一直在聽的設備讓播放音樂、打開智能電視、調低恒溫器變得無比輕松，甚至在有人闖入房屋時提醒我們。但是他們讓我們經常將它們插入交流電源或更換電池。

雖然有時感覺語音助手已經在我們的生活中存在了幾十年，但直到 2014 年底，亞馬遜才推出了第一款智能揚聲器 Amazon Echo。五年后，我們現在已經在智能揚聲器、智能家居系統、可穿戴設備和其他智能設備中安裝了數億個數字語音助手，這些設備總是在聽一個喚醒詞。SAR Insight & Consulting根據其最新研究預測，到 2023 年，始終在線的語音設備的安裝基數將躍升至近 10 億臺。

最初使始終聆聽和語音優先成為可能的傳感器——鉛筆尖大小的超微型微機電系統 ( MEMS ) 麥克風——捕獲環境聲音數據。起初，在云中處理數據、分析喚醒詞和命令的聲音似乎是一個很好的解決方案。但是，語音助手和其他始終在線的物聯網設備的指數級增長正在產生如此多的數據——根據國際數據公司的數據，2025 年將有 416 億臺物聯網設備產生 79.4 澤字節的數據1——我們對集體帶寬負擔過重，并造成成本和功率效率低下，這是一個意想不到的后果。這正在推動半導體行業尋找新的方法將一些強大的云計算引入設備——一種稱為邊緣處理的能力。

邊緣的挑戰

邊緣計算的成功在很大程度上依賴于低功耗數字信號處理器和微控制器的快速普及——其中一些包括嵌入式神經網絡，即微型機器學習 (TinyML) 芯片。這些主要是數字處理芯片可以直接在設備上處理復雜的數據分析，例如確定是否說出了喚醒詞。但是，雖然這些芯片現在可能像大腦一樣聰明，但它們仍然依賴于第一款始終在線傳感設備中使用的原始系統架構，需要立即將所有聲音（自然是模擬的）轉換為數字信號。即使聲音（例如狗叫聲或嬰兒哭聲）不可能包含喚醒詞，情況也是如此。浪費電力和數據，

消費者仍然期望可以放在口袋甚至耳朵里的更小的始終聆聽的智能設備具有相同或更好的性能，但不會犧牲電池壽命。這使 OEM 陷入困境，因為如果他們繼續使用舊架構，他們將繼續浪費 80% 到 90% 的電池壽命來處理無意義的數據。他們將被迫讓消費者選擇兩個弊端中較小的一個：必須插入墻上的非便攜式語音助手或可以去任何地方但電池壽命短的便攜式語音助手。

由于在系統中移動數據會消耗電力，因此最有效的節能方法是盡快將數據量減少到重要的程度。如果我們真的想解決一直在聽的力量挑戰，我們需要一種新的范式，更接近地模仿大腦在任何給定時刻有效處理來自人類感官系統的大量數據的能力。預先花費一點點精力來確定什么是相關的，并節省大部分資源來僅處理最重要的數據。

聲音自然是模擬的

提高始終收聽設備的電池壽命需要采用當今許多工程師認為既過時又令人生畏的技術：模擬。處理來自真實世界的原始、非結構化模擬信號——即觸摸、視覺、聽覺和振動——是很困難的。自從推出第一個數字集成電路以來，創建處理傳感器信號的產品（使用熟悉的 1 或 0）比直接處理感測到的模擬數據要簡單得多。（這就是為什么永遠在線的設備會立即將模擬輸入轉換為數字信號，然后再進行幾乎任何其他操作。）

雖然過去 50 年來數字化有效地解決了處理挑戰，但它可能最終在物理定律上碰壁了。數字設備擴展的放緩導致技術人員對設備內部的芯片進行創新。在這種情況下，這種創造力通過兩個根本性的變化來實現：更加戰略性地使用數字，因此數字芯片僅在必要時才進行大量處理；并使用模擬電路固有的低功耗，結合機器學習，進行第一輪分析，確定聲音數據是否仍處于自然模擬狀態時是否存在語音。這使數字處理芯片保持在低功耗睡眠模式，直到它們真正需要“收聽”關鍵字。

在永遠在線的設備中實現更高能效的途徑不在于讓每個芯片“像大腦一樣思考”，而在于重新構想更像人類感官系統的系統架構，逐步分層分析聲音，以便將最多的能量集中在關于什么是最重要的。

?

仿生邊緣處理（底部）將數字處理能力集中在最相關的感官數據上。（圖片：Aspinity）

每個人都贏了

尋求更長的電池壽命將鼓勵系統設計人員采用一種新的架構范例，其中更少的數據處理意味著更長的電池壽命。位于邊緣的模擬 ML 芯片可以充當智能流量管理器，讓數字處理芯片保持休眠狀態，除非需要它們。這種受生物啟發的永遠在線邊緣處理方法允許模擬和數字處理器執行它們最高效的工作，使消費者成為最終的贏家。畢竟，誰不想要一個單節電池就能運行一年的聲控電視遙控器呢？

參考

1 International Data Corp. 全球數據領域物聯網設備和數據預測，2019-2023 年。2019 年 6 月