为了在吸引大家关注的 5G 网络和物联网等设备上实现边缘计算（靠近数据源头一侧的运算），需要在微型设备上部署最够多的计算力。
为实现这一想法，未来努力的方向将会是利用人工智能（AI）计算技术——也可以称作“边缘 AI”。虽然有些人关心技术专家如何能把超出传统计算能力的 AI 应用于微型设备上——有些人正在绞尽脑力，不知道哪个国家将在这个新领域占据优势——但实际上这项技术还处于早期研发阶段。
图 | 单个硅梁（红色部分），与其驱动电极（黄色部分）和读写电极（绿色和蓝色部分）一起，使得微机电系统拥有非平凡计算能力。（图源：Guillaume Dion）
不过这种所谓的“早期阶段”出现了一点变化。位于加拿大魁北克省的舍布鲁克大学的研究人员已经设法为微机电系统（MEMS）设备配置了一种人工智能，标志着历史上首次在微机电系统设备中植入 AI。
实验的结果是在微机电系统中实现神经形态计算，就像是在微型设备上模拟人类大脑的运行。这种组合使得设备可以在自身上处理数据，从而改善边缘计算的前景。
“去年我们已经写了一篇论文，从理论上论证了微机电系统 AI 的可能性，”论文的合著者舍布鲁克大学教授 Julien Sylvestre 详细介绍了这一进展。“我们最新的突破说明我们可以在实验室中制作出这种设备。”
研究人员在他们发表于《Journal of Applied Physics》描述了在微机电系统中实现的 AI 方法，他们称之为“储备池计算（Reservoir computing）”。Sylvestre 教授解释说，为了理解储备池计算，需要了解一些关于人工神经网络如何运作的知识。这些人工神经网络通过输入层获取数据，经过包含多个称为神经元的计算单元的隐藏层对数据进行变换，然后在输出层中输出最终结果。储备池计算最常用于时间依赖的数据（而图像等输入数据是静态的，不是时间依赖数据）。
因此，储备池计算使用由时间依赖输入驱动的动态系统。动态系统一般选择相对复杂的系统，它对输入的响应可能与输入本身完全不同。
此外，选择具有多个自由度响应输入的系统。这样的话，输入被“映射”到高维空间，每个维度对应于一个自由度。这样会创造很多信息的“丰富性”，也意味着输入有许多不同的变换。
“储备池计算所使用的特殊技巧是将所有维度线性组合，在给定输入的条件下，获得与我们期望计算机输出相一致的输出，”Sylvestre 说。“这就是我们所说的‘训练’储备池计算的过程。与其他 AI 方法不同，线性组合的计算非常简单，人们会尝试修改动态系统的内部机制来获得期望的输出。”
在大多数储备池计算系统中，动态系统是软件。在这项工作中，动态系统就是微机电系统器件本身。为了实现这种动态系统，该设备用到了非线性动力学——硅梁在非常薄的时候会在空间中振荡，这些振荡会产生一种神经网络，能够将输入信号映射到神经网络运算所需要的更高维空间。
Sylvestre 解释说，修改微机电系统器件的内部工作原理很难，但在储备池计算中（修改内部工作原理）并非必需，这就是他们使用硅梁振动方法在微机电系统中实现 AI 的原因。
“我们的工作表明，可以利用微机电系统中的非线性资源实现 AI 能力，”Sylvestre 说。“这是一种创造人工智能设备的新方法，它可以将设备做到小巧而高效。”
根据 Sylvestre 的说法，很难将这种微机电系统设备的处理能力与台式计算机等进行比较。“计算机与我们的微型设备工作方式截然不同，”他解释说。“计算机很大并且消耗大量功率（达到数十瓦），而我们的微机电系统设备甚至可以制作在人类的头发丝上，以微瓦的功率就可以运行。尽管消耗的功率很少，但是这种微型设备仍然可以做一些很有趣的工作，比如对某些口语词汇分类——这项任务可能会使用相当于台式计算机 10％的资源。”
据 Sylvestre 称，这种配备 AI 的微机电系统的一种可能的应用是加速度计微机电系统，其中设备收集的所有数据都在设备内处理，而无需将数据发送回计算机。
虽然研究人员还没有关注它们如何为这些微型设备供电，但是可以假设这些设备在不需要电池的情况下运行在能量采集器上。考虑到这一点，研究人员正在寻求将他们的人工智能微机电系统应用在传感器和机器人控制等应用上。
