間的通信所涉及的挑戰(zhàn)和解決方案。物聯(lián)網（物聯(lián)網）。即使即將推出 5G 網絡及其提供的功能（包括更快的速度、移動性重點、可擴展性，以及它是允許增量升級的軟件定義標準這一事實），物聯(lián)網仍準備用前所未有的海量數據淹沒這些網絡。因此，功能性物聯(lián)網的部分解決方案是明智地將哪些數據傳輸到網絡。如果設備可以在端點本地對原始數據執(zhí)行更多處理，那么需要傳輸的原始數據就會更少。這個概念被稱為邊緣計算——或更不常見的霧計算。

邊緣計算的核心只是意味著在靠近生成數據的端點處處理原始傳感器數據，而無需進入云端使用高端服務器的繁重計算能力。人工智能(AI) 算法包括一組不斷發(fā)展的軟件——機器學習（ML 和神經網絡驅動的深度學習 (DL) 是實現(xiàn) AI 的主要方法）將實現(xiàn)進行這種本地巨大數據處理所需的大部分創(chuàng)新。這些算法需要大量計算。對于嵌入式系統(tǒng)而言，這是一個挑戰(zhàn)。嵌入式系統(tǒng)歷來優(yōu)先考慮低成本、低功耗和小占用空間，而不是這些下一代算法必須具備的有效內存和處理能力。

輸入不起眼的現(xiàn)場可編程門陣列(FPGA)。FPGA 并不新鮮。事實上，它們是在 80 年代發(fā)明的。Xilinx 的創(chuàng)始人于 1985 年將第一款商業(yè)上可行的 FPGA XC2064 推向市場。

正在發(fā)生變化的是，價格和性能正在達到這樣的水平，即使是為物聯(lián)網端點提供動力的低成本設備，它們也是有吸引力的選擇。較低密度的 FPGA——例如，具有很少可配置邏輯塊的 FPGA——由于多種原因成為物聯(lián)網的一個有吸引力的選擇：

FPGA 使并行處理成為可能。此功能是實現(xiàn)神經網絡高性能的理想選擇。

FPGA 具有可重新配置的靈活性。這一點至關重要，因為 AI/DL/ML 算法仍在進行中；因此，它們不斷得到改進。能夠更新意味著即使是現(xiàn)場硬件也可以利用未來的改進。

甚至更低密度的 FPGA 在越來越小的封裝中封裝了越來越多的邏輯和 I/O 塊。這些改進也伴隨著相應的成本下降。這對于必須應對微薄利潤率的面向消費者的物聯(lián)網設備至關重要。

低密度 FPGA 的能效非常適合物聯(lián)網用例。這對于電池供電和其他低功耗應用至關重要。試想一下，由于這些算法，你后兜里最新的 Android 和 iOS 設備能夠進行面部識別和增強現(xiàn)實 (AR)。

FPGA 正在獲得更好的設計工具，使其更易于在嵌入式系統(tǒng)中使用。授權工程師改進開發(fā)周期意味著更快的上市時間。即使是面向制造商的 Arduino 平臺也憑借其最近發(fā)布的 MKR Vidor 4000 和即將發(fā)布的基于云的塊編程接口進入了 FPGA 市場。

應該注意的是，將數據返回到可以積累和處理集體數據的云服務確實有好處。教授和改進 ML 和 AL 算法需要訪問大量數據。物聯(lián)網非常樂意提供數據。教授 AI 算法需要大量的處理能力，而大塊頭仍然可以做得更好。但是，一旦人工智能算法得到改進并作為物聯(lián)網端點的升級實施，嵌入式設備就會變得更加智能。讓他們在面對現(xiàn)實世界中的新場景時做出更好的決策。正如人類不斷學習和提高他們的心理技能一樣。

審核編輯：湯梓紅