麻省理工学院的研究人员开发了一种叫做MCUNet的系统，将机器学习引入到微控制器中，这一进展可以提高物联网设备的功能和安全性，先进技术可以在家用电器上实现人工智能，同时提高数据安全性和能源效率。

　　深度学习无处不在。这个人工智能分支管理你的社交媒体，并为你的谷歌搜索结果服务。很快，深度学习也可以检查你的生命体征或者设置你的恒温器。麻省理工学院的研究人员开发了一种系统，可以将深度学习神经网络带到更小的新领域，比如可穿戴医疗设备中的微型计算机芯片、家用电器，以及构成“物联网”的2500亿其他物体。

　　这个名为 MCUNet 的系统设计了紧凑的神经网络，尽管内存和处理能力有限，但它为物联网设备的深度学习提供了前所未有的速度和准确性。这项技术可以促进物联网宇宙的扩展，同时节约能源，提高数据安全性。

　　这项研究将在下个月的神经信息处理系统会议上发表。该论文的第一作者吉林是麻省理工学院电子工程和计算机科学系Song Han实验室的博士生。

　　助理教授宋汉 麻省理工学院环境管理系

　　物联网诞生于20世纪80年代早期。卡内基梅隆大学的研究生们，包括78岁的 Mike Kazar，将一台可乐机连接到了互联网上。这个组织的动机很简单： 懒惰。他们想在从办公室出发去购物之前用电脑确认一下机器是否有存货。它是世界上第一个连接互联网的设备。现在是微软工程师的卡扎尔说： “这几乎被当作笑话的笑点。”。“没有人预料到互联网上会出现数十亿台设备。”

　　自从那个可乐贩卖机以来，日常物品已经越来越多地与不断增长的物联网相连。这包括从可穿戴的心脏监测器到智能冰箱，可以告诉你什么时候牛奶不够了。物联网设备通常运行在微控制器上ーー简单的计算机芯片，没有操作系统，处理能力极小，内存不到普通智能手机的千分之一。所以像深度学习这样的模式识别任务很难在本地的物联网设备上运行。对于复杂的分析，iot- 收集的数据经常被发送到云中，使其易受黑客攻击。

　　和 MCUNet 一起，Han 的团队共同设计了“微小深度学习”所需的两个部分——神经网络在微控制器上的操作。其中一个组件是 TinyEngine，一个类似于操作系统的指导资源管理的推理机。对TinyEngine 进行了优化，以运行一个特定的神经网络结构，这个结构是由 MCUNet 的另一个组件 TinyNAS 选择的，TinyNAS 是一个神经结构搜索算法。

　　为微控制器设计一个深层网络并不容易。现有的神经网络体系结构搜索技术首先基于预定义的模板搜索大量可能的网络结构，然后逐渐找到精度高、成本低的神经网络结构。虽然这种方法有效，但并不是最有效的。

　　为了运行这个微小的神经网络，微控制器也需要一个精简的推理机。一个典型的推理机运行系统承载了一些重量——对于它可能很少运行的任务的说明。额外的代码对笔记本电脑或智能手机没有问题，但是对微控制器来说却是小菜一碟。

　　研究小组在 ImageNet 测试其他三个微控制器时也发现了类似的结果。在速度和准确性方面，MCUNet 击败了声音和视觉“唤醒词”任务的竞争对手。“唤醒词”任务是指用户通过声音提示(想想： “嘿，Siri”)或者简单地进入一个房间，开始与计算机进行互动。这些实验强调了 MCUNet 对大量应用的适应性。

　　加州大学伯克利分校的计算机科学家库尔特·科伊策表示，这一进展“将深层神经网络设计的前沿延伸到了小型节能微控制器的计算领域” ，他没有参与这项工作。他补充说，MCUNet 可以“把智能计算机视觉能力带到哪怕是最简单的厨房电器，或使更智能的运动传感器。”

　　本地分析数据可以降低个人信息被盗的风险，包括个人健康数据。韩设想用 MCUNet 设计智能手表，不仅能感知使用者的心跳、血压和氧含量，还能分析和帮助他们理解这些信息。MCUNet 也可以为车辆和互联网接入有限的农村地区的物联网设备带来深度学习。