最新的人工智能技术的一个重要组成部分!日本的技术实力
毋庸置疑，2020年是人工智能年，许多人工智能技术在社会上公布、实施、开发实施。最新的人工智能论文不仅仅停留在论文上，全世界的各种公司都在寻找社会回报的可能性和商业机会。
这就是社会执行中"缘"的作用。我想从2020年开始，很多人听到"边缘人工智能"这个词的频率会更高。如果我们能从使用边缘AI类电器中得到各种好处，我们的生活将更加丰富!
这里有一个巨大的挑战!在云端，可以运行大型模型。但是，在边缘处理时，模型可以实现的规模是有限的，如果实现的成本也很高，预计社会实现难度很大。
边缘人工智能创业公司爱星科技有限公司（简称爱星科技）开发了一种名为"内存储蓄树（MST）"的指尖小边缘人工智能算法，支持连GAFA都尚未开发的人工智能技术。爱星科技有限公司（AISing Ltd.）是一家边缘人工智能初创公司，它开发了一个指尖大小的内存保存树（MST）。
如果你对技术部分不熟悉，可以阅读这里来了解一下。
关于我们
亚星是一家成立于2016年的人工智能企业。
亚星专有的AI算法DBT（Deep Binary Tree）实现了无需边缘学习或调优的顺序学习，这在现有的深度学习等AI算法中是不可能实现的，因此获得了众多创业奖项。DBT(Deep Binary Tree)获得了许多创业奖项。
本公司入选经济产业省开发项目"J-Startup"中的92家日本独角兽企业（市值1000亿日元以上的非上市企业）候选企业。
在业务阶段，到目前为止，我们已经完成了几亿日元的采购，并与国内外的大公司缔结联盟，推动业务向上市方向发展。
作为边缘人工智能领域的专家，亚星正在对行业进行革新。
什么是记忆保存树（MST）？
它是一种新颖的机器学习算法，超省内存，可以放在指尖上。
微控制器与MST的形象
这项技术也继承了我们的旗舰产品深度二进制树（DBT）技术的特点，也就是我们长期以来一直在研发的AI in Real-time（AiiR）系列。
有什么相同的特点？
同样的特点就是我们所说的在线机器学习，可以进行所谓的附加学习。
不是说全世界没有人在研究这个学习技术，但是说到底，线下的机器学习是比较精准的，所以即使你说你能在线上成长，原来的精准度也不是很好，所以这个领域的机器学习技术一直不是很活跃。
所以你的意思是说，大家没有关注它，是因为它线下的准确率很高，即便是线上也不屑于学习。
相反，我们DBT公司之所以在这一领域受到高度评价，是因为我们能够开发出让精准度几乎达到与线下线上相同甚至更好的技术，这也是我们公司成立的诱因。
DBT也是一种轻量级的实现，但轻量级的程度取决于你设定的标准，比如RaspberryPi*1就能实现轻量级的实现，使用了几十MB的内存。
1它是英国树莓Pi基金会于2012年开发的一款用于教育目的的单板计算机。30元左右的低价，实用的库，还有很多世界各地的人在互联网上分享的案例，已经成为物联网时代的领先平台之一。
由于CPU和内存的问题，实现起来比较困难。我想目前也很难。
这项新技术与DBT和我们的在线机器学习所达到的精度几乎相同，但内存大小却只有几百分之一到几千分之一千字节!顾名思义，这是技术的关键卖点。
一公斤？Kilo...
这个技术会有什么变化，应用范围是什么？
我们现有的DBT技术，以及随机森林、深度学习等其他技术，都需要一定的计算能力，消耗一定的内存。所以说到Raspberry Pi Zero，我觉得有一个问题，就是实现起来相当困难。
比如说，你要把深度学习放上去，你把内存的要求清掉了，但是你还需要FPGA和GPU，你要在几毫秒内完成所有的计算，所以最后硬件规格很贵，所以你要做一个AI芯片。如果是这样的话，那就和GAFA或者华为的水平技术战略一样，很难独立发展。
我认为随机森林可以处理并行计算，即使它很薄。
的确，随机森林可以用于并行计算，但即使计算成本能被CPU满足，内存也会有几十到几百MB，最终也不会用于比所谓智能手机还小的低端传感器设备。
另一方面，你想让低端传感器更加智能化，不是吗？
我相信这些领域也需要智能化，但我们已经能够在以前由于硬件限制而无法实现的地方广泛使用，这也是这个项目最大的商业点。
我们公司的范围比较低端，有一点应用范围已经扩大到没有理由使用人工智能的领域了!
是的关键是你可以使用现有的硬件。
例如，客户的空调或加湿器中使用的微机，就可以从性能上进行。
有些人可能会误解，但这并不意味着它现在可以适应更小的设备。 换句话说，这意味着它可以适应更小的设备。另外，我们已经确认，它可以在Arm最小的CortexM0系列中实现，所以它将在全球约80~90%的产品上。
例如，如果在CPU规格高的设备上实现，就可以用额外的计算能力来实现，所以在CPU规格低的设备上需要毫秒处理的事情，现在可以在微秒内完成。
原本高性能的东西，有可能变成更高性能的东西吧？是的！
你在开发这项技术时有什么优势？
公司的优势在于拥有CNN、RNN等深度学习新算法的研究人员，以及数学、统计学、嵌入式实现等各领域的专业人才。这就是我们的优势。2020年1月，我们成立了算法开发组（ADG），现在已经变成了Corona，我们每隔一周就在网络上开会，讨论这个讨论那个。所以，这背后的驱动力，是对失败的无比厌恶!
你是怎么来开发这项技术的？
我知道这听起来很好笑，但这是真的。
三年前，DBT作为边缘人工智能还没有一个词，所以我们将其营销为EmbeddedAI（嵌入式人工智能）。当时，深度学习风靡一时，大家都在想你的技术是什么。有一家公司给我打电话，说："既然是嵌入式的，你就用256吧？于是我说："好，我干。当时，我以为是MB。我说："256MB足够了!他说："不，不，这就像KB。就像"不是1/1000吗!不，这是不可能的。
嵌入式实现技术也是我们的优势之一，所以我们有点沮丧。所以我们决定解决这个问题，经过大概一年半或者两年的研发，我们就能开发出来。我们花了大约一年到一年半的时间，才来到了一个新的算法。
网上的模式有什么问题吗？
欣喜的是，通过在线学习，可以提高系统的性能。但另一方面，是否会对业绩产生负面影响？
而这正是我们公司的优势所在!
从CNNs到RNNs，所有的算法都可以用C语言从头开始构建，同时考虑内存管理和嵌入式系统。然而，这还不够好。如果用传统的控制方式代替学习型的模式，就会出现类似问题。像我自己，本来就是机控专业的。我们公司专注于嵌入式系统、人工智能和控制的结合领域，所以我们其实有办法解决你问的问题。
其实，我想这也是欧姆龙等公司真正实施这一制度并联合发布新闻稿的原因。通过本公司的技术诀窍，可以实现常规的质量保证和常规的安全管理措施。
简单的说，我们有技术，可以在现有的控制基础上增加，所以我们可以让它不差钱!它变得更好，但不是更糟。这意味着我们有技术诀窍。说实话，人工智能和机器控制的结合领域是一个相当大的漏洞，世界上没有人在做。因为我们一直专注于这个领域，所以我们一直在创造知识产权和技术优势。
我懂AI，但我不懂控制。这就造成了冲突，因为我们在一个知道控制而不知道AI的关系中实施控制。我们之所以失败，是因为我们试图将传统的控制权交给人工智能。我们之所以能做到这一点，是因为我们了解控制工程师对控制的痒处。
这就是能够覆盖控制和人工智能的综合领域的优势吧？
实际上，这并不是什么大事，只是识字和世界识字的区别。
MST说明视频
与本文相关的类别
