提到邊緣計算，也許你感到很晦澀，但對於章魚你肯定不陌生。
章魚是一種無脊椎動物，渾身佈滿神經元，但是它的腦部只有 40% 的神經元，剩下的 60% 神經元在八條腿（腕足）上。這等於章魚擁有 “多個小腦 + 一個大腦”，這樣的分散式結構使得它在捕獵時非常敏捷，腿部得到訊號即可就近捕獵。
而邊緣計算的結構和章魚很相似，它是一種分散式計算，得到資訊後無需把大量資料上傳到遠端管理平臺，直接可以就近處理。
而說到邊緣計算，就不得不提感測器。當前的感測器網路中，節點數量增長非常迅速，感測器終端和計算單元之間交換著大量冗餘資料，如何在處理大量資料的同時、還能降低功耗，是邊緣計算亟待解決的難題。
針對此，近日香港理工大學應用物理學系副教授柴揚發表在《自然・電子學》上題的論文《近感測器計算與感測器內計算》（Near-Sensor and In-Sensor Computing），創造性地提出了近感測器計算與感測器內計算的方法。
柴揚告訴 DeepTech，近感測器計算與感測器內計算的方法，可減少感測器終端和計算單元之間的冗餘資料移動。而計算任務被部分轉移到感測器終端後，能減少能耗和時間延遲，還可節省通訊頻寬並增強資料安全性和隱私性。
不同架構，不同級別談及一些情況下把資料處理放在感測器端更好的原因，柴揚解釋稱，物聯網感測器收集到的資料基本都是非結構性的，因此資料必須要先做處理。而一個完整的感測系統既需要有感測器，又需要有運算器。但實際上，感測器的製造工藝和運算器的製造工藝很不一樣。以影象感測器為例，用 65 奈米的節點已是非常先進的工藝；而如果要做運算，目前最先進的半導體工藝已經發展到 5 奈米節點。
此外，感測器和運算器通常採用不同工藝製造，然後組裝為一個完整的系統，兩者在系統中的距離較遠，更多情況是感測器收集資料，上傳到雲端後做計算處理。那麼在哪些情況下，把資料處理放在感測器端比在雲端更好呢？
柴揚表示，這主要出於兩個剛性需求考量：第一個考量是功耗，感測器一般是靠電池來供電，因為電量受限，所以不能做太複雜的運算，複雜運算一般都要上傳到雲端做進一步處理；第二個考量是時間，也就是實時處理。
比如，自動駕駛對延時非常敏感，如果傳到雲端處理再傳回來，會給安全駕駛帶來很大挑戰。因此，比較簡單且對時間敏感的資料處理，放在感測器端比放在雲端更好。一般來說，感測器和計算單元的材料不同，因此它們的功能、結構、設計和處理系統都不同。
在傳統的感覺計算架構中，感測器和計算單元在物理空間上是分開的，它們之間有較遠的物理距離。而在近感測器計算和感測器內計算架構中，感測器和計算單元之間的距離通常會顯著減少或消除。比如，在近感測器計算架構中，前端處理單元被放置在感測器旁邊，這意味著處理單元可提高系統整體效能，並最大限度減少冗餘資料傳輸；在感測器內計算架構中，單個感測器或多個連線的感測器可直接處理收集到的資訊，這樣的設計可將感測和計算功能結合在單一器件中。
圖 | 不同的計算架構
圖 | 用於神經網路中乘法累加運算的、具有可重構感測器的感測器內計算架構示意圖
柴揚表示：“近感測器計算面臨的一大挑戰是感測單元和計算單元的整合。例如，計算單元已經採用了非常先進的技術節點，而大多數感測基於大節點技術就可以很好地執行它們的功能。近感測器計算的整合技術包括異質整合、3D 單片整合、片上系統整合和 2.5D Chiplet 技術等，其中 3D 單片整合提供了一種高密度、短距離的系統整合方法，但是其複雜的製備工藝和散熱仍面臨巨大挑戰。”
圖 | 近距離感測器和感測器內計算的整合技術
雖然感測器內計算架構已被證明是結合計算和感測能力的方法，但它們通常只適用於特定場景。此外，它們只能透過處於早期開發階段的新材料和新器件結構來實現。“近感測器計算和感測器內計算是一個跨學科的研究領域，涵蓋材料、器件、電路、架構、演算法和整合技術，” 柴揚說，“這些架構很複雜，因為它們需要在不同場景中處理大量不同型別的訊號。近感測器計算和感測器內計算的成功部署，需要感測器、裝置、整合技術和演算法的共同開發和共同最佳化。”
在本次研究中，該團隊為近感測器計算和感測器內計算提供了清晰定義，他們將資訊處理分為低階處理和高階處理。低階處理，即透過抑制不必要的噪聲或失真，或透過增強進一步處理的特徵，從大量原始資料中有選擇性地提取有用資料；高階處理，即抽象表示，這涉及到認知過程，其能識別輸入訊號是 “什麼” 或 “在哪裡”。最後，除了為近感測器計算和感測器內計算提供可靠的定義之外，研究人員還提出了實現整合感測和處理單元的可能解決方案。在未來，他們的工作可以激發進一步的研究，旨在利用先進的製造技術、實現這些架構或硬體元件。
實際應用，尚有距離也就是說，近感測器與感測器內計算方法，是實現智慧感測處理高效硬體的一種可能途徑。在感測器端處直接處理資料，可提供改進的面積、時間和能量效率，並在實時和資料密集型應用中特別有益。
然而，在感測器附近實現低階和高階的處理功能，需要開發先進的整合技術和新的計算演算法；在感測器內實現計算還需要開發具有新功能和新機制的裝置、以及合適的演算法。
雖然在感測器計算方面顯示出潛力，但目前大多數裝置都處於研究開發的早期階段，由於功能有限，僅限於特定的應用場景。此外，到目前為止，對於完整處理和與外圍控制的大規模整合只有有限的演示，而這對於感測器處理架構的未來至關重要。同時，柴揚告訴 DeepTech，自動駕駛應該是比較好的切入口，一旦突破現在的 “瓶頸”，就可能會有更多的新的應用產生。
上海有一家叫芯侖科技的公司，他們研發的動態視覺感測器（Dynamic Vision Sensor，DVS）就是應用在車輛上，採集影象、然後做一些實時的分析。他們在這個領域做得是比較好的，用得就是近感測器計算（Near-Sensor Computing），已經非常接近實用，在國內也是比較領先的。儘管柴揚團隊目前工作重心主要集中在視覺感測器上，但是近感測器與感測器內計算方法也可以擴充套件到其他種類的感測器，如聽覺、觸覺、味覺訊號、化學訊號甚至生物訊號的感測器。
玉汝於成，不忘初心柴揚於香港科技大學電子工程系獲得博士學位；之後在斯坦福大學開展博士後研究；後面在香港理工大學繼續電子器件方向的研究。
在談到成果落地的問題時，柴揚也提到，香港高校中有的老師做得非常成功，比如大疆創新、商湯科技和晶科電子都是從香港高校孵化出來的。談及此，柴揚也表示了對粵港澳大灣區未來發展的期待，“現在國家針對大灣區提出了一些新的政策，香港政府也推出了一系列的支援科創政策，整個科創生態肯定能夠變得更好一些，雖然這個過程可能是相對漫長的，希望最後的研究結果能夠解決目前存在的一些科學工程問題，可以產生一些切實可用的東西。 ”