在此演讲中，杨老师首先介绍了AI和边缘计算交叉领域的发展现状并对边缘AI发展趋势做了分析。然后总结了边缘AI领域的重要技术挑战，并详细介绍了他和团队近期在三个方向上的工作进展。

基于二值模型架构的低功耗 AI加速器

杨老师和清华大学集成电路领域专家汪玉老师团队合作开发了一种基于二值模型架构的低功耗 AI加速器。这种新型架构设计在ASIC和FPGA上通过验证都达到比当前的SOTA二值模型降低4倍功耗并能维持同等水平精度。

二值神经网络架构BNext

杨老师介绍的第二个工作是研发中的下一代极高精度二值神经网络架构BNext，目前已成为第一个在ImageNet数据集上精度超过80%的二值神经网络。他认为这种低功耗AI技术未来将有望落地在边缘AI、AIoT、自动驾驶、机器人等需要电池供电的智能设备中。在达到精度大幅提升后，团队同时积极在GPU等硬件上进行效率验证和进一步优化。

在演讲的第二部分，做为KubeEdge SIG AI成员，杨老师着重介绍了业界第一个基于KubeEdge的分布式协同AI框架 Sedna。Sedna的核心理念是基于KubeEdge提供的边云协同基础框架，打造中间服务以支持现有AI应用无缝下沉到边缘。负责打通AI应用和云边协同计算能力的通路。让边缘计算和AI社区的开发者们都能够获益。它能够有效降低分布式协同机器学习服务构建与部署成本、提升模型性能、保护数据隐私。杨老师重点为听众介绍了Sedna的基础架构，已推出的特性，例如协同推理，联邦学习，增量学习终身学习等等。

协同推理ReID

展示了协同推理ReID特性今年在新冠流调中成功应用，能大幅提升流调工作效率、帮助实现快速有效的防疫。目前特性已被集成进入华为时空伴随搜索解决方案中。

在演讲后的问答环节，Sedna成为被提问最多的部分，成功收获极大的关注。通过此次分享，成功提升了KubeEdge/Sedna在计算机视觉社区的能见度，将为KubeEdge SIG AI社区吸引更多优秀的合作者。