在许多情况下，设备本身不会使用机器学习技术，而是将数据发送到云，以便更有效地完成任务。因为构成AI的过程通常是资源密集型的，会占用CPU并消耗电池电量。

这就是Xnor在2017年从艾伦人工智能研究所分离出来时要解决或至少要减轻的问题。它的突破是使边缘设备上的深度学习模型的执行如此高效，以至于5美元的Raspberry Pi Zero几乎可以像超级计算机一样执行最先进的计算机视觉过程。

该团队实现了这一目标，而Xnor的超高效ML模型现已集成到各种设备和业务中。团队根据你的观点将目标设定得更高或更低。

Farhadi回答了他自己关于缺乏启用AI的设备的问题，他们指向用来展示Pi Zero平台的演示小工具中的电池组并解释说：“关键在于电力。”

通过解决电力问题，他们克服了将AI置于CPU和功耗受限设备（如手机和Pi Zero）上的瓶颈。所以团队提出了一个疯狂的目标：为什么不制造一个根本不需要电池的AI平台？而不到一年，他们就完成了这一目标。

它可以实时执行一项重要的计算机视觉任务：它可以在几分之一秒内检测到一个人、一辆车、一只鸟或其他什么东西是否在它的视野内，以及在哪里，然后无线传输这些信息。它使用的是与太阳能计算器类似的能量。



Farhadi和硬件工程负责人Saman Naderiparizi展示的设备非常简单，一个320×240分辨率的小型相机，一个装有物体识别模型的FPGA，一个用于处理图像和相机软件的内存以及一个小型太阳能电池。非常简单的无线设置使其能够以非常适中的速率发送和接收数据。

“这是一台价值2美元的计算机，以及超级糟糕的相机，但它可以运行最先进的物体识别，”Farhadi显然对Xnor团队所创造的东西感到满意。

只要电池处于任何类型的光中，它就会为图像处理器和物体识别算法提供动力。它需要大约一百毫伏的工作才能工作，不过在较低的电平下，它可以不那么频繁地拍摄图像。

它可以单独使用那个电流，但当然没有某种能量储存是不切实际的，为此，这个演示设备有一个超级电容器，可以存储足够的能量，使其可以运行整夜。

为了证明它的效率，我们假设你决定装备一块手表电池。Naderiparizi表示，它可能以每秒一帧的速度运行30多年。

它不是产品

当然，真正的突破并不在于现在有了太阳能智能相机。这可能是有用的，当然，但这并不是这里值得吹嘘的。事实上，一个复杂的深度学习模型可以在一台电脑上运行，它比你的手机在睡眠时更便宜，耗电量更少。



“这不是产品，”Farhadi谈到这个小巧的硬件平台。“它是一个推动者。”

平台的电力成本并非接近触底。用于在此演示装置上进行计算的FPGA对其提供的处理能力并不是特别有效。如果他们有一个定制芯片，他们可以获得另一个数量级或两个数量级，从而降低工作成本推断到微焦耳水平。尺寸受相机光学系统和天线尺寸的限制，天线尺寸必须具有一定的尺寸以发送和接收无线电信号。

而且，这并不是要销售一百万个这些特殊的小部件。正如Xnor已经对其客户所做的那样，在其上运行的平台和软件可以针对单个项目或硬件进行定制。有人甚至想要在MIPS上运行模型，所以现在它做到了。