为实现这一想法，未来努力的方向将会是利用人工智能（AI）打算技能——也可以称作“边缘 AI”。
虽然有些人关心技能专家如何能把超出传统打算能力的 AI 运用于微型设备上——有些人正在绞尽脑力，不知道哪个国家将在这个新领域霸占上风——但实际上这项技能还处于早期研发阶段。

图 | 单个硅梁（赤色部分），与其驱动电极（黄色部分）和读写电极（绿色和蓝色部分）一起，使得微机电系统拥有非平凡打算能力。
（图源：Guillaume Dion）

不过这种所谓的“早期阶段”涌现了一点变革。
位于加拿大魁北克省的舍布鲁克大学的研究职员已经设法为微机电系统（MEMS）设备配置了一种人工智能，标志着历史上首次在微机电系统设备中植入 AI。

实验的结果是在微机电系统中实现神经形态打算，就像是在微型设备上仿照人类大脑的运行。
这种组合使得设备可以在自身上处理数据，从而改进边缘打算的前景。

“去年我们已经写了一篇论文，从理论上论证了微机电系统 AI 的可能性，”论文的合著者舍布鲁克大学教授 Julien Sylvestre 详细先容了这一进展。
“我们最新的打破解释我们可以在实验室中制作出这种设备。
”

研究职员在他们揭橥于《Journal of Applied Physics》描述了在微机电系统中实现的 AI 方法，他们称之为“储备池打算（Reservoir computing）”。
Sylvestre 教授阐明说，为了理解储备池打算，须要理解一些关于人工神经网络如何运作的知识。
这些人工神经网络通过输入层获取数据，经由包含多个称为神经元的打算单元的隐蔽层对数据进行变换，然后在输出层中输出终极结果。
储备池打算最常用于韶光依赖的数据（而图像等输入数据是静态的，不是韶光依赖数据）。

因此，储备池打算利用由韶光依赖输入驱动的动态系统。
动态系统一样平常选择相对繁芜的系统，它对输入的相应可能与输入本身完备不同。

此外，选择具有多个自由度相应输入的系统。
这样的话，输入被“映射”到高维空间，每个维度对应于一个自由度。
这样会创造很多信息的“丰富性”，也意味着输入有许多不同的变换。

“储备池打算所利用的分外技巧是将所有维度线性组合，在给定输入的条件下，得到与我们期望打算机输出相同等的输出，”Sylvestre 说。
“这便是我们所说的‘演习’储备池打算的过程。
与其他 AI 方法不同，线性组合的打算非常大略，人们会考试测验修正动态系统的内部机制来得到期望的输出。
”

在大多数储备池打算系统中，动态系统是软件。
在这项事情中，动态系统便是微机电系统器件本身。
为了实现这种动态系统，该设备用到了非线性动力学——硅梁在非常薄的时候会在空间中振荡，这些振荡会产生一种神经网络，能够将输入旗子暗记映射到神经网络运算所须要的更高维空间。

Sylvestre 阐明说，修正微机电系统器件的内部事情事理很难，但在储备池打算中（修正内部事情事理）并非必需，这便是他们利用硅梁振动方法在微机电系统中实现 AI 的缘故原由。

“我们的事情表明，可以利用微机电系统中的非线性资源实现 AI 能力，”Sylvestre 说。
“这是一种创造人工智能设备的新方法，它可以将设备做到小巧而高效。
”

根据 Sylvestre 的说法，很难将这种微机电系统设备的处理能力与台式打算机等进行比较。
“打算机与我们的微型设备事情办法截然不同，”他阐明说。
“打算机很大并且花费大量功率（达到数十瓦），而我们的微机电系统设备乃至可以制作在人类的头发丝上，以微瓦的功率就可以运行。
只管花费的功率很少，但是这种微型设备仍旧可以做一些很有趣的事情，比如对某些口语词汇分类——这项任务可能会利用相称于台式打算机 10％的资源。
”

据 Sylvestre 称，这种配备 AI 的微机电系统的一种可能的运用是加速度计微机电系统，个中设备网络的所有数据都在设备内处理，而无需将数据发送回打算机。

虽然研究职员还没有关注它们如何为这些微型设备供电，但是可以假设这些设备在不须要电池的情形下运行在能量采集器上。
考虑到这一点，研究职员正在寻求将他们的人工智能微机电系统运用在传感器和机器人掌握等运用上。