**如今，****数据处理架构呈现出一种“分裂”的特性。**拥有庞大规模和计算能力的“云”计算成为了关注焦点，而“边缘”计算将处理过程置于“一线”，连接着设备与真实世界。在云端，数据存储量巨大，处理过程需要排队和调度；而在边缘，处理工作则有明确的目的性地即时完成。

  这使得系统能够针对本地指令和应用程序反馈做出快速响应，同时减少数据流量，以确保处理过程更安全。当然，这两个区域也会进行交互，边缘节点将数据传回云端，实现跨设备或地点的汇总与分析；而全局指令和固件更新则反向传递至边缘。

  这两种处理环境都得益于人工智能AI）和机器学习（ML）的最新发展。例如，在数据中心，包含数万颗处理器（主要为GPU）的数千台服务器执行大规模并行计算，以生成和运行ChatGPT等大语言模型（LLM）。从某些指标看，这一些平台的性能现在已经超越了人类。

  **在边缘，处理过程根据操作算法对反馈传感器和指令做出一定的反应。**但借助机器学习，算法现也可以有明显效果地地从反馈中学习；由此改进算法及其计算系数，让受控过程更准确、高效和安全。

  在能源的使用规模层面，云计算和边缘计算存在很大的实际差异。这两种情况的能耗都必须降至最低；但数据中心的电力消耗十分巨大，据国际能源机构（IEA）估计，约为240-340太瓦时（TWh），占全球需求的1%-1.3%。AI和机器学习将进一步加速能源消耗；IEA预测在未来几年内将增长20%-40%，而这一数字的历史数据仅为3%左右。

  与游戏和视频流媒体等按需数据处理任务不同，AI包含学习和推理两个阶段；其中，学习阶段借助数据集来训练模型。据报道，ChatGPT在这样的一个过程中消耗了超过1.2TWh的电力。另一方面，根据deVries的统计，处于推理或运行阶段的LLM每天在大多数情况下要消耗564MWh的电力。

  而在数据处理架构的另一端，物联网IoT）节点或可穿戴设备中的边缘计算功耗可能不超过毫瓦级。即使对于电机控制电池管理工业及电动汽车（EV）类应用，为控制电路预留的损耗预算也很小，无法适应AI和机器学习引入带来的大幅能耗提升。

  因此，微型机器学习（tinyML）已发展为一个在设备上实施传感器数据分析的应用及技术领域；同时，其也经过优化，旨在实现极低功耗。

  在具体应用中采用机器学习技术是一个涉及到多重维度的问题。举例来说，tinyML可用于电池管理，其目标是在尽可能快速、安全并高效充电的同时，以最小的压力控制放电。电池管理还会监控电池的健康情况，并主动平衡电芯以确保其均衡老化，从而获得最高的可靠性和使用寿命。

  受监控的参数包括单个电芯的电压、电流和温度；管理系统常常要预测电池的充电状态（SOC）和健康情况（SOH）。这些参数均为动态量，与电池的使用历史及测量参数间存在复杂且多变的关系。

  尽管任务复杂，但实现AI处理并不是特别需要使用昂贵的GPU。ARMCortex M0和M4系列等现代微控制器可轻松胜任电池管理中的机器学习任务，且它们的功耗很低，现已集成至针对该应用的专用片上系统（SoC）中。

  电池管理IC十分常见，但在实施机器学习算法的MCU助力下，基于传感器的历史和当前数据的信息与模式可用于更好地预测SOC及SOH，同时确保高度安全性。与其它ML应用一样，这需要一个基于训练数据的学习阶段；数据可以来自包含不同环境条件和多个电池制造公差的日志记录；在缺少现场实际数据的情况下，也可通过建模得到的合成数据。

  正如AI的本质一样，模型可随现场数据的积累一直更新，以扩大或缩小应用规模，或用于其它类似系统。虽然学习过程通常是应用投入到正常的使用中前的一项工作，但也能成为基于传感器数据的后台任务，在本地或通过云端进行离线处理，以获得持续的性能改进。自动机器学习（AutoML）工具结合电池管理SoC的评估套件可实现这一功能。

  在机器学习和电池管理等边缘应用领域中，有多种可供选择的模型。一个简单的分类决策树所占用资源很少，最多仅需几千字节的RAM，但能够为此类应用提供足够的功能。该方法可将采集到的数据简单地分为“正常”或“异常”；示例如图1所示。

  图1：在此决策树分类器示例中，“类别1” = 正常，“类别0” = 异常

  此处使用两个参数来描述多电芯电池组放电过程中的状态：最强电芯的SOC（充电状态），以及最强与最弱电芯间的电压差。蓝色和白色节点代表正常数据；分类区域用蓝色（“类别0”= 正常）和灰色（“类别1”= 异常）表示。

  如要评估输出数据的连续值，而不单单是类别，能够正常的使用更复杂的回归决策树。其它常见的ML模型包括支持向量机（SVM）、核近似分类器、近邻分类器、朴素贝叶斯分类器、逻辑回归和孤立森林。神经网络建模可以包含在AutoML工具中，以增加复杂度为代价来提高性能。

  一个ML应用程序的整个开发过程被称为“MLOps”，即“ML Operations”，包括数据的收集与整理，以及模型的训练、分析、部署和监控。图2以图形方式展示了使用PAC25140芯片的电池管理应用开发流程；该芯片可监控、控制和平衡由多达20个电芯组成的串联电池组，适用于锂离子、锂聚合物或磷酸铁锂电池。

  退化电芯检测是电池SOH监测的一部分。这些电芯的特征之一可能体现为在负载下电池电压异常偏低。然而，电压还受实际放电电流、充电状态和温度的影响，如图3所示；图中突出显示了强弱电芯在不一样的温度及负载电流下的示例曲线：强、弱电芯的放电曲线显示了在电芯电量接近耗尽时，强弱电芯电压间出现的显著差异；然而，在此时检测到弱电芯可能为时已晚，没办法避免过热和安全问题。因此，实施ML成为一种解决方案，从而在放电周期的较早阶段从数据中寻找相关模式。

  虽然当前AI的关注焦点集中在大规模、高功率应用；然而，针对电池监测等应用，使用MCU和tinyML技术 的“边缘部署型”AI也能成为高性能、低功耗解决方案的一部分。在这种场景下，SoC解决方案拥有所需的全部解决能力，并可集成各种机器学习算法。

  声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。举报投诉

  ，要求传感器能检测出微小的力和位移的信息。目前用于微位移检测的原理较多，如光学式、磁和电感式、电容式和压电式等，但这些大多不便用于

  江苏激光联盟导读：据悉，《Nature》报道了美国康奈尔大学的最新研究成果，该校研究人员领导开发出 首个含半导体元件的

  人工智能 AI 正在加快速度从云端走向边缘，进入到越来越小的物联网设备

  。而这些物联网设备往往体积很小，面临着许多挑战，例如功耗、延时以及精度等问题，传统的

  的市场约为400 亿美元, 是商用航空业的一半。简介了我国的研究情况。国际上

  近日，来自伦敦帝国理工学院的Molly M. Stevens教授团队基于微流控和浸渍密封（MLDS）技术实现了可填充

  什么才是DOCSIS 3.1技术？一文解答你关于DOCSIS 3.1的各种疑问

  拆解小米智能魔方，明白手机是如何知道它颜色变化和位置状态的 #硬核拆解