提到“深度學習+”，我們自然而然就會想到“互聯(lián)網(wǎng)+”，所謂“互聯(lián)網(wǎng)+”，就是當互聯(lián)網(wǎng)技術在中國進入全面成熟后，網(wǎng)絡、終端、平臺全面普及之后，出現(xiàn)了互聯(lián)網(wǎng)與各行業(yè)、社會生產(chǎn)生活的各方面深度融合的全新現(xiàn)象。從而創(chuàng)造了新的發(fā)展生態(tài)，涌現(xiàn)了大量發(fā)展機遇?！?a href="/tags/互聯(lián)網(wǎng)+" target="_blank">互聯(lián)網(wǎng)+”，既是互聯(lián)網(wǎng)產(chǎn)業(yè)的轉折點，也是中國數(shù)字經(jīng)濟的轉折點，創(chuàng)造了一系列經(jīng)濟騰飛的佳話乃至神話。

“深度學習+”的邏輯也可以這樣理解，當深度學習的核心技術、核心開發(fā)平臺與開發(fā)工具、產(chǎn)業(yè)生態(tài)、應用空間全面成熟之后，深度學習技術可以成為各行業(yè)、社會生產(chǎn)生活各領域能夠全面利用，深度融合的通用性技術。

從全球AI產(chǎn)業(yè)發(fā)展的角度看，深度學習的這一特性已經(jīng)清晰展露了出來，這項技術也成為國際頂尖科技公司與全球主要國家都在探索的戰(zhàn)略高地。整體而言，深度學習框架平臺+大模型是目前最具代表性的深度學習發(fā)展方向，也是頂級AI公司的“標準配置”。

早在2015年，谷歌發(fā)布了深度學習框架TensorFlow并很快將其開源，如今已經(jīng)成為谷歌AI生態(tài)的基礎。而從2018年開始，谷歌陸續(xù)發(fā)布了BERT、Muse等大模型，積極探索預訓練大模型在AIGC、文本對話等領域的可能性。另一家受到全球關注的科技公司Meta，也積極發(fā)展自身的深度學習框架。2018年，Meta將Caffe2代碼并入PyTorch，推動PyTorch進入了發(fā)展快車道。而在大模型方面，Mate AI實驗室發(fā)布了NLP大模型OPT等一系列成果，推動Meta在深度學習領域保持競爭活力。

從最早的 AlexNet 模型，就是在 AI 分類比賽中讓卷積神經(jīng)網(wǎng)絡一戰(zhàn)成名，是影響 AI 進程冠軍模型，到 AlphaGo Zero 模型，即打敗韓國圍棋九段棋手李世石的 AlphaGo 增強版，七年里，兩者之間參數(shù)指標增長 30 萬倍。

那些同時期堪稱 " 最大 " 的 AI 訓練模型所使用的計算量，呈指數(shù)型增長，平均 3.4 個月就會倍增，比芯片摩爾定律還要快。

國內(nèi)也是一樣，百度 2016 年用于語音識別的 DeepSpeech 訓練模型的參數(shù)是億級，到了今天的用于繪畫、寫作、聊天的文心大模型中，也有多個模型參數(shù)達到了千億級別。

簡單來說，大模型突出的就是一個 " 力大磚飛 "，讓 AI 的能力在參數(shù)增加到某個階段就突然獲得從量變到質(zhì)變突破性進展。

這種 " 突現(xiàn)能力 " 的具體原因科學家還在研究，可能是代碼、指令上的微調(diào)，還可能是 AI 在預訓練的海量數(shù)據(jù)中偶然學到了類似問題的思維鏈參數(shù)。

似乎只要參數(shù)夠大，一切皆有可能。

如果有一天 AI 像人腦一樣，有百萬億個參數(shù)，那 AI 的智能可能真的可以和人類比肩。

但這并沒有那么容易。

面對這么大的參數(shù)量，不管是百度還是谷歌，都認為自然語言處理對整個人工智能的未來都是非常大的挑戰(zhàn)。

因為整個 AI 框架的設計是否合理，芯片之間如何分配工作量，如何讓更多的芯片滿負荷運作，這些在實際應用中是很難同時達到完美狀態(tài)的。

IoT時代，MCU再進化

邊緣端AI的要求與云端不同。邊緣端AI只處理由邊緣產(chǎn)生的數(shù)據(jù)，主要面向圖像分析、聲音分析、波形識別等工作。對于終端單一應用來說，算力要求不會很高。

但在另一方面，在物聯(lián)網(wǎng)環(huán)境中計算對功耗和成本則更加敏感。

處于邊緣的物聯(lián)網(wǎng)設備對功耗非常敏感，如傳感器、安防攝像頭等設備要求長期在線工作，但提供傳統(tǒng)人工智能算力的FPGA或GPU在邊緣端很難滿足這樣的工作要求。

ADI MCU產(chǎn)品線資深業(yè)務經(jīng)理李勇說：“傳統(tǒng)意義上的AI芯片的特點是算力強但功率和尺寸較大，針對的更多是對計算速度、算力較高的應用。如果將FPGA或者GPU用到邊緣端，一是成本受不了，二是沒有辦法用電池進行供電?！?

李勇用一個例子形象的解釋了這種需求錯配：終端一個安防攝像頭的工作往往只是拍攝一幅圖片再分析一次，然后再拍衣服圖片并再分析一次，這并不需要很高的算力，反而需要的是能夠滿足長時間待機需求的長續(xù)航。

在邊緣應用的新要求下，AI正在尋找新的出路，MCU則是這個問題的一個可能解。

早在上世紀60年代末，MCU產(chǎn)品的雛形就已經(jīng)出現(xiàn)。某種程度上，通用型MCU的廣泛應用為上世紀后五十年的電子設備創(chuàng)新打下了基礎。