1 1.1从AI到EAI AI即人工智能，赋予机器可以模仿人类利用知识完成某些行为。

嵌入式设备种类繁多，在生活中到处可见，例如手机、家电、电动车、电梯。生活中存在的海量嵌入式设备，是EAI发展的现实基础，而人工智能技术在近几年的突飞猛进，为EAI的发展提供了技术保障。

EAI即Embedded AI嵌入式人工智能，早在2018年9月中国（上海）国际嵌入式大会期间，何积丰院士指出，人工智能有向嵌入式系统迁移的趋势，嵌入式人工智能是一个崭新的重要机遇，同时指出，边缘计算、机器学习、AI芯片是嵌入式人工智能的三项前沿技术【1】。苏州大学王宜怀老师认为，嵌入式人工智能是以一般意义上的人工智能算法为基础，以嵌入式应用实践为目标，将人工智能训练和推理算法构件驻留于嵌入式计算机内部，实现嵌入式终端智能化，它是伴随着机器学习理论与算法的发展、嵌入式芯片性能的提高、嵌入式智能终端的市场需求而提出的，是人工智能产业化落地的主要形式【2】。

1.2嵌入式芯片的发展 我国首款嵌入式人工智能视觉芯片是在2017年12月20日由地平线机器人技术团队发布的面向智能驾驶的“征程1.0”处理器和面向智能摄像头的“旭日1.0”处理器，该芯片完全由中国企业自主研发，具有高性能、低功耗、低延时等特点，可直接嵌入至终端设备。

“征程1.0”处理器具备同时对行人、机动车、非机动车、交通指示牌等多类目标进行精准实时检测与识别的处理能力。基于该芯片研发的智能驾驶平台支持260种交通标志牌的检测, 对红绿灯、当前车道和相邻车道可行驶区域的识别准确率大于95%。

“旭日1.0”处理器具备在前端实现大规模人脸识别检测跟踪、视频结构化的处理能力, 能应用于智能城市、智能商业等场景。结合该芯片形成的人脸抓拍识别系统单帧最高能抓拍120个人脸, 功耗仅为1.5瓦。

2018到2019年是嵌入式人工智能发展非常有历史性的两年，这两年期间各大厂商做出了端侧神经网络超级计算芯片，并将功耗控制在了电池可使用的范围内。例如intel推出的Movidius神经网络计算棒，Nvidia推出的Jetson-Nano、瑞芯微推出的3399Pro等等，使得原先不可能实现的嵌入式人工智能项目可以成功落地。由此可见，人工智能芯片的发展极大地推动了嵌入式人工智能项目的发展。而嵌入式芯片之所以突飞猛进，是因为舍弃了通用指令集，因为通用指令集的功耗和性能，并不能体现出嵌入式的优势，所以各大厂商使用了自己的指令集，因为各大厂商指令集的不通用性，大大提高了嵌入式开发的复杂性，而使用通用指令集，则可单纯依靠高级编程语言，编码再编译后即可使用。

2 2.1案例一 2015年成立的深圳地平线机器人科技有限公司，为嵌入式人工智能平台发布了许多人工智能专用处理器Brain Processing Unit（BPU），以及智能驾驶处理器。曾在2018年发布过嵌入式人工智能抓拍识别摄像机，搭载的就是他们自研的嵌入式人工智能视觉芯片，将使用人工智能技术处理人脸识别问题，从旧式的上传照片到服务器再进行处理的云端处理方式，改进为了在摄像机本地提取人脸数据特征，只将人脸特征数据传送到服务器即可。我在工作时曾使用过这个摄像机，主要用于智能安防方向。综上所示，这样做的好处包括：实时性高、无用数据传输量减少、对网络依赖性小和使用专用嵌入式人工智能处理器，性能更强【3】。

2.2案例二 当前智能手机都有语音助手，例如苹果手机的Siri，华为的小艺，小米的小爱，微软的小娜，但这些语音助手都只能联网使用,在断网状态下功能相当不完善，可知这些语音助手都是在云端进行数据处理的，如果可以将语音助手程序本地化部署在嵌入式设备中，则在断网状态下也可正常使用。此案例可总结出，在嵌入式设备中本地化部署人工智能程序，可有效提高系统的可靠性，减少流量消耗，有效的保护用户隐私数据。

2.3案例三 京东配送机器人是由京东研发，进行快递包裹配送的人工智能机器人。它拥有基于认知的智能决策规划技术，遇到障碍物时，在判断障碍物的同时判断出行人位置，并判断出障碍物与行人运动方向与速度，通过不断深度学习与运算，做出智能行为的决策。除此之外，京东无人仓的日处理订单能力相当于人工仓库效率的5倍。

毫无疑问，未来会有很多岗位被机器人取代，而实现这种机器人的技术就是在嵌入式平台上的人工智能应用。

3 3.1国内近期讨论 GTIC 2021嵌入式AI创新峰会于5月25日在北京举办，此处介绍会议上的一些观点。

大华股份先进技术研究院科学家朱树磊做《嵌入式AI算法模型微服务的设计与实践》演讲。微服务架构在服务端开发中已十分普遍，它把功能模块拆分出来，运行在不同的进程或不同的服务器上，相比于单体架构，微服务提高了开发效率、降低了开发难度、维护成本和开发时间，可扩展性强。他认为，在当前行业AI智能需求快速增长的背景下，嵌入式算法产品架构设计和开发流程亟须变革，嵌入式平台模型微服务化能够降低嵌入式开发的门槛。但是相比于云原生微服务，嵌入式微服务在功耗、算力、内存等资源方面受限，无法复用成熟的云原生生态，需要自己打造。他认为，打造模型、接口、代码三大编译器是嵌入式平台模型微服务化的关键。

知存科技CEO王绍迪谈到，当前已进入后摩尔时代，尤其当芯片进入7nm和5nm阶段后，研发速度放缓，芯片研发成本急剧增高，每一次迭代单个芯片成本增加1倍。但嵌入式设备对先进工艺芯片的需求并不强烈，反而更青睐于低成本、低功耗、易开发的芯片。目前的芯片都是采用冯诺依曼架构，早期的冯诺依曼计算机结构是以运算器为中心，后期的冯诺依曼计算机结构以存储器为中心，而存储器的速度与芯片速度严重不匹配，导致计算机整体计算速度慢。为了解决存储器瓶颈问题，出现了许多不同的方案，包括3D Xpoint、近内存计算、近存储计算和存内计算。王绍迪认为存算一体是最高效率的AI计算【4】。存算一体芯片技术，旨在把传统以计算为中心的架构转变为以数据为中心的架构，其直接利用存储器进行数据处理，从而把数据存储与计算融合在同一个芯片当中，可以彻底消除冯诺依曼计算架构瓶颈，特别适用于深度学习神经网络这种大数据量大规模并行的应用场景。

4 4.1 EAI论文阅读总结 以下是我在知网上查找到的论文，论文内容多为人工智能算法在嵌入式平台的实现。做了一个表对论文简单进行统计，关注重点为神经网络模型和嵌入式设备。

论文

神经网络模型

嵌入式设备

基于CNN的汽车安全驾驶辅助系统的设计与实现_陶文

LeNet-5

Caffe

树莓派、

Intel Movidius神经计算棒

基于NB_IoT的垃圾回收智能管理系统研究与实现_戚逸然

LeNet-5

基于STM32微控制器的开发板，阿里云服务器

基于机器学习的人脸表情识别与分析系统_孙雨琛

MTCNN

Multi-task convolutional neural network(多任务卷积神经网络)

NVIDIA Jetson TX2，一台7.5瓦的单模组超级计算机，可为终端提供AI计算功能

基于卷积神经网络的手势识别算法优化及嵌入式实现_张玉婷

CNN（卷积神经网络）

Xilinx ZC706开发板

基于人工智能的罐车装料口视觉跟踪系统研究_朱佩

SSD

Single Shot MultiBox Detector

以Contex-A7为处理器的开发板

基于人工智能的水稻病害检测系统研究_牛旭

CNN

TensorFlow

ARM 开发板

基于人脸属性识别的嵌入式电影推荐系统_许锐

宽残差神经网络

Keras、TensorFlow

RK3399开发板

基于深度学习的视觉目标跟踪系统设计与实现_张明喆

GOTURN

基于深度学习的物体追踪

NVIDIA Jetson TX1

嵌入式人工智能与物联网实验开发板教学应用_杨焕峥

意法半导体公司的STM32系列

轻量级卷积神经网络的嵌入式人脸检测与识别系统设计与实现_郭嘉

MTCNN

NVIDIA Jetson TX2

树莓派

通过对以上论文的阅读，可以发现在以上的嵌入式人工智能应用系统中，嵌入式设备都是性能强大、功能完善的开发板，使用这些开发板可以简化底层的工作，在将代码从不同平台移植的时候，可以更加方便，但成本也会上升。

以上论文中大部分嵌入式平台都搭载了Linux操作系统，目前常用的嵌入式操作系统除了Linux还有Android等。但是与PC开发不同，嵌入式的开发环境更加复杂，为了实现更低的功耗和专一的功能，嵌入式芯片厂商往往会加入专有的IP核、DSP、ASIC等来实现特定的运算加速，嵌入式专用芯片的效率远远高于PC，而成本和功耗又低于PC的CPU。开发嵌入式人工智能项目，往往都是在PC上开发完成，再移植到嵌入式平台，需要多注意嵌入式平台芯片的指令集与通用指令集的异同。

以上论文的共性为，都是做的计算机视觉。对论文的内容进行概括，可以知道要成为一名EAI开发工程师所需要的技术栈，包括嵌入式Linux开发、STM32开发、人工智能等。

EAI嵌入式人工智能发展现状研究 https://blog.51cto.com/u_15061951/4731014