自我進化的邊緣人工智能可以在小型設備上進行實時學習和預測。

大阪大學科學與工業研究所 (SANKEN) 的研究人員成功開發了“自我進化”人工智能技術，可直接為緊湊型設備帶來實時學習和預測功能。這項名為 MicroAdapt 的創新技術提供了前所未有的速度和準確性，與傳統的最先進的深度學習方法相比，數據處理速度提高了 100,000 倍，準確性提高了 60%。

這一成就標誌著製造業、汽車物聯網和可穿戴醫療設備中的下一代人工智能應用向前邁出了重要一步，解決了現有基於雲的人工智能的關鍵局限性。

資源有限的緊湊型邊緣設備（例如製造中的嵌入式系統、汽車物聯網和可植入/可穿戴醫療設備）對高速人工智能處理的需求不斷增長。

此前，邊緣人工智能通常涉及在龐大的雲環境中使用大數據和深度學習來預訓練大型模型。然後將這些靜態固定模型部署到邊緣設備，僅用於推理（預測）而不是訓練。這種方法雖然可以通過更多數據提高準確性，但需要大量數據、處理時間和功率，使其不適合直接在小型設備上進行實時數據處理或快速模型更新。

此外，這些基於雲的方法面臨著與通信成本、數據隱私和安​​全相關的持續挑戰。全球公認的在緊湊邊緣環境中進行實時學習的技術尚未創建。

Yasuko Matsubara 教授的研究小組開發了 MicroAdapt，這是世界上最快、最準確的基於邊緣的人工智能，能夠使用這些小型設備進行實時學習和預測。與傳統人工智能在雲中的大數據上訓練複雜的個體模型不同，MicroAdapt 的工作方式有所不同。

首先，它直接在邊緣將傳入的時變數據流分解為離散模式。其次，它結合多個輕量級模型來共同表示這些數據。第三，受微生物適應能力的啟發，系統自主地、不斷地進行自我學習、適應環境和進化。

它識別新模式，更新簡單模型，並丟棄不必要的模型，讓您能夠實時學習模型並預測未來。工作 發表 作為一部分 第 31 屆 ACM SIGKDD 知識發現和數據挖掘會議論文集，版本 2。。

這種前沿方法展現了卓越的預測精度和計算速度，與最先進的深度學習預測方法相比，處理速度高達 100,000 倍，精度提高 60%。

該團隊在 Raspberry Pi 4 上成功實現了這種自我進化的邊緣學習引擎。該實現展示了其實用性，需要不到 1.95 GB 的內存，消耗的功率不到 1.69 W，同時在沒有強大 GPU 的輕量級 CPU 上運行。

“我們針對小型設備的高速、超輕邊緣人工智能支持各種實時應用。我們正在與製造、移動和醫療保健領域的行業合作夥伴一起推進其實際應用，以產生廣泛的行業影響。”