应使用微型，智能的微电子，以尽可能多的传感器处理，而不是通过向云或计算机发送经常不需要的重复的原始数据而不是浪费资源。所以说新的机器学习网络背后的科学家，旨在将人工智能（AI）所需的一切均为处理器。
“从传感器数据的实时评估开始，这为许多新应用打开了门，”Fraunhofer微电子电路和系统研究所在它的网站上。没有延迟发送不必要的数据以及快速处理，意味着理论上是零延迟。
此外，在微处理器上，自学习意味着嵌入式或传感器，设备可以自校准。研究所说，他们甚至可以“完全重新配置以执行完全不同的任务”。“具有不同任务的嵌入式系统是可能的。”
通过网络发送的数据互联网（IOT）数据是冗余和浪费资源：每10分钟拍摄的温度读数，例如，当环境温度没有改变时，是一个例子。事实上，一个只需要知道温度何时改变，并且只有在满足阈值时才才能知道。
神经网络传感器芯片
商业德国研究组织表示，它正在开发特定的RISC-V微处理器，具有专为a的特殊硬件加速器脑复制，人工神经网络（ANN）它开发了。该架构最终可能适用于善良的条件监测或预测传感器，我们可能会在工业互联网（IIOT）中看到更多。
Fraunhofer IMS的关键嵌入式系统的人工智能（AIFES）是，自学习在芯片级别而不是在云端或计算机上进行，并且它与“朝着云的连接或强大而资源饥饿的处理实体”。但它仍然提供“完整的AI机制，如独立学习”，
这是“分散的AI”，弗劳恩霍夫IMS说。“它没有专注于大数据处理。”
实际上，对于这些类型的系统，R原个数据实际上没有任何连接，只需要进行后分析结果，如果确实需要。蜂拥而至更换。蜂拥而至，传感器彼此交谈，共享相关信息，甚至没有获取主机网络。
“可以建立一个来自在自己之间共享任务的小型和自适应系统中的网络，”Fraunhofer IMS说。
分散性神经网络中的其他益处包括它们比云更安全。因为所有处理都在微处理器上进行，所以“不需要传输敏感数据，”Fraunhofer IMS解释说。
其他优势计算研究
Fraunhofer研究人员不是唯一一个相信整个网络与神经侦听者多余的学者，脑均衡的AI芯片。Binghamton University和Georgia Tech正在共同努力，以类似的边缘为导向的技术。
“这个想法是我们希望拥有这些芯片可以做到芯片中的所有功能，而不是通过某种大型服务器来回来回消息，”Binghamton在其网站时表示我去年写了大学的工作。
没有主要通信链接的优点之一：不仅您不必担心互联网恢复力，还保存了能量创建链接。能源效率是传感器世界的野心 - 更换电池是耗时，昂贵，有时在远程位置的情况下，极其困难。
用于在数据中心或类似的等待传输的RAW数据的内存或存储，或者不必提供 - 它已经在源处处理，因此可以丢弃它。雷竞技电脑网站