维度网讯，Literal Labs 推出了一种基于逻辑的边缘 AI 推理与异常检测替代方法，在标准微控制器上即可运行，无需 GPU 或 NPU 等专用 AI 加速硬件。该公司表示，与传统方法相比，该方法能将推理速度提升高达 50 倍，同时能耗降低约 50 倍。

这项技术的核心源自 1960 年代苏联数学家米哈伊尔·茨特林（Mikhail Tsetlin）的研究。该方向在神经网络成为 AI 主流后几乎被遗忘，但通过阿格德尔大学（University of Agder）的奥勒-克里斯托弗·格兰莫（Ole-Christoffer Granmo）教授和纽卡斯尔大学（Newcastle University）的亚历克斯·雅科夫列夫（Alex Yakovlev）教授等人的工作得以复兴，发展出茨特林机（Tsetlin Machines），并于 2019 年首次提出。Literal Labs 于 2023 年从纽卡斯尔大学分拆成立。

传统神经网络依赖大量数值权重和矩阵乘法，对硬件有较高要求。Literal Labs 的基于逻辑的网络（LBN）则由逻辑关系和规则构成，不依赖大量加权数值运算，因此计算效率更高。该公司提供的 ModelMill 平台可自动化模型训练过程，用户只需提供数据，平台即可准备、分类并训练数百个候选模型，最终输出可部署的 C/C++ 代码，无需专有运行时环境或硬件更改，可直接集成到现有微控制器、CPU 或服务器平台中。

在 MLPerf Inference: Tiny 基准测试中，该技术的性能得到验证。该测试由 MLCommons 开发，是评估资源受限设备上 AI 推理性能的行业标准框架之一。在针对异常检测的 ToyADMOS 数据集任务中，Literal Labs 的方法在基于 Cortex-M7 的微控制器平台上，实现了比最佳已发布结果快约 54 倍的推理延迟和低约 52 倍的能耗，同时内存需求大幅降低，准确率仍超过基准要求。该公司表示，该结果通常需要在更强大的 AI 平台上才能实现。

该技术的应用重点是时间序列和表格数据，适用于工业传感器、机器监控、预测性维护、公用事业基础设施、环境监测、水系统和能源网络等领域。例如，可提前预测大型太阳能装置的逆变器故障，或监控下水道网络状况以预防环境事件。对于已部署的数十亿智能电表等设备而言，无需硬件更换即可通过远程上传方式获得 AI 能力，这为现有基础设施的升级提供了新的路径。

Literal Labs 的首席执行官诺埃尔·赫尔利（Noel Hurley）表示，公司已探索其技术的硬化实现，并暗示可能实现一个甚至两个数量级的性能提升。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com