想要了解“深度學習+”，我們必須回到深度學習技術在中國落地生根的歷史當中。2006年，辛頓等人意外發現了多層神經網絡帶來的全新可能性，就此將上世紀80年代已經產生的機器學習技術，推動到了深度學習的新階段，而深度學習技術在一系列AI測試任務上的優異表現，也重新燃起了人們對AI的期待。客觀來說，經歷了兩次寒冬的AI技術，能夠再次復興的核心要素就是深度學習技術的出現。

但在此后的多年時間里，深度學習還僅僅停留在非常小眾的范疇里，甚至在學術界中也非常小眾。2010年，當時剛剛來到百度的王海峰發現了這種技術所蘊藏的巨大潛能。很快，百度內部高度認可了王海峰的發現，并早早在2012年就開始探索深度學習技術與應用。2013年1月，百度率先建立全球首個專注深度學習研究的深度學習研究院(IDL)。同時，百度也開始布局深度學習開發框架的研發。就這樣，非常幸運同時也非常必然，在王海峰的敏銳發現與百度的當機立斷下，中國企業沒有在AI浪潮中掉隊，甚至成為了全球AI探索的領路人。

此后多年時間，可以視作中國深度學習技術的創生期。在此期間，百度為代表的AI行業取得了一系列成績，比如自主深度學習框架飛槳的問世與發展，多種深度學習算法的進步提升。隨著2017年全球AI熱潮的到來，中國發布《新一代人工智能發展規劃》，深度學習技術的戰略地位與社會需求也水漲船高。面向新的形勢，百度最大化發揮了自身的深度學習技術積累與平臺優勢，快速進行了一系列戰略升級與產業成長。

AI 會造成人類的大規模失業嗎?

我覺得，如果人們對 AI 的發展報以一種厭惡和排斥的態度，那它逐漸取代部分人的工作只是時間問題。但如果我們能夠接納 AI 的發展，去主動了解、使用 AI，讓它成為日常工作生活中的得力助手，那我們就不會被 AI 取代，反而會在 AI 幫助下更好的創作內容。

這并不是一種 " 打不過就加入 " 的無奈，反而是人類不斷發展的必然。

正如熱兵器最終取代了冷兵器，信息化軍隊脫胎于機械化軍隊，互聯網一定程度上取代了傳統媒體，我們之所以成為今天的我們，同樣也是接納了諸多新事物的結果。而且在當下，一些技術的發展正處于瓶頸，或者是被一張薄紙擋住未來。

比如 VR 領域的計算機圖形學，同樣也需要 AI 從另一個角度去攻破。就連計算機圖形學大佬約翰 · 卡馬克也在開拓通用人工智能的道路，并表示 " 想嘗試一些沒人知道會走向何方的領域 "。

無論是芯片產業的殘酷博弈、AI 算法競賽還是知識圖譜比拼，甚至是不知方向的瘋狂砸錢，面對 AI 帶來的期待與焦慮，人類今天種種，是因為誰也說不好，哪一天 AI 技術就如爆炸一樣，捅穿了蒙在未來前面那張薄紙。

在物聯網時代到來后，MCU則被賦予了端側計算中樞這一更高使命。無論是設備本身的功能還是作為物聯網的一部分，物聯網設備在連接、交互、安全等方面都已經離不開MCU。

而當如今智能遇上邊緣，MCU又擔起了新的使命。

隨著MCU的算力進一步提升，高頻MCU的主頻已經提升到GHz級別，已經可以滿足邊緣端低算力人工智能需求。將人工智能集成在MCU上，只用一顆芯片實現端側部署，正在成為新的潮流。

在過去幾年里，包括瑞薩在內的多家MCU廠商都在積極探索將MCU與人工智能結合。

在日前舉辦的ADI MCU Media Workshop上，ADI中國技術支持中心高級工程師辛毅就介紹的ADI最新的邊緣AI解決方案MAX78000就是踐行的這條路線。

辛毅介紹到，MAX78000集成了卷積神經網絡(CNN)引擎，能夠滿足邊緣人工智能應用需求，并且MAX78000的設計宗旨是最大程度降低CNN引擎功耗。

為了這個目標，該器件采用了Arm Cortex-M4F處理器與32位RISC-V處理器的雙內核架構，內置了CNN引擎。

辛毅形象的把這個架構比喻成“爸爸和媽媽”：兩個微控制器內核是“買菜的媽媽”，CNN加速器則是“做菜的爸爸”，合力完成邊緣智能的計算工作。

更多信息可以來這里獲取==>>電子技術應用-AET<<