边缘人工智能

artificial-intelligence-board artificial-intelligence-board

从云AI到边缘AI

如今AI的应用越来越广泛,它影响着我们每天使用的服务,接触的设备和机器。现阶段的AI技术很大程度上依赖于云计算,使用强大的远程数据中心,处理由本地设备收集的数据。

边缘AI将AI算法和模型直接部署在物联网 (IoT) 设备和嵌入式工业和汽车系统等设备上。这种部署方式让我们得以在源头实时处理和分析数据,让真正自主的智能设备成为可能,使设备能够快速决策,以适应性的方式触发行动。

相对云部署,在边缘部署AI具有诸多优势。更快的速度和超低的延迟,大大降低了数据传输负荷,显著提高了安全性。在云端运行推理算法需要瓦特级的功率,而在边缘设备上仅需消耗毫瓦甚至微瓦级的功率,显著降低了运行功耗。此外,边缘AI还能更好地保护隐私。

边缘AI为所有市场的设备和服务创造者打开了新的大门,让我们可以用比云技术低得多的成本实现更多新应用。

意法半导体帮助客户将边缘AI变为现实

意法半导体帮助客户将边缘AI变为现实 无论您是专家还是刚开始使用边缘AI的小白,意法半导体都有适合您的解决方案。

我们投资于大量研究、创新和开发活动,让我们的客户能够利用边缘AI的力量。
我们还积极参与tinyML社区的建设,以进一步提高小型物联网设备中机器学习的
效率。

我们的产品和设计工具使嵌入式开发人员能够快速在意法半导体微控制器、微处理器和智能传感器上部署AI,从而让AI更高效、更具可持续性。

而这仅仅是个开始。我们最新的技术突破将为边缘AI带来颠覆性的变革。

简化您的创新之路

简化您的创新之路

意法半导体边缘AI套件为您提供免费工具、案例研究和资源,以便在微控制器、微处理器和智能传感器上启用AI。

前往意法半导体边缘AI套件
diversity-mosaic-people-portraits diversity-mosaic-people-portraits

在STM32微控制器和微处理器上应用边缘AI

water-pump-motor-edge-ai-mcu-mpu

STM32的边缘AI解决方案使器件更智能、更节能,提升了用户体验,并为许多新应用打开了大门。我们提供用户友好型在线工具和软件,帮助嵌入式开发人员以快速、高性价比的方式在STM32微控制器和微处理器上创建、评估和部署机器学习算法。

了解更多
water-pump-motor-edge-ai-mcu-mpu

在传感器上应用边缘AI

edge-ai-on-sensors

意法半导体的智能传感器内嵌有机器学习内核或用于边缘AI的高级专用数字信号处理器 (DSP),为从工业设备到物联网设备的诸多应用赋予情景感知能力。如此一来,传感器就可以处理信息,并只与微控制器分享有意义的数据。这些智能传感器降低了系统级功耗,进一步提高了系统效率。

了解更多
edge-ai-on-sensors

汽车应用中的边缘AI

工程师可以使用我们的SPC5Studio.AI转换、分析汽车神经网络模型,并将其部署到 SPC58微控制器上,从而提升安全性、效率以及整体驾驶体验。您还可以索取最新的 Stellar E微控制器 边缘AI插件工具。

edge-ai-in-automotive 了解更多
edge-ai-in-automotive

精选视频

激发边缘AI的潜能,以产品和赋能技术领航未来

STM32边缘AI解决方案

来自Oxytronic的IRMA,
使用NanoEdge AI Studio制作

STM32Cube.AI开发者云:仅需4步即可完成神经网络模型的测试和嵌入

了解意法半导体的智能内核MEMS传感器

智能传感器如何使工业应用响应更迅速、能效更高

利用LSM6DSV16BX传感器上的边缘AI技术,为真无线耳机(TWS) 提供支持。

ISPU自我学习,打造个性化健身训练

使用边缘AI监控道路状态

阅读意法半导体关于边缘AI的最新刊物

标题 作者 出版物  
通过深度量化神经网络提高对对抗攻击的稳健性 Ferheen Ayaz、Idris Zakariyya、José Cano、Sye Loong Keoh、Jeremy Singer、Danilo Pau、Mounia Kharbouche-Harrari IJCNN 查看
利用超微型神经网络补偿MEMS压力传感器的焊后热漂移 Gian Domenico Licciardo、Paola Vitolo、Stefano Bosco、Santo Pennino、Danilo Pau、Massimo Pesaturo、Luigi Di Benedetto、Rosalba Liguori IEEE ISCAS 查看
用于深度学习边缘应用的SRAM全数字多瓦片NN加速器,最高4b存内计算,采用FD-SOI 18 nm制程 G. Desoli等 IEEE ISSCC 查看
端到端优化的微型学习,用于迷宫拓扑中的可重定位墙 Danilo Pau、Stefano Colella和Claudio Marchisio IEEE ICCE 查看
TinyRCE:微约束下的前向学习 Danilo Pau、Prem Kumar Ambrose tinyML®研讨会 查看
0.8 mW TinyML PDM到PCM转换,用于传感器内KWS应用 Paola Vitolo、Rosalba Liguori、Luigi Di Benedetto、Alfredo Rubino、Danilo Pau、Gian Domenico Licciardo会议论文 查看