Edge AI减少了延迟，处理速度更快，减少了对互联网持续连接的需求，以及更少的隐私问题。随着对实时智能需求的增长，这项人工智能技术代表了数据处理方式的重大转变。

直接在设备内使用Edge AI，在数据源附近进行计算，而不是在使用云计算的场外数据中心进行计算。Edge AI减少了延迟，处理速度更快，减少了对互联网持续连接的需求，并可以降低隐私风险。这项人工智能技术代表了数据处理方式的重大转变，影响广泛，从消费者应用到高级汽车功能，再到工厂自动化。

Edge AI的最大价值是它所能提供的高速功能。与云/数据中心人工智能不同，Edge AI并不是通过网络链路发送数据，它是在本地进行计算的（通常是在实时操作系统上）。对于时间敏感的情况，如使用机器视觉或汽车应用的生产线，Edge AI提供即时响应时间，而不需要通过网络或云服务器发送数据所带来的不确定响应时间。

Edge AI已经影响到了每个行业。包括仓储和工厂在内的供应链利用了这项技术。这项技术也延伸到运输业，包括无人机。医学技术是另一个前景广阔的领域。例如，开发心脏起搏器和其它产品的工程师可以设计工具来寻找异常心律，并为何时寻求医疗援助提供指导。

Edge AI是机器学习（ML）的一种形式，它基于一种统计算法来匹配模式。生成ML模型有几种途径：可以使用集成的开发环境，如TensorFlow 或 PyTorch，也可以使用SaaS平台（如Edge Impulse）。构建一个好的ML模型的大部分工作都是创建一个有代表性的边缘人工智能数据集并很好地标记它。

Edge AI最流行的ML模型是一个边缘人工智能管理模型，这是一种基于标记和标记样本数据的训练类型。这种类型的训练通常用于诸如分类工作或数据回归等应用。管理训练可能是有用和高度准确的，但它在很大程度上依赖于标记的人工智能数据集，可能无法处理新的输入。

针对Edge AI工作的硬件

Edge AI实现通常运行在微控制器、 FPGA和单板计算机（SBC）上。最近支持这些功能的硬件版本包括NXP公司的MCX-N系列，以及ST微电子公司的STM32MP25系列。运行Edge AI的开发板包括SparkFun的 Edge Development Board Apollo3 Blue, AdaFruit的EdgeBadge, Arduino的Nano 33 BLE Sense Rev 2, 和Raspberry Pi的 4/5版本等。神经处理单元（NPU）在边缘人工智能领域也取得了一些进展。这些专用IC旨在加速基于神经网络的ML和人工智能应用处理。这些神经网络是基于人脑结构，有许多相互连接的层和节点，称为神经元来处理和移动信息。具有专用数学处理的最新一代NPU包括NXP的MCX N系列和ADI的MAX78000。谷歌Coral和Hailo正在开发针对Edge AI的人工智能加速器。

SparkFun的边缘开发板Apollo3 Blue

ML传感器

带有机器学习模型的高速摄像机用于供应链过程，如在仓库中定位产品或在生产线中识别有缺陷产品。低成本的人工智能视觉模块可以运行ML模块来识别物体或人。运行ML模型需要一个嵌入式系统，其中包括支持人工智能传感器，也被称为ML传感器。一些类型的人工智能传感器与ML训练可以执行更有效，如相机传感器ML模型可以跟踪对象和人，或IMU。加速度计和运动传感器，可以检测活动概况。

一些人工智能传感器预装了一个ML模型。例如，用于感知人的SparkFun eval控制板，通过编程检测人脸并通过QWiiC I2C接口返回信息。另外人工智能传感器，比如Arduino公司的Nicla Vision ，以及Seeed Technology公司的OpenMV Cam H7 ，接受训练后可以寻找缺陷和物体。

Seeed Technology公司的OpenMV Cam H7

通过在人工智能传感器设备层面实现更快、更安全的数据处理，边缘人工智能（Edge AI）的创新将是深远的。在不久的将来，我们看到的一些领域包括用于计算神经网络算法的专用处理器，与云计算相比的能耗相比更低，以及具备集成或模块选项，如包括内置传感器和嵌入式硬件人工智能视觉部件等，将成为更有价值的边缘人工智能方案。