Ceva能否引爆TinyML市場(chǎng)？

嵌入式系統(tǒng)中的TinyML可以通過(guò)多種方式實(shí)現(xiàn)，通常是利用增強(qiáng)型MCU、DSP、AI加速器和NPU。目前的難題是，如何在TinyML的預(yù)算范圍內(nèi)，以最佳方式開(kāi)發(fā)具有機(jī)器學(xué)習(xí)（ML）功能的嵌入式系統(tǒng)。?

幾乎每項(xiàng)新技術(shù)都會(huì)讓業(yè)界浮想聯(lián)翩，隨之而來(lái)的是大量新工具、新軟件和新硬件的發(fā)布，這一切都助長(zhǎng)了市場(chǎng)快速增長(zhǎng)和批量銷(xiāo)售的夢(mèng)想。

然后是現(xiàn)實(shí)。

TinyML就走到了這一步。

自TinyML于2019年首次發(fā)布以來(lái)，嵌入式行業(yè)一直在努力將TinyML帶回家。然而，空談?wù)`國(guó)，TinyML現(xiàn)實(shí)可行嗎？

首先，嵌入式系統(tǒng)工程師并不一定是AI專(zhuān)家。在許多情況下，TinyML被證明是嵌入式系統(tǒng)設(shè)計(jì)師的第一個(gè)AI項(xiàng)目。

評(píng)估TinyML的真正市場(chǎng)潛力也不那么簡(jiǎn)單。

TinyML是ML的一個(gè)類(lèi)別，其模型體積小，運(yùn)行功耗低。然而，TinyML受制于AI軟件和硬件的不斷發(fā)展，這可能會(huì)模糊TinyML在市場(chǎng)中的定義。

在此背景下，Ceva前不久推出了“new TinyML optimized NPUs”，即Ceva-NeuPro-Nano NPU。Ceva確信，它擁有所有正確的技術(shù)要素，可以幫助系統(tǒng)設(shè)計(jì)者打入TinyML市場(chǎng)。

NeuPro-Nano是Ceva首次涉足TinyML市場(chǎng)。Ceva副總裁兼傳感器和音頻BU總裁Chad Lucien說(shuō)，Nano的重點(diǎn)是“AI的設(shè)備和嵌入式實(shí)現(xiàn)”。

與Nano無(wú)關(guān)，Ceva此前發(fā)布了面向邊緣AI市場(chǎng)的NeuPro-M，專(zhuān)注于生成式AI和大規(guī)模NPU實(shí)現(xiàn)等應(yīng)用。M和Nano都屬于Ceva的NeuPro NPU系列。

Lucien承認(rèn)，業(yè)界尚未接受一個(gè)大家都遵守的統(tǒng)一的TinyML定義，因?yàn)樵S多玩家都在以不同的方式使用這個(gè)術(shù)語(yǔ)。Ceva堅(jiān)持使用自己的術(shù)語(yǔ)，表示TinyML“功耗通常為1W或更低，支持每秒千萬(wàn)次運(yùn)算（GOPS）”。

Ceva的NeuPro NPU系列提供了從數(shù)十GOPS到數(shù)千TOPS的IP組合。

AI軟件棧??

Ceva還推出了Ceva NeuPro Studio，這是一個(gè)專(zhuān)為NeuPro系列設(shè)計(jì)的AI軟件棧。Lucien表示，該軟件?！皣@行業(yè)開(kāi)放標(biāo)準(zhǔn)構(gòu)建”，包括TFLM（TensorFlow Lite）和μTVM（microTensor Virtual Machine)。

客戶的意見(jiàn)讓Ceva認(rèn)識(shí)到，“當(dāng)今AI市場(chǎng)的痛點(diǎn)之一是缺乏跨產(chǎn)品組合的通用軟件接口。”

Ceva的NeuPro Studio包括標(biāo)準(zhǔn)庫(kù)，如經(jīng)過(guò)訓(xùn)練和優(yōu)化的TinyML模型的Model Zoo，涵蓋語(yǔ)音、視覺(jué)和傳感用例。

TinyML：爆炸式增長(zhǎng)？

ABI Research是密切跟蹤TinyML市場(chǎng)的公司之一。據(jù)ABI的行業(yè)分析師Paul Schell稱(chēng)，其最新的TinyML報(bào)告尚未發(fā)布，但“即將發(fā)布”。

Schell承認(rèn)，ABI“尚未見(jiàn)證TinyML的爆炸式增長(zhǎng)”。但隨著其“采用率穩(wěn)步上升”，他仍然保持樂(lè)觀?！半S著硬件和軟件能力的不斷提高，使用案例的數(shù)量也在不斷擴(kuò)大”。

Schell之所以對(duì)TinyML持樂(lè)觀態(tài)度，有幾個(gè)因素，其中包括更好的硬件的出現(xiàn)。同樣重要的是，關(guān)鍵軟件工具的易用性也得到了改善。

Schell還看好NPU，如Ceva的NeuPro-Nano IP。他說(shuō)：“像NPU這樣能夠加速AI工作負(fù)載的創(chuàng)新，將使要求更高的神經(jīng)網(wǎng)絡(luò)能夠在嵌入式設(shè)備上運(yùn)行，特別是在機(jī)器視覺(jué)方面。從簡(jiǎn)單的音頻和視覺(jué)檢測(cè)到分類(lèi)，如果沒(méi)有NPU，以前需要更高的功耗?！?/p>

他補(bǔ)充說(shuō)：“針對(duì)AI模型的軟件壓縮技術(shù)（如量化）的創(chuàng)新也擴(kuò)大了可在嵌入式設(shè)備上運(yùn)行的更高要求應(yīng)用的數(shù)量?！?/p>

ABI還在MLOps和其他軟件工具及平臺(tái)的可訪問(wèn)性方面取得了進(jìn)展。MLOps（Machine learning operations）是一套自動(dòng)化和簡(jiǎn)化ML工作流程和部署的實(shí)踐。Schell解釋說(shuō)，這些關(guān)鍵工具使“在云端訓(xùn)練的模型能夠更快地部署到TinyML硬件上”。“這加快了實(shí)現(xiàn)價(jià)值的時(shí)間，使項(xiàng)目能夠突破PoC階段”。Schell強(qiáng)調(diào)說(shuō)：“對(duì)任何TinyML芯片供應(yīng)商來(lái)說(shuō)，提供此類(lèi)工具都已成為賭注?！?/p>

為什么要為T(mén)inyML提供NPU？??

考慮到AI（包括TinyML）是一個(gè)不斷變化的目標(biāo)，芯片設(shè)計(jì)人員始終面臨著艱難的選擇。

ABI的Schell指出：“對(duì)于TinyML，‘機(jī)器視覺(jué)’和‘音頻信號(hào)’用例是一個(gè)新出現(xiàn)的分歧（也可能是混亂）領(lǐng)域”，這為爭(zhēng)論“迄今為止MCU可以實(shí)現(xiàn)的功能與需要NPU或其他加速器的高要求工作負(fù)載（如圖像分類(lèi)）”提供了素材。

在這種情況下，許多芯片公司通過(guò)各種芯片解決方案在嵌入式系統(tǒng)中使用TinyML。

例如，Ceva的Lucien說(shuō)，許多芯片公司“都推出了自制的加速器，通常都帶有硬連接的NPU”。但是，當(dāng)這些供應(yīng)商發(fā)現(xiàn)他們的芯片（專(zhuān)為特定的AI任務(wù)而設(shè)計(jì)）并不能涵蓋一切時(shí)，他們就不得不設(shè)計(jì)一種新的加速器，或者立即采取一些不同的措施?！昂芏嗫蛻舾嬖V我們，他們需要一個(gè)新的加速器，因?yàn)樗麄儸F(xiàn)有的加速器已經(jīng)達(dá)到了使用壽命?！?/p>

另一方面，Lucien補(bǔ)充說(shuō)，一些MCU和DSP“正在通過(guò)一些特殊的擴(kuò)展來(lái)處理神經(jīng)網(wǎng)絡(luò)。然后，他們?cè)谂赃吿砑右粋€(gè)單獨(dú)的NPU加速器，以產(chǎn)生性能良好的解決方案”。

這一方案似乎可以解決TinyML的性能問(wèn)題。但實(shí)際上，剩下的將是一場(chǎng)編程噩夢(mèng)，因?yàn)椤艾F(xiàn)在你有了兩個(gè)內(nèi)核”，Lucien指出，“你必須處理在兩個(gè)不同內(nèi)核上實(shí)施軟件的復(fù)雜性”。雙核解決方案也讓系統(tǒng)設(shè)計(jì)師頭疼不已，包括“面積和成本影響，以及在雙核之間來(lái)回移動(dòng)數(shù)據(jù)的內(nèi)存管理”。

對(duì)于Ceva來(lái)說(shuō)，所有這些復(fù)雜問(wèn)題都明確了它必須為T(mén)inyML市場(chǎng)的客戶提供什么。Lucien強(qiáng)調(diào)說(shuō)：“我們專(zhuān)注于一個(gè)完全可編程、自給自足的單核，它不是加速器。它不需要”單獨(dú)的CPU或DSP來(lái)運(yùn)行”。

他說(shuō)：“有了Nano NPU，我們可以在同一個(gè)內(nèi)核中高效地執(zhí)行所有特征提取和神經(jīng)網(wǎng)絡(luò)（NN）計(jì)算。它充當(dāng)控制器，運(yùn)行DSP和音頻代碼?！?/p>

Lucien解釋說(shuō)，其完全可編程N(yùn)PU的架構(gòu)具有可擴(kuò)展性，可以增加先進(jìn)的ML處理能力。

Ceva稱(chēng)其“面向未來(lái)”，并吹噓Nano可以支持最先進(jìn)的ML數(shù)據(jù)類(lèi)型和運(yùn)算符，包括4位到32位整數(shù)支持和原生變換器計(jì)算。Nano還為所有用例提供終極ML性能，包括稀疏性加速、非線性激活類(lèi)型加速和快速量化。

有了Ceva的Nano IP，TinyML可以廣泛集成。Lucien說(shuō)，它可以作為微控制器的NPU內(nèi)核嵌入到微控制器中。Nano IP還可以與用于耳機(jī)、智能揚(yáng)聲器或音響的藍(lán)牙SoC上的連接功能相鄰。此外，Nano IP還可用于傳感器本身或安裝在傳感器旁邊。

競(jìng)爭(zhēng)格局????????????????

盡管Ceva沒(méi)有具體說(shuō)明它是如何將自己的Nano IP與TinyML市場(chǎng)上的其他廠商進(jìn)行比較的，但Ceva的明顯競(jìng)爭(zhēng)對(duì)手是Arm的Ethos。Arm率先發(fā)布了microNPU，這是一種新型ML處理器，旨在加速嵌入式和IoT設(shè)備的推理。

Ceva的Lucien沒(méi)有透露具體細(xì)節(jié)，但他指出，NeuPro Nano為T(mén)inyML市場(chǎng)帶來(lái)了一些其他公司沒(méi)有的關(guān)鍵特性。

其中之一就是Ceva開(kāi)發(fā)的AI壓縮技術(shù)。Lucien指出，這項(xiàng)技術(shù)被稱(chēng)為“Ceva-NetSqueeze”，它采用壓縮模型權(quán)重并將其送入NPU，無(wú)需額外的解壓縮步驟。相比之下，如果采用雙核解決方案，Lucien解釋說(shuō)可能需要將權(quán)重解壓縮到內(nèi)存中，然后重新壓縮并輸入NPU。

最終，NetSqueeze使Ceva的NeuPro-Nano NPU能夠?qū)?nèi)存占用減少80%，而內(nèi)存占用是AIoT處理器的一個(gè)很頭疼的問(wèn)題。

NeuPro Nano的另一個(gè)優(yōu)勢(shì)是能耗。Lucien說(shuō)，使用稀疏的非零權(quán)重進(jìn)行計(jì)算可以節(jié)省能耗。但Ceva更進(jìn)一步，“根據(jù)用例動(dòng)態(tài)調(diào)整頻率中的電壓”。他補(bǔ)充說(shuō)：“因此，當(dāng)每個(gè)模型在執(zhí)行網(wǎng)絡(luò)時(shí)對(duì)頻率和電壓有不同要求時(shí)，你可以調(diào)整頻率中的電壓，使其與運(yùn)行該網(wǎng)絡(luò)所需的電壓相匹配。然后，當(dāng)你運(yùn)行下一個(gè)網(wǎng)絡(luò)時(shí)，它就會(huì)適當(dāng)?shù)財(cái)U(kuò)展內(nèi)核?！?/p>

除了TinyML硬件和軟件的基本問(wèn)題外，還要考慮IoT設(shè)備的生命周期。ABI的Schell稱(chēng)這個(gè)問(wèn)題是阻礙TinyML發(fā)展的“障礙之一”。對(duì)于生命周期為五年或更長(zhǎng)的現(xiàn)有IoT項(xiàng)目來(lái)說(shuō)，尤其是在工業(yè)市場(chǎng)，讓TinyML成為一個(gè)良好的、自然的解決方案可能比想象的要難。