在电子设计领域，传感器数量激增、数据收集需求不断增长，但电池供电设备的续航问题日益突出。如何在不牺牲性能的前提下，让传感器更省电、更智能？本文将带你了解 Aspinity 公司的创新方案——通过模拟机器学习在信号链早期进行推理，从而大幅降低功耗，延长电池寿命。

一、电子设计行业面临的挑战

当前，电子设计行业正在发生重大变化，这主要是由传感器的激增以及生成和收集更多信息的需求所驱动的。这导致了以下趋势：

• 更多传感器被部署，且大多数更小、更易安装。
• 传感器采用无线传输，并且由电池供电，没有电线。

截至目前，传感器收集的大量数据已在本地数字化并发送到云端进行处理。然而，随着数据量和传感器数量的不断增长，工程师们不得不考虑与传感器数据相关的能源方面的问题。有许多应用程序始终处于感应状态，这需要经常更换电池。例如，当有人说话、出现安全违规行为（如碎玻璃）或机器开始故障时，传感器需要持续工作。

小提示： 对于始终监听的应用（如语音唤醒、异常检测），传统方案会持续数字化所有数据，导致电池快速耗尽。解决思路是：只在有“相关事件”时才唤醒系统处理数据。

二、Aspinity 公司简介

Aspinity 是一家总部位于匹兹堡的半导体新贵，其根源在于西弗吉尼亚大学进行的神经形态计算工作。该公司声称拥有一个旨在解决电池供电设备功耗问题的解决方案。该公司的联合创始人兼首席执行官 Tom Doyle 表示，这是一种采用模拟信号处理的基于推理的解决方案。

Aspinity 是一家半导体公司，提供芯片以及与模拟机器学习（ML）模型和固件一起使用的软件。“在某些情况下，我们还进行模拟压缩，”Doyle 说。“这一切都是为了在现有芯片中轻松集成，让算法更节能。” Aspinity 的硅合作伙伴包括英飞凌和意法半导体。

三、模拟 vs. 数字：传感器数据处理的核心差异

下图清晰地展示了以数字为中心和以模拟为中心的传感器数据处理之间的差异。

图1： 数字处理 vs. 模拟处理在传感器数据路径上的对比。资料来源：Aspinity

传统方法：传感器产生模拟信号 → ADC（模数转换器） → 数字处理（MCU） → 云端。所有数据都被数字化，即使无关紧要。

Aspinity 的方法：传感器产生模拟信号 → 模拟ML推理（低功耗） → 仅当检测到相关事件时 → 唤醒ADC和MCU → 数字处理 → 云端。

常见问题：为什么不在数字域中做轻量级推理？

答： 数字推理同样需要先将模拟信号数字化，ADC本身和数字处理都会消耗大量能量。而传感器数据本身就是模拟的，在模拟域中直接处理可以省去ADC和MCU大部分时间的功耗，只有“有事件”时才开启它们，因此效率更高。

四、Aspinity 如何与芯片厂商合作？

4.1 与英飞凌的合作

英飞凌现在拥有赛普拉斯半导体的微控制器，并且在传感器领域也非常强大。它正在与 Aspinity 在两个方面建立合作伙伴关系。Doyle 说：“我们与传感器一起工作，以便在很早的时候以低功耗引入数据。然后，当有价值的数据存在时，我们让 PSoC 微控制器唤醒并进行进一步处理，以便它们将相关信息传送到云端。”

4.2 与意法半导体的合作

意法半导体也提供低功耗 MCU，但对于电池供电设备来说，它们的功耗不够低。“所以，我们在 MCU 的前端，让它知道相关数据何时存在，”Doyle 说。“这就是我们如何看待我们的技术集成到现有芯片并支持新产品的方式。”

在这里，Aspinity 的技术允许 MCU 和模数转换器（ADC）保持在睡眠模式，直到相关数据可用。例如，当有唤醒词触发或警报响起时。重要的是要注意：这些事情是偶尔发生的，有时它们永远不会发生。因此，Doyle 补充说，为什么要使用当前将所有数据数字化的范例？

小提示： 许多电池供电设备（如智能门铃、工业震动监测器）大部分时间都处于静默状态。采用 Aspinity 方案后，MCU 和 ADC 可以深度休眠，仅在关键事件发生时唤醒，电池寿命可延长数倍甚至数十倍。

五、核心技术：模拟机器学习解决方案

5.1 可重构模拟模块化处理器（RAMP）

Aspinity 推理解决方案中的底层技术——可重构模拟模块化处理器（RAMP）——是一个受神经启发的处理平台。例如，Aspinity 可以构建一种算法来与麦克风声音交互以执行推理。接下来，构建 ML 阶段并将其转换为模拟神经网络（NN）阶段。这将做出决定并唤醒系统。它将决定：是否是讲话？是否有玻璃破裂？机器是否存在振动问题？

5.2 模拟神经网络如何工作？

为了推动 ML 功能和繁重的工作负载，Aspinity 的解决方案着眼于模拟域，并确定它可以为推理和决策做些什么。当您查看神经网络时，它是一系列乘法累加函数。在这里，正如 Doyle 所指出的，神经网络是非线性模拟的主要例子。它可以有很多不同的方式。因此，计算可以在具有特定 IP 和专有技术的模拟电路中完成。“乘法累加可以使用简单的模拟晶体管来实现，”Doyle 说。“它不一定是门。”

下图展示了两种推理路径的对比：

图2： 使用模拟内存计算进行推理（顶部）需要模拟和数字处理，而模拟ML内核中的推理（底部）仅使用模拟处理。资料来源：Aspinity

5.3 为什么模拟推理更节能？

• 原生模拟： 传感器数据本质上是模拟的，直接在模拟域处理，省去了ADC转换的能耗。
• 早期筛选： 在信号链最前端（靠近传感器）进行轻量级推理，只将“相关数据”传递到下游数字部分。
• 删除下游组件： 当没有相关事件时，ADC、MCU、无线传输等模块完全关闭，系统处于极低功耗状态。

常见问题：模拟ML vs 数字ML，哪个更准确？

答： 对于简单的唤醒词、碎玻璃检测等任务，模拟ML的准确率足够高（通常超过95%），且功耗仅为数字方案的1/10到1/100。如果需要更高精度（如语音识别），模拟ML先做粗筛，再唤醒数字ML做精细处理，两者结合既省电又准确。

六、总结：模拟在机器学习世界中的角色

通过将 ML 工作负载从数字转移到模拟并使其更靠近传感器，工程师可以更有效地处理传感器数据泛滥。他们可以使用固态电子设备将 ML 工作负载转移到尽可能早的实例，以了解数据何时相关。换句话说，他们可以将工作负载移动到尽可能靠近传感器的位置，并挑选相关的模拟数据。这是模拟在迅速兴起的机器学习世界中发挥作用的场所。

Aspinity 的技术通过 IP 保护，正在将 ML 工作负载从数字域转移到模拟域。“这样做效率更高，因为传感器数据本质上是模拟的，”Doyle 说。“如果我们能够挑战获取数据并将其数字化并查看数据以确定其是否相关的概念，则可以节省大量能源。”

Aspinity 努力在信号链中更早地移动 ML 工作负载，而在模拟领域执行此操作本质上是低功耗的。它还删除了下游组件。通过在模拟域中进行推理，这成为可能。所以，是的，模拟在快速发展的机器学习设计世界中占有一席之地。