晶心科聯手Deeplite 拓展邊緣運算市場

在邊緣運算設備上，推動低功耗和低延遲深度的學習模型、計算機硬體以及人工智慧推理系統這些項目的發展，持續創造令人興奮的新機遇。業界相關產業對於應用在深度學習的硬體和軟體解決方案（也稱爲Edge AI，邊緣運算）的開發產生了前所未有的興趣。

邊緣運算已經開始在某些指標性的應用中取得進展，例如音訊信號分類（audio classification）中的關鍵字搜尋（keyword spotting）、異常檢測（anomaly detection）以及電腦視覺應用中的人物辨識（person detection）。具體來說，tinyML是專爲超低功耗系統量身訂作的機器學習分支，具有遠大的前景。

這個提案中之解決方案的效率極高，甚至只有微瓦，加上其可廣泛地部署到此類邊緣運算在現實環境中設備的適用性，預計在未來5年內，將應用在超過1000億個IoT傳感器和設備。蓄勢待發之深度學習科技的未來，將透過比以往更加可負擔、具有友善生態系、以及更容易使用的智慧科技，提供客戶及終端使用者更顯著的便利。

晶心科技和Deeplite很高興地宣佈兩家公司最新合作成果--透過使用Deeplite獨特的最佳化軟體和晶心科技低功耗RISC-V CPU核心研發出具有人工智慧運算能力的應用程式（AI-powered applications）。這項合作關係着重於壓縮（compressing）並加速（accelerating）著名的視覺喚醒詞（Visual Wake Words (VWW))應用程式。微型相機可以利用此類程式，進行人物圖像偵測。

Deeplite及晶心科技共同獲得了領先業界的結果，從利用浮點運算的Mobilenet-v1-0.25x模型中，產出各式最佳化的INT8模型。本次發表的第一組研發結果側重於提高精確性，以精度爲主的INT8模型最佳化提高了2.7％的精度，縮小了1.7倍的檔案大小以及提高了9%的執行速度。

第二組結果主要着重於最大化壓縮（maximizing compression）。與TensorFlow Lite Micro提供的INT8 模型相比，本組專注於模型檔案尺寸最小化的模組，成功做到縮小2.3倍的檔案大小，更高的精度和提高了15％的執行速度。