近日，POLYN宣布推出語音處理Tiny AI芯片NeuroVoice，成為第一個在超低功耗模擬神經形態芯片內實現語音檢測(VD)和語音提取(VE)組合的公司。
“耳塞、智能手機、助聽器、游戲耳機和對講系統需要新技術將語音處理提升到一個新的水平。”POLYN營銷和業務發展副總裁Eugene Zetserov說。
“當前的語音信號處理方法非常耗電，在某些情況下還不夠。即時語音識別對于助聽設備很重要。在嘈雜環境中，基于AI提取語音信號，包括不規則噪聲，提供比標準噪聲消除濾波器更好的聽覺體驗。神經網絡是語音處理的完美工具。”
POLYN是一家無晶圓半導體公司，成立于2019年，總部位于以色列。POLYN提供超低功耗、高性能的神經形態模擬信號處理(NASP)技術、IP和基于NASP的Tiny AI芯片，能夠支持廣泛的邊緣人工智能應用，例如可穿戴設備、工業4.0、互聯健康、智能家居等。
POLYN的解決方案允許在具有更高安全性和可靠性的各種物聯網和自主設備上運行人工智能。該解決方案不需要互聯網連接，并降低了功耗和延遲。據介紹，NeuroVoice以100μW功率運行，并在20μs內執行推理，它允許客戶創建微型產品，以改善其最終用戶的聽力體驗。
1、NASP技術，POLYN的殺手锏
人工智能正在加快速度從“云端”走向“邊緣”，進入到越來越小的物聯網設備中。在終端和邊緣側微處理器上實現的機器學習過程，被稱為微型機器學習，即Tiny AI（也被稱為TinyML）。
更準確的說，Tiny AI是指工程師們在mW功率范圍以下的設備上，實現機器學習的方法、工具和技術。作為一種全新的機器學習模型，Tiny AI是人工智能領域最新的重大技術突破之一。
物聯網設備往往體積很小，面臨著許多挑戰，例如功耗、延時以及精度等問題，傳統的機器學習模型無法滿足要求。Tiny AI通過各種技術能夠更智能地使用數據，讓人工智能計算可以直接在設備上執行，而不需要用戶將數據發送到云端或遠程服務器。
Tiny AI的主要優點是它的可移植性。在具有小電池和低功耗的廉價微控制器上運行，意味著，人們可以很容易地將ML以便宜的價格集成到幾乎任何東西中。除此之外，由于計算的本地特性，Tiny AI還具有提高安全性的優勢，即無需將數據發送到云端。在物聯網等應用程序中處理個人數據時，這可能很重要。
POLYN的神經形態模擬信號處理器技術（NASP）是一種Tiny AI解決方案，旨在優化原始數據并減少CPU負載和轉發到云的數據量。NASP技術以前所未有的低功耗、小尺寸和低延遲為傳感器設備提供真正的AI。通過感知模擬信號和數字信號，為各種傳感器增加“智能”。
人腦不僅是一個超低功耗的并行操作系統，還是一個模擬系統，處理各種信號而不需要將它們轉換成二進制格式。對于信號感知等任務，模擬系統更可取。據半導體研究公司稱，預計未來十年將出現大量模擬信號，這需要硬件方面的根本性突破，以產生更智能的世界機器接口。
POLYN開發了一個獨特的平臺，該平臺將經過訓練的神經網絡作為輸入，并使用數學建模將網絡合成為真正的神經形態芯片。芯片包含人工神經元（執行計算的節點）和使用電路元件實現的軸突（節點之間的權重連接）：神經元使用運算放大器實現，軸突使用薄膜電阻器實現。
2022年4月，POLYN宣布，其首款神經形態模擬信號處理器芯片NeuroSense已完成封裝和評估。據悉，NeurorSense芯片采用55 nm CMOS技術實現。它充當邊緣信號傳感器，能夠使用神經形態計算處理原始傳感器數據，而無需對模擬信號進行任何數字化。POLYN將其稱為第一款無需模數轉換器(ADC)即可直接在傳感器旁邊使用的神經形態模擬Tiny AI芯片。
2、Tiny AI，飛入尋常百姓家
Tiny AI應用前景廣闊，包括物體識別和分類、手勢識別、音頻檢測、機器監控、關鍵字發現等等。可以預見的是，Tiny AI將成為我們日常生活中的一部分。
當前，物聯網設備日益普及。在資源受限設備上運行機器學習模型的能力，為許多新的可能性打開了大門。一個很好的例子是具有心率(HR)跟蹤和人體活動識別(HAR)的可穿戴設備，其中PPG/IMU傳感器不斷生成數據，其處理會消耗大量電池電量。
對于執行真正始終在線測量的設備，神經形態模擬信號處理是一個理想的解決方案，與傳統算法相比，它具有100uW的超低功耗和兩倍的精度。提高的精度還可以簡化整個系統，并降低相關成本。
“潛在客戶對可穿戴設備的測量不準確和電池壽命短持謹慎態度。這些發生是因為可穿戴設備中最常見的當前實現是基于算法計算，這些算法計算耗能大且無法真正準確。”POLYN一位高管表示。
“戒指形式的可穿戴設備是一個可行的選擇，但現在很少有這樣的智能戒指模型可以真正戴在手指上。對于這種形式，降低功耗至關重要，并且需要新型硬件。”
另一個例子是工業物聯網應用。隨著工業4.0的發展，世界對基于振動監測的機器健康解決方案的興趣與日俱增，這是有充分理由的。振動是響應來自旋轉設備的機械激勵的重復運動。振動監測是機器狀態監測中的主要傳感技術，因為振動變化發生在機器故障過程的最開始，從而可以進行早期診斷。
LoRa是一種非常流行的技術，尤其是在歐盟，這要歸功于它的低成本、低功耗和遠距離通信能力。然而，由于帶寬窄，振動傳感器的原始數據很難通過LoRa傳輸。POLYN的NASP可以提供對傳感器數據預處理的明確需求。
“嵌入的使用減少了從機械、軌道、鐵路車輛、風力渦輪機以及石油和天然氣泵發送到云端的測量數據，解決了物聯網系統所需的低帶寬的根本問題。”POLYN表示，使用嵌入進行傳感器數據預處理可將嘈雜的原始數據流減少1000倍。
嵌入是機器學習中最通用的技術之一，適用于廣泛的用例，從信息搜索、相似性檢查和欺詐檢測到學習用戶行為和項目之間的關系。最著名的嵌入之一是Google在2013年發明的Word2Vec。在未來的邊緣AI中，嵌入有很大的潛力。
人工智能世界一直在尋找一種經濟高效的技術，該技術允許神經網絡自主工作并直接處理來自模擬傳感器的數據，同時始終以高精度執行任務。對于移動、物聯網或遠程設備，這必須以超低功耗完成。Tiny AI作為機器學習和嵌入式IoT設備的交叉領域，具有革新許多行業的潛力，將發揮越來越大的作用。
