近幾年AI的發展「邊緣運算」（Edge Computing）越來越熱門。隨著硬件芯片的性能提升，讓以往只能作為「接收」功能的端口也能用于協助運算，使AI運作更有效率；例如自動煞車系統、智能音箱等，都是邊緣運算的實際應用。

本文跟大家解析MCU在AI邊緣運算中的應用。

MCU，機器學習的另一種選擇

在進入邊緣運算之前，先來了解一下何謂MCU？

說到機器學習（Machine Learning）時，你會聯想到什么呢？是電影中那種巨大且排滿主機的艙房嗎？但運用這種方式不僅須消耗大量電力，所排放的廢熱更是驚人，能使數個國家級的游泳池從冷水變成溫水！

傳統的機器學習需要數量龐大的主機

然而，其實機器學習（Machine Learning）有更節約能源的方式— 也就是利用MCU。

MCU的優缺點比較

MCU（Microcontrollers）具備其他硬件所沒有的優點，比如體積小、價格便宜、省電等，這些特性可為附加的系統降低成本。因此，未來若想讓AI應用在生活的各層面，MCU無疑是最佳選擇。

不過目前市面上的大量運算裝置，大多專注于CPU、GPU，或類似超級計算機的云端（Cloud）。但是MCU在效能表現相對低落，因此目前要將MCU應用于AI運算，看來還有困難。

各類硬件運算效能比較

為了使MCU能于生活的各個面向執行AI運算與應用，一些行業專家，結合各種MCU優缺點，開發出開源項目uTensor，也就是想發展一套基于mbed的精簡版TensorFlow框架，實現MCU邊緣運算的目標，目前已做出手寫識別的Demo。

邊緣，現實與虛擬的交界

首先來定義Edge，所謂的「邊緣」，其實是虛擬與現實世界的交界邊緣（Edge）。從物聯網（IoT）到MCU全都屬于數字的范圍，而數字接觸不到的地方，則是現實世界。目前在現實世界中，還有許多信息無法被上傳到數字的虛擬世界，因此兩者之間的接縫，就是「邊緣」。

但問題來了：該如何將現實世界中數量龐大的信息連接到物聯網呢？必須部署好幾萬個感測節點（sensor node）才能達成；但是，并不是每個人、每個環境都具備WiFi、4G／5G等通訊協議支持，那么該如何做？

有行業人士認為，LPWAN的LoRa就是最佳選擇。如同下圖所示意的發訊塔，如果放在城市大樓的頂端，那么網絡的覆蓋率達到一、二十公里絕不是問題，雖然比特率（birate）不高，距離越長遞減越嚴重，但長距離覆蓋與功耗極低的特性，相當適合拿來進行IoT的傳輸。

LoRa的發訊特性

那么，另外還有那些適合邊緣運算的通訊協議呢？需要從以下兩點來檢視：首先電力與帶寬是首要考慮，再來是傳輸距離長短。因為邊緣運算的理想狀態，就是能依靠電池或太陽能供電；帶寬則選擇長距離、低功耗的LPWAN，在這樣的選擇下所畫出的扇形圖（如下圖），即為邊緣運算可運用的通訊區塊。

通訊協議之電力與帶寬比較

問題是，此區塊中的傳輸效能不佳，像是音頻、視頻等類型的數據不可能上傳到云端進行運算，因此該如何設計邊緣運算，還需要經過仔細的思考推敲。

透過編碼與譯碼，執行邊緣運算

目前有一種解決方案是透過人工神經網絡（Neural Network）將原有的信息編碼（encode）、壓縮，縮小其容量，使其能于LPWAN環境下傳輸到云端，再進行譯碼（decode）。

因為若將編碼、譯碼分散在MCU裝置與云端上分別處理，MCU本身就不需要處理或傳輸過于龐大的數據；另一個好處是，解碼的云端透過遷移學習（Transfer Learning）替換較為容易，透過同樣的裝置，便能在云端變換出不同的應用。

遷移學習的運作示意圖

小結

回顧上文可以發現，即使科技發展不斷追求效能與硬件的表現，但未來最需要的關鍵詞仍然是「永續」；即使超級計算機的運算能力再杰出，若不能有效地普及于日常生活之中，其發展性依然會受到局限。

反觀MCU與邊緣運算，雖然于現階段都還存在限制，但隨著技術的持續發展，相信在此領域中存在很大空間。