今年2月，來自谷歌、微軟、高通、三星和6所大學的一組研究人員齊聚加州圣何塞，討論將機器學習帶到網絡最遠端的挑戰，尤其是運行在傳感器或其他電池驅動設備上的微處理器中。

這就是盛大的“微型機器學習峰會”，該峰會的主旨是找出如何在最小的微處理器上運行機器學習算法。在邊緣的學習將推動更好的隱私實踐，更低的功耗，并在未來的設備中構建新應用。

神經網絡的訓練是機器學習的核心，這種訓練需要大量的數據。最終會把它訓練成一個無論是下圍棋還是響應語音指令的任務模型。

許多公司目前專注于為機器學習構建專門的硅材料，以便在數據中心內訓練網絡。他們還希望在邊緣使用硅來對機器學習模型進行推理運行數據，以查看數據是否與模型的結果相匹配。但是，這個微型機器學習生態群（Tiny ML）的目標是對最小的處理器進行推理，比如為遠程傳感器供電的8位微控制器。

如果我們討論的是智能手機之類的東西，那么在邊緣推理方面已經有了很大進展。在2019年11月，谷歌開放了兩個版本的機器學習算法的源代碼，其中一個運行所需的能量減少了50%，另一個運行速度是之前版本的兩倍。還有一些初創公司，如Flex Logix、Greenwaves和Syntiant，使用專用的硅來應對類似的挑戰。

但是Tiny ML有不同的目標。想象一下，如果機器學習模型，能夠把對話和助聽器上的背景噪音區分開來。如果您無法在設備本身上安裝該模型，那么您就需要在運行在該模型上的云保持無線連接。但如果您能夠安裝它的話，直接在助聽器上運行該模型更有效、更安全。

Tiny ML的研究人員也在嘗試在電池供電的邊緣設備上使用ML來進行更好的數據分類。Latent AI公司首席執行長Jags Kandasamy表示，他的公司正在與制造增強現實和虛擬現實耳機相關公司進行談判。Latent AI正在開發用于微型處理器的神經網絡壓縮軟件。這些公司希望利用他們的耳機收集的大量圖像數據，對設備上看到的圖像進行分類，這樣他們就可以將有用的數據發送到云上，供以后培訓使用。 “如果你已經看到了10輛豐田皇冠，它們真的有必要轉移到云端嗎？”Kandasamy問道。

由于機器學習通常需要大量的電力，而將設備上的數據進行分類可以減少收集到云中的數據量，從而節省帶寬和電力。

當涉及到機器學習時，很多人覺得數據越大才越好，但我對將機器學習應用到邊緣的潛力感到興奮。盡管Tiny ML仍然專注于推理的挑戰，也許有一天我們甚至可以考慮在邊緣上訓練網絡本身。