為什么說單片機會成為深度學習最肥沃的土壤

Pete Warden，是谷歌TensorFlow團隊成員，也是TensorFLow Mobile的負責人，常年遨游在深度學習的大海。

另外，這些看上去很熟悉的書，也是他的作品。

除此之外，皮特有個新的想法要和大家分享——

他堅定地相信，未來的深度學習能夠在微型的、低功耗的芯片上自由地奔跑。

換句話說，單片機 （MCU） ，有一天會成為深度學習最肥沃的土壤。

這里面的邏輯走得有些繞，但好像還是有點道理的。

為什么是單片機

單片機遍地都是

根據皮特的估計，今年一年全球會有大約400億枚單片機 （MCU） 售出。

MCU里面有個小CPU，RAM只有幾kb的那種，但醫療設備、汽車設備、工業設備，還有消費級電子產品里，都用得到。

這樣的計算機，需要的電量很小，價格也很便宜，大概不到50美分。

之所以得不到重視，是因為一般情況下，MCU都是用來取代 （如洗衣機里、遙控器里的） 那些老式的機電系統——控制機器用的邏輯沒有發生什么變化。

能耗才是限制因素

任何需要主電源 （Mains Electricity） 的設備，都有很大的局限性。畢竟，不管到哪都要找地方插電，就算是手機和PC都得經常充電才行。

然而，對智能產品來說，在任何地方都能用、又不用經常維護，才是王道。

所以，先來看下智能手機的各個部位用電有多快——

· 顯示器400毫瓦

· 無線電800毫瓦

· 藍牙100毫瓦

· 加速度計21毫瓦

· 陀螺儀130毫瓦

· GPS 176毫瓦

相比之下，MCU只需要1毫瓦，或者比這更少?？墒?，一枚紐扣電池擁有2，000焦耳的電量，所以即便是1毫瓦的設備，也只能維持1個月。

當然，現在的設備大多用占空比 （Duty Cycling） ，來避免每個部件一直處在工作狀態。不過，即便是這樣，電量分配還是很緊張。

CPU和傳感器不太耗電

CPU和傳感器的功耗，基本可以降到微瓦級，比如高通的Glance視覺芯片。

相比之下，顯示器和無線電，就尤其耗電了。即便是WiFi和藍牙也至少要幾十毫瓦。

因為，數據傳輸需要的能量，似乎與傳輸距離成正比。CPU和傳感器只傳幾毫米，而無線電的傳送距離以米為單位，就要貴得多。