今年2月，来自谷歌、微软、高通、三星和6所大学的一组研究人员齐聚加州圣何塞，讨论将机器学习带到网络最远端的挑战，尤其是运行在传感器或其他电池驱动设备上的微处理器中。

这就是盛大的“微型机器学习峰会”，该峰会的主旨是找出如何在最小的微处理器上运行机器学习算法。在边缘的学习将推动更好的隐私实践，更低的功耗，并在未来的设备中构建新应用。

神经网络的训练是机器学习的核心，这种训练需要大量的数据。最终会把它训练成一个无论是下围棋还是响应语音指令的任务模型。

许多公司目前专注于为机器学习构建专门的硅材料，以便在数据中心内训练网络。他们还希望在边缘使用硅来对机器学习模型进行推理运行数据，以查看数据是否与模型的结果相匹配。但是，这个微型机器学习生态群(Tiny ML)的目标是对最小的处理器进行推理，比如为远程传感器供电的8位微控制器。

如果我们讨论的是智能手机之类的东西，那么在边缘推理方面已经有了很大进展。在2019年11月，谷歌开放了两个版本的机器学习算法的源代码，其中一个运行所需的能量减少了50%，另一个运行速度是之前版本的两倍。还有一些初创公司，如Flex Logix、Greenwaves和Syntiant，使用专用的硅来应对类似的挑战。

但是Tiny ML有不同的目标。想象一下，如果机器学习模型，能够把对话和助听器上的背景噪音区分开来。如果您无法在设备本身上安装该模型，那么您就需要在运行在该模型上的云保持无线连接。但如果您能够安装它的话，直接在助听器上运行该模型更有效、更安全。

Tiny ML的研究人员也在尝试在电池供电的边缘设备上使用ML来进行更好的数据分类。Latent AI公司首席执行长Jags Kandasamy表示，他的公司正在与制造增强现实和虚拟现实耳机相关公司进行谈判。Latent AI正在开发用于微型处理器的神经网络压缩软件。这些公司希望利用他们的耳机收集的大量图像数据，对设备上看到的图像进行分类，这样他们就可以将有用的数据发送到云上，供以后培训使用。 “如果你已经看到了10辆丰田皇冠，它们真的有必要转移到云端吗?”Kandasamy问道。

由于机器学习通常需要大量的电力，而将设备上的数据进行分类可以减少收集到云中的数据量，从而节省带宽和电力。

当涉及到机器学习时，很多人觉得数据越大才越好，但我对将机器学习应用到边缘的潜力感到兴奋。尽管Tiny ML仍然专注于推理的挑战，也许有一天我们甚至可以考虑在边缘上训练网络本身。