近年來，隨著人工智能（AI）技術(shù)的迅猛發(fā)展，深度學(xué)習(xí)（Deep Learning）成為最熱門的研究領(lǐng)域之一。在語音識別、圖像識別、自然語言處理等領(lǐng)域，深度學(xué)習(xí)取得了顯著成果。從原理上看，深度學(xué)習(xí)通過多層神經(jīng)網(wǎng)絡(luò)的非線性變換擬合規(guī)律，理論上幾乎可以描述和模擬一切規(guī)律，但實(shí)際上該過程效率極低 —— 其計(jì)算復(fù)雜度往往呈指數(shù)級增長。這一特性使得深度學(xué)習(xí)與端側(cè)設(shè)備的資源約束存在根本性矛盾，導(dǎo)致其在端側(cè) AI 實(shí)施過程中屢屢碰壁。
?
端側(cè) AI 應(yīng)用對模型的可解釋性要求極高，而深度學(xué)習(xí)構(gòu)建的多層抽象體系，本質(zhì)上是用計(jì)算資源換取表征能力。這種逐層抽象機(jī)制需通過大量隱藏節(jié)點(diǎn)構(gòu)建復(fù)雜映射，不僅可解釋性差，在資源受限場景下的實(shí)際效果也不佳。因此，對于嵌入式 AI 和資源受限的應(yīng)用場景，利用特征空間成為更優(yōu)的解決方案，瑞薩電子的 Reality AI 工具便是典型實(shí)踐。
?

深度學(xué)習(xí)不再是 “萬能鑰匙”

深度學(xué)習(xí)在諸多領(lǐng)域的突破性進(jìn)展，曾使其被視作 “萬能鑰匙”，尤其是在生成式人工智能（AIGC）領(lǐng)域，已成為解決復(fù)雜問題的核心技術(shù)之一。
?
作為機(jī)器學(xué)習(xí)領(lǐng)域的重要分支，深度學(xué)習(xí)利用多層神經(jīng)網(wǎng)絡(luò)模擬數(shù)據(jù)的復(fù)雜模式。與傳統(tǒng)機(jī)器學(xué)習(xí)方法不同，深度學(xué)習(xí)通過自學(xué)習(xí)方式從數(shù)據(jù)中提取特征，并進(jìn)行多層次非線性變換，以解決圖像識別、語音處理等復(fù)雜問題。以圖像識別為例，底層網(wǎng)絡(luò)學(xué)習(xí)邊緣檢測，中層組合紋理特征，高層完成語義理解，這種逐層抽象機(jī)制在理論上能擬合任何復(fù)雜規(guī)律。
?
下圖展示了利用深度學(xué)習(xí)識別貓圖片的應(yīng)用示例：深度網(wǎng)絡(luò)的最低層學(xué)習(xí)識別邊緣、明暗梯度等視覺特征；更高層次網(wǎng)絡(luò)將這些特征組合成各種模式；再高層次網(wǎng)絡(luò)學(xué)習(xí)這些模式組合形成的標(biāo)志性形態(tài)；最高層次網(wǎng)絡(luò)進(jìn)一步組合這些形態(tài)，從而識別出貓。
? ?
通過該示例可見，在擁有足夠時(shí)間和數(shù)據(jù)的前提下，深度學(xué)習(xí)確實(shí)具備強(qiáng)大能力。然而，“足夠的時(shí)間和數(shù)據(jù)” 這一前提條件，使其在資源和數(shù)據(jù)受限且實(shí)時(shí)性要求高的嵌入式 AI 領(lǐng)域暴露出明顯缺陷。例如，由于缺乏足夠訓(xùn)練數(shù)據(jù)，在云端數(shù)小時(shí)即可完成的模型訓(xùn)練，移植到嵌入式設(shè)備可能需要數(shù)周甚至無法收斂；即便完成訓(xùn)練，深度學(xué)習(xí)得到的算法模型體量通常較大，一方面嵌入式 MCU 的存儲資源難以承載，另一方面深度學(xué)習(xí)矩陣運(yùn)算密集型特性會導(dǎo)致嵌入式設(shè)備功耗激增，而嵌入式設(shè)備往往注重低功耗，無法承受如此大的開銷。
?
因此，在嵌入式 AI 中直接使用深度學(xué)習(xí)算法框架，通常會出現(xiàn)兩種結(jié)果：一是因資源不足無法實(shí)現(xiàn)；二是雖能實(shí)現(xiàn)，但需以極低效率為代價(jià)。以工程師熟悉的快速傅里葉變換（FFT）為例，在描述和監(jiān)測旋轉(zhuǎn)設(shè)備工作狀況時(shí)，典型方法是使用 FFT，因?yàn)轭l率是振動和旋轉(zhuǎn)的天然屬性特征，F(xiàn)FT 能夠從頻譜中精確分析出設(shè)備運(yùn)行狀態(tài)是否正常。
?
如果此時(shí)簡單使用深度學(xué)習(xí)算法，工程師實(shí)際上是希望在深度學(xué)習(xí)算法網(wǎng)絡(luò)的最底層模擬出 FFT。不過，F(xiàn)FT 算法用于實(shí)現(xiàn)離散傅里葉變換（DFT），DFT 是一種線性矩陣運(yùn)算。神經(jīng)網(wǎng)絡(luò)需要用非線性激活函數(shù)構(gòu)建多層結(jié)構(gòu)來逼近這一運(yùn)算，不僅需要海量樣本覆蓋全頻率空間，否則無法訓(xùn)練出完備的網(wǎng)絡(luò)，而且即便得到完備網(wǎng)絡(luò)，也需要 N2 次乘法運(yùn)算，而 FFT 僅需 N log?(N) 次運(yùn)算。很多工程師將這種情況形容為 “用高射炮打蚊子” 。
?

特征空間的破局之道

從上述示例可以得出結(jié)論：深度學(xué)習(xí)在嵌入式 AI 領(lǐng)域仍有用武之地，比如執(zhí)行復(fù)雜決策。但在實(shí)時(shí)性要求高、數(shù)據(jù)規(guī)模小、資源有限的情況下，明智的做法是利用已知高效算法提取數(shù)據(jù)特征，基于由此發(fā)現(xiàn)的特征空間進(jìn)行機(jī)器學(xué)習(xí)，這樣既能發(fā)揮機(jī)器學(xué)習(xí)在復(fù)雜決策方面的優(yōu)勢，又能避免深度學(xué)習(xí)的資源消耗問題。
?
在嵌入式 AI 的資源約束困境中，特征空間是一套行之有效的方法論。通過將已知的數(shù)學(xué)規(guī)律或工程經(jīng)驗(yàn)轉(zhuǎn)化為 “特征提取前端”，可以重構(gòu) AI 模型架構(gòu)，實(shí)現(xiàn)傳統(tǒng)算法的高效性與機(jī)器學(xué)習(xí)的適應(yīng)性相結(jié)合。前文提到的 DFT 案例就是一個(gè)極具代表性的例子。引入特征空間方法后，嵌入式 AI 的算法模型從端到端學(xué)習(xí)模型轉(zhuǎn)變?yōu)?“特征工程層 + 輕量級機(jī)器學(xué)習(xí)模型” 的分層解耦結(jié)構(gòu)，計(jì)算資源和存儲資源能夠得到指數(shù)級優(yōu)化。
?
同時(shí)，特征空間的引入對嵌入式 AI 還有一個(gè)巨大價(jià)值：將深度學(xué)習(xí)的 “黑箱擬合” 轉(zhuǎn)化為 “白盒設(shè)計(jì)”。單純的深度學(xué)習(xí)通過多層神經(jīng)網(wǎng)絡(luò)的權(quán)重矩陣隱含特征映射，輸入與輸出之間的關(guān)系隱藏在大量參數(shù)中，無法直接追溯決策邏輯。而特征空間將已知的數(shù)學(xué)規(guī)律或工程經(jīng)驗(yàn)顯式編碼為特征提取算法，使模型決策基于可解釋的物理 / 數(shù)學(xué)指標(biāo)。這種可解釋性對嵌入式 AI 至關(guān)重要，例如在醫(yī)療場景中，可解釋性是合規(guī)的基礎(chǔ)。
?
瑞薩電子的 Reality AI 工具采用基于自動化的智能特征提取技術(shù)，幫助工程師實(shí)現(xiàn)特征空間的應(yīng)用。該工具包含一系列分析功能，可用于尋找最佳傳感器或最佳傳感器組合、確定傳感器放置位置以及自動生成組件規(guī)格，還具備完全可解釋的時(shí)域 / 頻域模型功能。借助 Reality AI 工具，工程師可以探索數(shù)學(xué)和工程領(lǐng)域中豐富且已被充分理解的特征空間，并應(yīng)用稀疏編碼等機(jī)制，相比直接使用深度學(xué)習(xí)，能夠更快地收斂到相關(guān)特征，并更高效地表達(dá)這些特征。
?
基于特征空間進(jìn)行機(jī)器學(xué)習(xí)，不僅能發(fā)揮機(jī)器學(xué)習(xí)在復(fù)雜決策方面的優(yōu)勢，工程師還可以部署更簡單的算法，如支持向量機(jī)（SVM）、決策樹或規(guī)模較小的神經(jīng)網(wǎng)絡(luò)。因此，與深度學(xué)習(xí)相比，采用 Reality AI 工具能大幅節(jié)省資源。
?

結(jié)語

嵌入式 AI 的發(fā)展已擺脫對深度學(xué)習(xí) “端到端黑箱擬合” 的路徑依賴，在特征空間方法論中找到了效率與可解釋性的平衡點(diǎn)。通過將工程經(jīng)驗(yàn)、數(shù)學(xué)規(guī)律與輕量級機(jī)器學(xué)習(xí)模型深度融合，不僅破解了資源受限場景下的計(jì)算困局，更讓嵌入式?AI 決策邏輯回歸可追溯的物理本質(zhì)。瑞薩電子 Reality AI 工具所代表的自動化特征工程方案，正是這一趨勢的最佳實(shí)踐 —— Reality AI 工具憑借智能提取、高效表達(dá)、白盒設(shè)計(jì)三重優(yōu)勢，推動嵌入式 AI 從 “蠻力計(jì)算” 向 “智慧設(shè)計(jì)” 進(jìn)化，為工業(yè)監(jiān)測、醫(yī)療設(shè)備等對實(shí)時(shí)性與可靠性要求嚴(yán)苛的場景，開辟了一條兼顧技術(shù)落地與成本控制的務(wù)實(shí)之路。