在追求邊緣AI市場的過程中，Renesas必須在兩個不同的世界之間架起橋梁。更具概率性的AI領域處理數(shù)據(jù)和模型創(chuàng)建，而嵌入式領域的特點是更具確定性，做線性編程。Renesas必須在這兩個世界之間轉換，而不損害其在任何一個領域中的地位。

嵌入式系統(tǒng)的設計師可能會對AI好奇，但他們不一定對編程感興趣。更直接地說，AI讓他們感到不安。

這就是包括Renesas在內的領先的MCU/MPU供應商面臨的困境，他們覬覦著看似龐大的邊緣AI市場。

開發(fā)一種超低功耗的MCU/MPU架構、配備合理的靈活性和可編程性是基礎。但要贏得邊緣AI競賽，MCU/MPU供應商必須有一個明確的計劃和特定的策略。

首先，他們必須了解每個市場細分中客戶的需求和系統(tǒng)的限制。

其次，MCU/MPU供應商不能讓自己被拉向太多的方向。他們必須選擇一個能讓他們向上攀升并全力支持客戶的位置。

目前，Renesas已將其邊緣AI的關注焦點縮小到了HVAC領域。Renesas的商業(yè)加速和生態(tài)系統(tǒng)高級主管Kaushal Vora表示：“這是一種非常有針對性的方法?！彼忉尩?，Renesas為HVAC提供的邊緣AI解決方案的范圍從“硬件、固件參考設計和傳感器儀表到生產(chǎn)級數(shù)據(jù)集”。Renesas在OEM的HVAC系統(tǒng)中安裝了專業(yè)級實驗室，并“為他們收集高質量的數(shù)據(jù)”。

許多客戶可能不知道如何最好地將機器學習應用于HVAC，而Renesas會為這樣的客戶提供全方位的邊緣AI服務。這需要Renesas做一些繁重的工作。Vora承認，這意味著最初只能服務于“少數(shù)幾個戰(zhàn)略客戶”。

然而，與頭部企業(yè)的一些成功案例可能會在嵌入式系統(tǒng)領域中引發(fā)更多客戶對AI的興趣。Renesas正在設計類似的“入門套餐”來吸引更多的買家將邊緣AI應用到他們的系統(tǒng)中。

可擴展性

要成功地將AI添加到一系列嵌入式系統(tǒng)中，關鍵在于邊緣AI解決方案的可擴展性。執(zhí)行副總裁Sailesh Chittipeddi聲稱，Renesas已經(jīng)準備好用一系列的MCU和MPU來滿足不同客戶的需求，這將“根據(jù)所需的內存、性能和功耗來進行擴展?！?/p>

對于Renesas最簡單的解決方案，Chittipeddi說，“你可以選擇16位微控制器。隨著你的需求更高級，我們提供32位和64位的解決方案。但最終會遷移到集成神經(jīng)處理器?！盧enesas提供一個名為“DRP AI”的AI加速器。

Renesas還提供一個FPGA解決方案，F(xiàn)orgeFPGA。他指出，“這是一種超低功耗的FPGA，成本在50美分或以下?！痹摴緩腇lex Logix獲得了一個FPGA架構的授權，并將其優(yōu)化。Chittipeddi解釋道，“使用FPGA的優(yōu)點是你可以實際進行并行處理，這是CPU做不到的?！?/p>

通常，F(xiàn)PGA成本都比較高，但ForgeFPGA相對便宜。Chittipeddi說，Renesas找到了最佳平衡點。雖然ForgeFPGA最初作為一個獨立的產(chǎn)品提供，但它可以作為SiP（System in Package）集成到Renesas的其他芯片解決方案中。

但是，硬件并不能帶動AI芯片的銷售。關鍵在于供應商對客戶需求的了解有多深。Chittipeddi說：“當我們推銷我們的AI解決方案時，我們會探尋他們想從哪里開始，他們想實現(xiàn)什么?！?/p>

考慮到眾多的用例，Vora補充說，芯片供應商的一個重要標準是了解系統(tǒng)的限制。Vora說，Renesas會問客戶，“數(shù)據(jù)在哪里？數(shù)據(jù)需要在哪里運行？你能負擔將數(shù)據(jù)傳輸?shù)骄W(wǎng)絡的另一層嗎？在傳輸數(shù)據(jù)時有什么安全問題？網(wǎng)絡效率如何？”

了解這些變量有助于Renesas擴展其解決方案。

大語言模型

AI芯片的客戶也非常關注快速發(fā)展的AI模型。

一些系統(tǒng)供應商提出，像ChatGPT這樣的新興大語言模型（LLM）的日益普及，已經(jīng)顛覆了AI世界。他們想知道他們最近采用的高度優(yōu)化的硬件是否能夠處理LLM的數(shù)學計算。

答案是：不能。

盡管Chittipeddi沒有完全忽視LLM的重要性，但他聲稱LLM并沒有對Renesas造成影響。他只說“我們正在研究它”，卻沒有進一步談論。

暫時來說，LLM可能只是一個插曲，讓系統(tǒng)設計師們從邊緣AI真正的問題上分心。

Vora說：“生成式AI之所以如此受歡迎，是因為OpenAI已經(jīng)展示了它能夠訓練模型到可以使用的程度。”

他強調：“人們常常將AI的復雜度等同于模型的復雜度。”但今天的邊緣AI問題并不是缺乏復雜的AI模型。在Vora看來，問題在于數(shù)據(jù)集的完整性不足。

Vora說，隨著世界收集更多的數(shù)據(jù)，我們必須應對“數(shù)據(jù)重力”?！爱敂?shù)據(jù)被向上傳輸?shù)绞澄镦?，你開始失去數(shù)據(jù)重力……完整性?！?/p>

Vora觀察到，“如果你可以在數(shù)據(jù)源頭處理數(shù)據(jù)，你就可以擁有最準確、最完整、最可解釋的AI?！?/p>

Vora警告說，AI經(jīng)常在數(shù)據(jù)傳輸?shù)皆贫藭r截斷數(shù)據(jù)，改變結果，導致錯誤的結論。“這是今天AI問題的一大部分。”

Vora指出，運行網(wǎng)絡的效率也是邊緣AI面臨的另一個問題?！巴禃r間（或延遲）會增加幾毫秒”，也影響結果。

微垂直領域

半導體行業(yè)渴望從AI市場中攫取更多價值。

Vora估計，從歷史數(shù)據(jù)來看，芯片行業(yè)從智能手機市場中獲得了10%的價值，可能在PC時代獲得了15%。他說：“如果我們從過去的失誤中吸取教訓，我們可以從AI市場中提取50%的價值?！敝饕峭ㄟ^垂直化，構建完整的堆棧，和啟用正確的生態(tài)系統(tǒng)。這一直是Nvidia的做法。

Nvidia在AI市場的成功得益于CUDA（Compute Unified Device Architecture），這是由Nvidia開發(fā)的一個軟件框架。它吸引軟件開發(fā)者使用支持CUDA的GPU進行通用處理。

Renesas借鑒了麥肯錫的報告《Artificial-intelligence hardware： New opportunities for semiconductor companies》。在報告中，麥肯錫建議半導體公司關注AI市場中的“微垂直領域”。

Vora解釋，微垂直領域意味著從各種邊緣AI應用中選擇一個特定領域，并為客戶構建完整的垂直AI堆棧。

Renesas已將HVAC確定為一個初始的微垂直領域，這是一個創(chuàng)造價值的機會。

Renesas的微垂直策略中一個關鍵要素是去年夏天收購的Reality AI。

Reality AI是Renesas的原始生態(tài)系統(tǒng)合作伙伴之一。它為汽車、工業(yè)和消費品的高級非視覺感知提供一系列嵌入式AI和TinyML解決方案。Renesas看到了將Reality AI的邊緣AI軟件開發(fā)環(huán)境與其自身的MCU和MPU產(chǎn)品組合起來的機會。此次收購使Renesas能夠在每一個核心的MCU/MPU上提供“先進的信號處理、機器學習和異常檢測”。

考慮到嵌入式系統(tǒng)設計師們對AI的廣泛不適，Vora解釋說：“我們能夠為客戶提供的垂直整合越多，以及我們能夠提供給他們的指導和工具越多，我們就能夠為客戶提供更好的生態(tài)系統(tǒng)，以確定AI的發(fā)展方向?！盧enesas的計劃是逐漸增加微垂直領域和更多的生態(tài)系統(tǒng)合作伙伴，找出對其它邊緣AI應用有用的工具。

從入門套餐到訂閱模式

通過與客戶合作，Renesas也在尋找盈利的機會。

根據(jù)Renesas的說法，目前約有11家公司在微垂直領域采購了“入門套餐”。他們支付的一次性費用范圍在20，000到70，000美元之間。下一步，Renesas會提供分級的訂閱模式，根據(jù)用戶的計算需求，訂閱費的范圍在36，000到120，000美元之間。

Renesas的業(yè)務模式是硬件銷售。然而，像“入門套餐”這樣的產(chǎn)品有機會讓他們更緊密綁定客戶。

這種模式與Nvidia類似，稱為“遷移學習”?！澳隳靡粋€對特定任務預訓練得到80-90%準確度的模型，然后你可以逐步教這個模型做客戶特定想做的事。有些客戶可能對此感到滿意，而有些客戶可能不會?！?/p>

Chittipeddi說，無論如何，這都創(chuàng)造了“進一步盈利的額外機會”。

無論是在IoT市場還是AIoT市場，AI應用中總是有太多的使用案例、變化和碎片化。通過吸引關鍵的生態(tài)系統(tǒng)合作伙伴，Renesas似乎比其它公司都在更出色地駕馭著邊緣AI的迷宮。