در دنیای امروز، هوش مصنوعی (AI) و به ویژه زیرشاخه آن، یادگیری عمیق (Deep Learning – DL)، انقلابی در حوزه‌های مختلف از جمله بینایی ماشین، پردازش زبان طبیعی و تشخیص گفتار ایجاد کرده است. اما این عملکرد بی‌نظیر با هزینه‌ای گزاف از پیچیدگی محاسباتی همراه است که به شدت مانع از کاربرد آن در دستگاه‌های با منابع محدود، نظیر تلفن‌های همراه هوشمند و دستگاه‌های اینترنت اشیا (IoT) می‌شود. مقاله حاضر با عنوان “فعال‌سازی یادگیری عمیق در دستگاه‌های همراه: روش‌ها، سیستم‌ها و کاربردها” به بررسی دقیق این چالش و ارائه راه‌حل‌های جامع می‌پردازد.

اهمیت این تحقیق در عصر حاضر که دستگاه‌های همراه به جزء لاینفک زندگی روزمره تبدیل شده‌اند، غیرقابل انکار است. توانمندسازی این دستگاه‌ها برای اجرای مدل‌های یادگیری عمیق نه تنها تجربه کاربری را بهبود می‌بخشد، بلکه امکانات جدیدی را در هوش مصنوعی لبه (Edge AI) و پردازش محلی داده‌ها فراهم می‌آورد. این مقاله یک دید کلی و جامع از روش‌های کارآمد یادگیری عمیق، سیستم‌های پیاده‌سازی و کاربردهای عملی آن ارائه می‌دهد و راه را برای توسعه نسل بعدی برنامه‌های هوشمند و مستقل هموار می‌کند.

پیشرفت‌های چشمگیر در یادگیری عمیق، امکانات جدیدی را در حوزه‌های مختلف از جمله تشخیص چهره، دستیارهای صوتی هوشمند، خودروهای خودران و پزشکی فراهم آورده است. اما طبیعت محاسباتی فشرده این شبکه‌ها، پیاده‌سازی آن‌ها را در دستگاه‌های کوچک و کم‌مصرف، مانند تلفن‌های همراه و حسگرهای IoT، به یک چالش بزرگ تبدیل کرده است. این دستگاه‌ها معمولاً دارای ظرفیت حافظه محدود، توان پردازشی پایین و محدودیت در مصرف انرژی هستند.

مقاله حاضر با هدف رفع این موانع، یک مرور جامع بر رویکردها و تکنیک‌هایی ارائه می‌دهد که به کاهش بار محاسباتی مدل‌های یادگیری عمیق کمک می‌کنند، بدون اینکه دقت بالای آن‌ها به خطر بیفتد. اهمیت این تحقیق از جنبه‌های مختلفی قابل بررسی است:

• توانمندسازی هوش مصنوعی فراگیر: با فعال‌سازی DL روی دستگاه‌های همراه، هوش مصنوعی از سرورهای ابری فراتر رفته و به صورت محلی و در لحظه در دسترس قرار می‌گیرد.
• حفظ حریم خصوصی: پردازش داده‌ها به صورت محلی روی دستگاه، نیاز به ارسال اطلاعات حساس به فضای ابری را کاهش داده و امنیت و حریم خصوصی کاربران را بهبود می‌بخشد.
• کاهش تأخیر: حذف نیاز به ارتباط با سرورهای ابری، تأخیر در پردازش را به حداقل می‌رساند که برای کاربردهایی مانند خودروهای خودران حیاتی است.
• کاهش مصرف انرژی و هزینه: اجرای کارآمدتر مدل‌ها در دستگاه‌ها به معنای مصرف کمتر انرژی و کاهش بار بر زیرساخت‌های ابری است.

این مقاله به عنوان یک منبع مرجع برای محققان و مهندسانی که به دنبال پیاده‌سازی راه‌حل‌های یادگیری عمیق در محیط‌های با منابع محدود هستند، عمل می‌کند.

این مقاله حاصل کار تیمی از محققان برجسته در زمینه هوش مصنوعی و یادگیری ماشین است. نویسندگان مقاله عبارتند از:

• Han Cai
• Ji Lin
• Yujun Lin
• Zhijian Liu
• Haotian Tang
• Hanrui Wang
• Ligeng Zhu
• Song Han

این تیم تحقیقاتی، که احتمالاً از موسسات آکادمیک و صنعتی پیشرو در حوزه هوش مصنوعی هستند (با توجه به سابقه Song Han در MIT و فعالیت‌های گسترده ایشان در زمینه DL کارآمد)، سابقه درخشانی در زمینه بهینه‌سازی مدل‌های یادگیری عمیق برای دستگاه‌های با منابع محدود دارند. تخصص آن‌ها شامل طراحی معماری‌های عصبی کارآمد، فشرده‌سازی مدل، بهینه‌سازی سخت‌افزاری و نرم‌افزاری برای هوش مصنوعی لبه و توسعه ابزارهای AutoML است.

زمینه اصلی تحقیق این نویسندگان بر روی چگونگی غلبه بر چالش‌های محاسباتی شبکه‌های عصبی عمیق متمرکز است تا بتوانند پتانسیل کامل هوش مصنوعی را در محیط‌های واقعی و پراکنده به کار گیرند. کارهای قبلی آن‌ها اغلب شامل نوآوری‌هایی در معماری‌های جدید، الگوریتم‌های فشرده‌سازی و طراحی مشترک سخت‌افزار-نرم‌افزار برای شتاب‌دهنده‌های هوش مصنوعی بوده است.

چکیده مقاله به وضوح مشکل اصلی و راه‌حل‌های پیشنهادی را بیان می‌کند. با وجود موفقیت‌های بی‌سابقه شبکه‌های عصبی عمیق (DNNs) در بینایی ماشین، پردازش زبان طبیعی و تشخیص گفتار، پیچیدگی محاسباتی بالای آن‌ها مانع بزرگی برای کاربردشان در دستگاه‌های با منابع محدود مانند گوشی‌های همراه و دستگاه‌های IoT است. هدف اصلی این مقاله، ارائه یک نمای کلی از روش‌ها، سیستم‌ها و کاربردهای یادگیری عمیق کارآمد است.

محتوای مقاله به صورت ساختاریافته به شرح زیر خلاصه می‌شود:

• مقدمه‌ای بر روش‌های فشرده‌سازی مدل: مقاله با معرفی روش‌های رایج برای کاهش اندازه و پیچیدگی مدل‌ها آغاز می‌شود. این روش‌ها شامل:

  • هرس (Pruning): حذف وزن‌ها یا اتصالات غیرضروری در شبکه.
  • فاکتورگیری (Factorization): تجزیه ماتریس‌های وزن به ماتریس‌های کوچک‌تر.
  • کوانتیزاسیون (Quantization): کاهش دقت عددی وزن‌ها و فعال‌سازی‌ها (مثلاً از ۳۲ بیت ممیز شناور به ۸ بیت عدد صحیح).
  • طراحی مدل‌های فشرده (Compact Model Design): طراحی معماری‌هایی که ذاتاً سبک‌تر و کارآمدتر هستند (مانند MobileNet یا ShuffleNet).

• معرفی چارچوب AutoML: برای کاهش هزینه بالای طراحی دستی این راه‌حل‌ها، مقاله به بحث در مورد چارچوب AutoML (Automated Machine Learning) برای هر یک از روش‌های فوق می‌پردازد. این شامل جستجوی معماری عصبی (Neural Architecture Search – NAS) و همچنین هرس و کوانتیزاسیون خودکار است.

• آموزش کارآمد درون دستگاهی (On-Device Training): برای فعال‌سازی سفارشی‌سازی بر اساس داده‌های محلی کاربران روی دستگاه‌های همراه، مقاله به بررسی تکنیک‌های آموزش مدل به صورت کارآمد روی خود دستگاه می‌پردازد.

• شتاب‌دهی خاص کار (Task-Specific Accelerations): علاوه بر تکنیک‌های شتاب‌دهی عمومی، چندین شتاب‌دهنده خاص برای کاربردهایی مانند پردازش ابر نقطه (Point Cloud)، ویدئو و پردازش زبان طبیعی، با بهره‌گیری از ویژگی‌های ذاتی آن‌ها مانند پراکندگی فضایی و افزونگی زمانی/توکن، معرفی می‌شوند.

• طراحی سیستم یادگیری عمیق کارآمد: در نهایت، برای پشتیبانی از تمام پیشرفت‌های الگوریتمی ذکر شده، مقاله به معرفی طراحی سیستم‌های یادگیری عمیق کارآمد از دیدگاه نرم‌افزاری و سخت‌افزاری می‌پردازد.

به طور خلاصه، این مقاله یک نقشه راه جامع برای محققان و مهندسان فراهم می‌کند تا بتوانند چالش‌های پیاده‌سازی یادگیری عمیق روی دستگاه‌های همراه را با استفاده از رویکردهای الگوریتمی، سیستمی و کاربردی حل کنند.

روش‌شناسی این مقاله بیشتر بر پایه یک بررسی جامع و سیستماتیک (Systematic Review) از ادبیات موجود و دستاوردهای اخیر در زمینه فعال‌سازی یادگیری عمیق روی دستگاه‌های همراه استوار است. نویسندگان با جمع‌آوری و تحلیل مقالات و تحقیقات کلیدی، یک چارچوب طبقه‌بندی شده برای درک بهتر چالش‌ها و راه‌حل‌ها ارائه می‌دهند. رویکردهای اصلی مورد بحث در مقاله شامل موارد زیر است:

۴.۱. فشرده‌سازی مدل (Model Compression)

این بخش قلب روش‌شناسی برای کاهش اندازه و پیچیدگی مدل‌ها را تشکیل می‌دهد. روش‌ها عبارتند از:

• هرس (Pruning): شامل حذف نورون‌ها، وزن‌ها یا فیلترهایی که کمترین تأثیر را بر خروجی مدل دارند. این کار می‌تواند به صورت ساختاریافته (حذف کل فیلترها) یا غیرساختاریافته (حذف وزن‌های منفرد) انجام شود. به عنوان مثال، در شبکه‌های کانولوشن، حذف فیلترهای کم‌اهمیت می‌تواند به طور قابل توجهی پارامترها و محاسبات را کاهش دهد.

• کوانتیزاسیون (Quantization): کاهش تعداد بیت‌های مورد استفاده برای نمایش وزن‌ها و فعال‌سازی‌ها. به جای استفاده از اعداد ممیز شناور ۳۲ بیتی، می‌توان از اعداد ۸ بیتی یا حتی کمتر استفاده کرد. این کار نه تنها حافظه را کاهش می‌دهد بلکه امکان استفاده از عملیات اعداد صحیح (Integer Operations) را فراهم می‌کند که در سخت‌افزارهای لبه سریع‌تر و کم‌مصرف‌تر هستند.

• فاکتورگیری (Factorization) و تقریب ماتریس‌ها: تجزیه ماتریس‌های بزرگ وزن به ماتریس‌های کوچک‌تر و متوالی. برای مثال، یک لایه کانولوشن سه بعدی می‌تواند به دو یا چند لایه کانولوشن کوچک‌تر (مانند جداسازی فضایی و عمقی) تجزیه شود که به طور چشمگیری تعداد پارامترها و محاسبات را کاهش می‌دهد.

• طراحی مدل‌های فشرده (Compact Model Design): از پایه، معماری‌هایی طراحی می‌شوند که ذاتاً کم‌مصرف و کارآمد باشند. نمونه‌های بارز شامل MobileNet، ShuffleNet و EfficientNet هستند که با استفاده از لایه‌های کانولوشن عمقی و گروه‌بندی شده، بهینه‌سازی‌های خاصی را برای دستگاه‌های همراه ارائه می‌دهند.

۴.۲. یادگیری ماشینی خودکار (AutoML) برای طراحی مدل‌های کارآمد

برای غلبه بر پیچیدگی و هزینه بالای طراحی دستی مدل‌های فشرده و کارآمد، مقاله به نقش AutoML می‌پردازد. این شامل:

• جستجوی معماری عصبی (Neural Architecture Search – NAS): الگوریتم‌هایی برای یافتن خودکار بهترین معماری شبکه عصبی برای یک وظیفه خاص، با در نظر گرفتن محدودیت‌های سخت‌افزاری. این رویکرد می‌تواند معماری‌های جدید و کارآمدتری نسبت به طراحی دستی کشف کند.

• هرس و کوانتیزاسیون خودکار: استفاده از الگوریتم‌های جستجو و بهینه‌سازی برای تعیین بهترین استراتژی هرس یا کوانتیزاسیون برای یک مدل، بدون نیاز به دخالت انسانی زیاد.

۴.۳. آموزش درون دستگاهی (On-Device Training)

این بخش به امکان‌پذیری آموزش مدل‌ها به صورت محلی روی دستگاه‌های همراه می‌پردازد. این برای سناریوهایی که نیاز به شخصی‌سازی (Personalization) بر اساس داده‌های خاص کاربر یا حفظ حریم خصوصی دارند، حیاتی است. چالش‌های آموزش درون دستگاهی شامل محدودیت‌های منابع و نیاز به الگوریتم‌های آموزشی کم‌مصرف‌تر است.

۴.۴. شتاب‌دهی خاص کار (Task-Specific Accelerations)

مقاله به بررسی روش‌هایی می‌پردازد که از ویژگی‌های خاص داده‌ها در وظایف مشخص برای بهبود کارایی استفاده می‌کنند. به عنوان مثال:

• پردازش ابر نقطه (Point Cloud): بهره‌گیری از پراکندگی ذاتی داده‌های ابر نقطه برای محاسبات کارآمدتر.
• پردازش ویدئو: استفاده از افزونگی زمانی بین فریم‌ها برای کاهش محاسبات در شبکه‌های تشخیص و ردیابی اشیا.
• پردازش زبان طبیعی (NLP): بهره‌برداری از افزونگی توکن‌ها و ساختارهای زبانی برای مدل‌های زبانی سبک‌تر.

۴.۵. طراحی سیستم‌های یادگیری عمیق کارآمد (Efficient Deep Learning System Design)

این بخش بر روی بهینه‌سازی‌های سیستمی تمرکز دارد:

• دیدگاه نرم‌افزاری: شامل فریم‌ورک‌های بهینه‌شده (مانند TensorFlow Lite، PyTorch Mobile)، بهینه‌سازی کامپایلر و زمان‌بندی وظایف.
• دیدگاه سخت‌افزاری: شامل طراحی شتاب‌دهنده‌های سخت‌افزاری (Hardware Accelerators) اختصاصی (مانند NPU، TPU لبه) که برای عملیات شبکه‌های عصبی بهینه‌سازی شده‌اند و مصرف انرژی کمتری دارند.

این رویکرد جامع، خواننده را با تمام ابعاد لازم برای پیاده‌سازی موفق یادگیری عمیق در محیط‌های با منابع محدود آشنا می‌سازد.

یافته‌های کلیدی این مقاله نشان می‌دهد که با وجود چالش‌های ذاتی در اجرای مدل‌های یادگیری عمیق روی دستگاه‌های همراه، راه‌حل‌های متعددی وجود دارند که امکان دستیابی به تعادلی مطلوب بین دقت و کارایی را فراهم می‌کنند. مهم‌ترین دستاوردهای این بررسی شامل موارد زیر است:

• قابلیت فشرده‌سازی بالای مدل‌های یادگیری عمیق: این مقاله نشان می‌دهد که بسیاری از مدل‌های یادگیری عمیق دارای افزونگی قابل توجهی هستند و می‌توانند با تکنیک‌هایی مانند هرس، کوانتیزاسیون و فاکتورگیری، بدون افت محسوس در دقت، به شدت فشرده شوند. این فشرده‌سازی نه تنها حجم مدل را کاهش می‌دهد، بلکه سرعت استنتاج را نیز افزایش می‌دهد.

• نقش حیاتی AutoML در بهینه‌سازی: تاکید بر این است که طراحی دستی معماری‌های کارآمد یا استراتژی‌های فشرده‌سازی، کاری زمان‌بر و نیازمند تخصص فراوان است. AutoML، به ویژه NAS و روش‌های خودکار هرس و کوانتیزاسیون، ابزارهای قدرتمندی برای کشف خودکار پیکربندی‌های بهینه و کاهش بار طراحی انسانی هستند.

• امکان آموزش درون دستگاهی برای شخصی‌سازی و حریم خصوصی: مقاله اهمیت آموزش مدل‌ها روی خود دستگاه را برای ارتقاء حریم خصوصی کاربران و امکان شخصی‌سازی بی‌درنگ تأیید می‌کند. با پیشرفت در الگوریتم‌های آموزشی کارآمد برای محیط‌های با منابع محدود، این امر در حال تبدیل شدن به یک واقعیت عملی است.

• اهمیت شتاب‌دهی‌های خاص کار: مشخص شد که برای بسیاری از کاربردهای خاص مانند پردازش ویدئو یا ابر نقطه، می‌توان با بهره‌گیری از ویژگی‌های ذاتی داده‌ها (مانند پراکندگی یا افزونگی زمانی)، به بهینه‌سازی‌های بیشتری دست یافت که از روش‌های عمومی فراتر می‌روند.

• نیاز به هم‌طراحی سخت‌افزار-نرم‌افزار: یک نتیجه‌گیری مهم این است که برای دستیابی به حداکثر کارایی، باید رویکردی جامع در نظر گرفته شود که شامل بهینه‌سازی‌های نرم‌افزاری (فریم‌ورک‌ها و کامپایلرها) و سخت‌افزاری (تراشه‌های شتاب‌دهنده اختصاصی) باشد. این هم‌طراحی (Co-design) برای باز کردن پتانسیل کامل هوش مصنوعی لبه ضروری است.

• توسعه اکوسیستم هوش مصنوعی لبه: در مجموع، این مقاله نشان می‌دهد که یک اکوسیستم رو به رشد از روش‌ها، ابزارها و سخت‌افزارها در حال شکل‌گیری است که به طور فزاینده‌ای پیاده‌سازی هوش مصنوعی عمیق را در دستگاه‌های همراه عملی و کارآمد می‌سازد.

این یافته‌ها تأکید می‌کنند که با انتخاب استراتژی‌های مناسب و استفاده از ابزارهای موجود، می‌توان بر چالش‌های منابع محدود غلبه کرد و امکانات هوش مصنوعی را به میلیون‌ها دستگاه همراه در سراسر جهان گسترش داد.

دستاوردها و کاربردهای فعال‌سازی یادگیری عمیق در دستگاه‌های همراه، بسیار گسترده و تحول‌آفرین هستند. این تکنیک‌ها نه تنها امکانات جدیدی را فراهم می‌کنند، بلکه عملکرد موجود را نیز به طرز چشمگیری بهبود می‌بخشند:

۶.۱. کاربردها در تلفن‌های هوشمند

• دستیارهای صوتی پیشرفته: پردازش فرمان‌های صوتی و پاسخ‌گویی سریع‌تر بدون نیاز به ارتباط دائم با سرورهای ابری.
• پردازش تصویر و ویدئو: قابلیت‌هایی نظیر بهبود کیفیت عکس، تشخیص صحنه، افکت‌های واقعیت افزوده (AR) و تشخیص اشیا در زمان واقعی، بدون تأخیر و با حفظ حریم خصوصی. مثال: حالت پرتره در دوربین‌ها یا تشخیص متن در تصاویر.
• کیبوردهای هوشمند: پیش‌بینی کلمات و تصحیح خودکار با دقت بالاتر و شخصی‌سازی بر اساس سبک تایپ کاربر.
• امنیت بیومتریک: تشخیص چهره و اثر انگشت سریع‌تر و مطمئن‌تر برای بازگشایی قفل گوشی و تأیید هویت.

۶.۲. کاربردها در دستگاه‌های اینترنت اشیا (IoT)

• خانه‌های هوشمند: تشخیص فعالیت، تشخیص صدا و چهره برای اتوماسیون خانگی، با پردازش محلی داده‌ها برای افزایش سرعت و حفظ حریم خصوصی.
• شهرهای هوشمند: پایش ترافیک، تشخیص ناهنجاری‌ها در زیرساخت‌ها و مدیریت انرژی با استفاده از حسگرهای کم‌مصرف و پردازش محلی.
• نظارت صنعتی: پیش‌بینی خرابی ماشین‌آلات، کنترل کیفیت محصول و بهینه‌سازی فرآیندهای تولید با پردازش داده‌های حسگر در لبه شبکه.
• کشاورزی هوشمند: تشخیص بیماری گیاهان، پایش سلامت دام و بهینه‌سازی آبیاری با استفاده از پهپادها و حسگرهای مجهز به AI.

۶.۳. کاربردها در حوزه‌های تخصصی

• خودروهای خودران: پردازش سریع داده‌های حسگرها (لیدار، رادار، دوربین) برای تشخیص موانع، عابران پیاده و علائم راهنمایی و رانندگی، که برای تصمیم‌گیری‌های حیاتی در زمان واقعی ضروری است.
• پزشکی همراه: دستگاه‌های پوشیدنی برای پایش سلامت، تشخیص زودهنگام بیماری‌ها و ارائه توصیه‌های شخصی‌سازی شده بر اساس داده‌های حیاتی کاربر.
• واقعیت مجازی و افزوده (VR/AR): رندرینگ صحنه‌های پیچیده، تشخیص ژست‌ها و تعامل با محیط به صورت بلادرنگ در هدست‌ها و عینک‌های هوشمند.

۶.۴. دستاوردهای کلی

در مجموع، دستاوردهای این پژوهش و رویکردهای مرتبط شامل:

• افزایش کارایی: اجرای مدل‌های DL با مصرف انرژی کمتر و سرعت بالاتر.
• حفظ حریم خصوصی: کاهش نیاز به ارسال داده‌های حساس به سرورهای ابری.
• کاهش تأخیر: پردازش بلادرنگ اطلاعات برای کاربردهای حساس به زمان.
• گسترش دامنه کاربرد AI: امکان‌پذیری هوش مصنوعی در میلیون‌ها دستگاه کوچک و با منابع محدود.
• سفارشی‌سازی پیشرفته: آموزش مدل‌ها بر اساس داده‌های خاص کاربر برای ارائه تجربه‌ای شخصی‌تر.

این مقاله نشان می‌دهد که ما در آستانه ورود به دورانی هستیم که هوش مصنوعی نه تنها قدرتمند، بلکه فراگیر و همیشه در دسترس خواهد بود.

مقاله “فعال‌سازی یادگیری عمیق در دستگاه‌های همراه: روش‌ها، سیستم‌ها و کاربردها” یک بررسی جامع و روشنگر در مورد یکی از حیاتی‌ترین چالش‌های هوش مصنوعی مدرن ارائه می‌دهد: چگونگی پیاده‌سازی شبکه‌های عصبی عمیق قدرتمند بر روی دستگاه‌های با منابع محدود. این تحقیق به روشنی بیان می‌کند که با وجود پیچیدگی‌های محاسباتی، راه‌حل‌های عملی و کارآمدی برای غلبه بر این موانع وجود دارد.

خلاصه نتیجه‌گیری‌های اصلی عبارتند از:

• همگرایی الگوریتم و سیستم: موفقیت در فعال‌سازی DL روی دستگاه‌های همراه نیازمند هم‌افزایی بین پیشرفت‌های الگوریتمی (فشرده‌سازی مدل، AutoML، آموزش درون دستگاهی) و بهینه‌سازی‌های سیستمی (طراحی سخت‌افزار-نرم‌افزار) است.
• نقش فشرده‌سازی: روش‌های فشرده‌سازی مدل مانند هرس، کوانتیزاسیون و فاکتورگیری، ابزارهای کلیدی برای کاهش ردپای محاسباتی مدل‌ها هستند.
• آینده AutoML: ابزارهای AutoML، به ویژه NAS، در کاهش بار طراحی مدل‌های کارآمد و تسریع فرآیند توسعه نقش فزاینده‌ای خواهند داشت.
• اهمیت هوش مصنوعی لبه: فعال‌سازی یادگیری عمیق در لبه شبکه، راه را برای کاربردهای جدید و بهبود یافته در زمینه‌های مختلف، از دستگاه‌های مصرف‌کننده گرفته تا سیستم‌های صنعتی و پزشکی، هموار می‌سازد. این رویکرد به حفظ حریم خصوصی، کاهش تأخیر و افزایش پایداری سیستم‌ها کمک می‌کند.

این مقاله نه تنها مروری بر وضعیت فعلی ارائه می‌دهد، بلکه الهام‌بخش تحقیقات و توسعه‌های آینده در حوزه هوش مصنوعی لبه خواهد بود. با ادامه پیشرفت در این زمینه‌ها، می‌توان انتظار داشت که دستگاه‌های همراه و IoT به طور فزاینده‌ای هوشمندتر، مستقل‌تر و قادر به انجام وظایف پیچیده‌تری شوند که در نهایت به بهبود کیفیت زندگی و کاربری ما منجر خواهد شد. در آینده، شاهد همگرایی بیشتر سخت‌افزار و نرم‌افزار، و ظهور نسل‌های جدیدی از مدل‌های عصبی که از همان ابتدا برای کارایی در دستگاه‌های لبه طراحی شده‌اند، خواهیم بود.