提到边缘计算，也许你感到很晦涩，但对于章鱼你肯定不陌生。
章鱼是一种无脊椎动物，浑身布满神经元，但是它的脑部只有 40% 的神经元，剩下的 60% 神经元在八条腿（腕足）上。这等于章鱼拥有 “多个小脑 + 一个大脑”，这样的分布式结构使得它在捕猎时非常敏捷，腿部得到信号即可就近捕猎。
图 | 章鱼（来源：IC photo）
而边缘计算的结构和章鱼很相似，它是一种分布式计算，得到信息后无需把大量数据上传到远端管理平台，直接可以就近处理。
而说到边缘计算，就不得不提传感器。当前的传感器网络中，节点数量增长非常迅速，传感器终端和计算单元之间交换着大量冗余数据，如何在处理大量数据的同时、还能降低功耗，是边缘计算亟待解决的难题。
针对此，近日香港理工大学应用物理学系副教授柴扬发表在《自然・电子学》上题的论文《近传感器计算与传感器内计算》（Near-Sensor and In-Sensor Computing），创造性地提出了近传感器计算与传感器内计算的方法。
图 |《近传感器计算与传感器内计算》（来源：Nature）
柴扬告诉 DeepTech，近传感器计算与传感器内计算的方法，可减少传感器终端和计算单元之间的冗余数据移动。而计算任务被部分转移到传感器终端后，能减少能耗和时间延迟，还可节省通信带宽并增强数据安全性和隐私性。
不同架构，不同级别
谈及一些情况下把数据处理放在传感器端更好的原因，柴扬解释称，物联网传感器收集到的数据基本都是非结构性的，因此数据必须要先做处理。而一个完整的传感系统既需要有传感器，又需要有运算器。但实际上，传感器的制造工艺和运算器的制造工艺很不一样。以图像传感器为例，用 65 纳米的节点已是非常先进的工艺；而如果要做运算，目前最先进的半导体工艺已经发展到 5 纳米节点。
此外，传感器和运算器通常采用不同工艺制造，然后组装为一个完整的系统，两者在系统中的距离较远，更多情况是传感器收集数据，上传到云端后做计算处理。那么在哪些情况下，把数据处理放在传感器端比在云端更好呢？
柴扬表示，这主要出于两个刚性需求考量：第一个考量是功耗，传感器一般是靠电池来供电，因为电量受限，所以不能做太复杂的运算，复杂运算一般都要上传到云端做进一步处理；第二个考量是时间，也就是实时处理。
比如，自动驾驶对延时非常敏感，如果传到云端处理再传回来，会给安全驾驶带来很大挑战。因此，比较简单且对时间敏感的数据处理，放在传感器端比放在云端更好。一般来说，传感器和计算单元的材料不同，因此它们的功能、结构、设计和处理系统都不同。
在传统的感觉计算架构中，传感器和计算单元在物理空间上是分开的，它们之间有较远的物理距离。而在近传感器计算和传感器内计算架构中，传感器和计算单元之间的距离通常会显著减少或消除。比如，在近传感器计算架构中，前端处理单元被放置在传感器旁边，这意味着处理单元可提高系统整体性能，并最大限度减少冗余数据传输；在传感器内计算架构中，单个传感器或多个连接的传感器可直接处理收集到的信息，这样的设计可将传感和计算功能结合在单一器件中。
图 | 不同的计算架构
图 | 用于神经网络中乘法累加运算的、具有可重构传感器的传感器内计算架构示意图
柴扬表示：“近传感器计算面临的一大挑战是传感单元和计算单元的集成。例如，计算单元已经采用了非常先进的技术节点，而大多数传感基于大节点技术就可以很好地执行它们的功能。近传感器计算的集成技术包括异质集成、3D 单片集成、片上系统集成和 2.5D Chiplet 技术等，其中 3D 单片集成提供了一种高密度、短距离的系统集成方法，但是其复杂的制备工艺和散热仍面临巨大挑战。”
图 | 近距离传感器和传感器内计算的集成技术
虽然传感器内计算架构已被证明是结合计算和传感能力的方法，但它们通常只适用于特定场景。此外，它们只能通过处于早期开发阶段的新材料和新器件结构来实现。“近传感器计算和传感器内计算是一个跨学科的研究领域，涵盖材料、器件、电路、架构、算法和集成技术，” 柴扬说，“这些架构很复杂，因为它们需要在不同场景中处理大量不同类型的信号。近传感器计算和传感器内计算的成功部署，需要传感器、设备、集成技术和算法的共同开发和共同优化。”
在本次研究中，该团队为近传感器计算和传感器内计算提供了清晰定义，他们将信息处理分为低级处理和高级处理。低级处理，即通过抑制不必要的噪声或失真，或通过增强进一步处理的特征，从大量原始数据中有选择性地提取有用数据；高级处理，即抽象表示，这涉及到认知过程，其能识别输入信号是 “什么” 或 “在哪里”。最后，除了为近传感器计算和传感器内计算提供可靠的定义之外，研究人员还提出了实现集成传感和处理单元的可能解决方案。在未来，他们的工作可以激发进一步的研究，旨在利用先进的制造技术、实现这些架构或硬件组件。
实际应用，尚有距离
也就是说，近传感器与传感器内计算方法，是实现智能传感处理高效硬件的一种可能途径。在传感器端处直接处理数据，可提供改进的面积、时间和能量效率，并在实时和数据密集型应用中特别有益。
然而，在传感器附近实现低级和高级的处理功能，需要开发先进的集成技术和新的计算算法；在传感器内实现计算还需要开发具有新功能和新机制的设备、以及合适的算法。
虽然在传感器计算方面显示出潜力，但目前大多数设备都处于研究开发的早期阶段，由于功能有限，仅限于特定的应用场景。此外，到目前为止，对于完整处理和与外围控制的大规模集成只有有限的演示，而这对于传感器处理架构的未来至关重要。同时，柴扬告诉 DeepTech，自动驾驶应该是比较好的切入口，一旦突破现在的 “瓶颈”，就可能会有更多的新的应用产生。
上海有一家叫芯仑科技的公司，他们研发的动态视觉传感器（Dynamic Vision Sensor，DVS）就是应用在车辆上，采集图像、然后做一些实时的分析。他们在这个领域做得是比较好的，用得就是近传感器计算（Near-Sensor Computing），已经非常接近实用，在国内也是比较领先的。尽管柴扬团队目前工作重心主要集中在视觉传感器上，但是近传感器与传感器内计算方法也可以扩展到其他种类的传感器，如听觉、触觉、味觉信号、化学信号甚至生物信号的传感器。
玉汝于成，不忘初心
柴扬于香港科技大学电子工程系获得博士学位；之后在斯坦福大学开展博士后研究；后面在香港理工大学继续电子器件方向的研究。
在谈到成果落地的问题时，柴扬也提到，香港高校中有的老师做得非常成功，比如大疆创新、商汤科技和晶科电子都是从香港高校孵化出来的。谈及此，柴扬也表示了对粤港澳大湾区未来发展的期待，“现在国家针对大湾区提出了一些新的政策，香港政府也推出了一系列的支持科创政策，整个科创生态肯定能够变得更好一些，虽然这个过程可能是相对漫长的，希望最后的研究结果能够解决目前存在的一些科学工程问题，可以产生一些切实可用的东西。 ”
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
