要有效实现自供电，首先需要把 AI 芯片做到超低功耗，即几毫瓦，甚至是微瓦级；然后根据实际应用的环境，选取合适的能量采集技术，利用这些能量自动给 AI 芯片供电。
对于目前的深度学习 AI 芯片来说，需要大大简化网络模型、缩减存储量（如不用 DRAM）、缩小算法规模，同时又要保持足够的精度，才有这样的可能性。最近几年涌现出了很多深度学习 AI 芯片的新算法或新的电路和器件，降低功耗都是它们最主要的目的之一。这方面已经在本书第 3 章及其他几章作了许多介绍。
从电路级运行来说，一次 NAND 门电路运算大概消耗 0.2 fJ（即 0.2×10 - 15 J）。现在的问题是如何把每次 MAC 运算的能耗成本降低到飞焦（fJ）级别，如果能够实现，这样的 AI 芯片将会在物联网环境或边缘侧得到普遍应用。要达到这样的目标，存内计算、模拟计算、可逆计算等都可能是有力的手段。
同时，与深度学习 AI 芯片相比，基于神经形态的类脑芯片比较容易达到超低功耗的目标，因为这类芯片是在时间触发和事件触发模式下运行的，本质上就具备低功耗的特性。
另外，神经网络的一大优势就是面对随机噪声时具有非常强的纠错弹性和容错性。在超低功耗下工作时，电路容易出错；而能量采集技术还没有达到很高的稳定性。这时，神经网络本身的纠错和容错优势可以发挥作用。
迄今为止，能量采集和转换的效率还非常低，这方面还需要大力改进。例如，太阳能板、整流器、天线、超级电容器等领域都在不断创新和改善性能，未来很可能会出现新的技术突破。
像 EPIC 这样的自供电智能传感 AI 芯片，在未来可能将变得极为重要。人们可以像撒纸屑一样，向空中扔一些灰尘大小的廉价 AI 芯片，让它们分布到人们关心的环境中。它们将创造一个以前所未有的方式智能地进行交互的世界。而只有当器件可以在无人值守、不用电池的情况下使用数年至数十年时，此类应用才能体现效果。
蓝牙 5 已经准备丢弃电池，「拥抱」自供电。据预测，到 2023 年，全球将有超过 300 亿个支持蓝牙的设备，其中以 IoT 应用为目标的百分比将不断增长。「无电池」将对成本和维护产生重大影响。AI 已经大量用于 IoT（常称为 AIoT）。蓝牙系统的增长和发展必定与 AIoT 的增长和发
（本章节未完结，点击下一页翻页继续阅读）
正在加载...