在此演講中，楊老師首先介紹了AI和邊緣計算交叉領域的發(fā)展現(xiàn)狀并對邊緣AI發(fā)展趨勢做了分析。然后總結了邊緣AI領域的重要技術挑戰(zhàn)，并詳細介紹了他和團隊近期在三個方向上的工作進展。

基于二值模型架構的低功耗 AI加速器

楊老師和清華大學集成電路領域專家汪玉老師團隊合作開發(fā)了一種基于二值模型架構的低功耗 AI加速器。這種新型架構設計在ASIC和FPGA上通過驗證都達到比當前的SOTA二值模型降低4倍功耗并能維持同等水平精度。

二值神經(jīng)網(wǎng)絡架構BNext

楊老師介紹的第二個工作是研發(fā)中的下一代極高精度二值神經(jīng)網(wǎng)絡架構BNext，目前已成為第一個在ImageNet數(shù)據(jù)集上精度超過80%的二值神經(jīng)網(wǎng)絡。他認為這種低功耗AI技術未來將有望落地在邊緣AI、AIoT、自動駕駛、機器人等需要電池供電的智能設備中。在達到精度大幅提升后，團隊同時積極在GPU等硬件上進行效率驗證和進一步優(yōu)化。

在演講的第二部分，做為KubeEdge SIG AI成員，楊老師著重介紹了業(yè)界第一個基于KubeEdge的分布式協(xié)同AI框架 Sedna。Sedna的核心理念是基于KubeEdge提供的邊云協(xié)同基礎框架，打造中間服務以支持現(xiàn)有AI應用無縫下沉到邊緣。負責打通AI應用和云邊協(xié)同計算能力的通路。讓邊緣計算和AI社區(qū)的開發(fā)者們都能夠獲益。它能夠有效降低分布式協(xié)同機器學習服務構建與部署成本、提升模型性能、保護數(shù)據(jù)隱私。楊老師重點為聽眾介紹了Sedna的基礎架構，已推出的特性，例如協(xié)同推理，聯(lián)邦學習，增量學習終身學習等等。

協(xié)同推理ReID

展示了協(xié)同推理ReID特性今年在新冠流調中成功應用，能大幅提升流調工作效率、幫助實現(xiàn)快速有效的防疫。目前特性已被集成進入華為時空伴隨搜索解決方案中。

在演講后的問答環(huán)節(jié)，Sedna成為被提問最多的部分，成功收獲極大的關注。通過此次分享，成功提升了KubeEdge/Sedna在計算機視覺社區(qū)的能見度，將為KubeEdge SIG AI社區(qū)吸引更多優(yōu)秀的合作者。