Este artículo se redacta en el contexto del creciente interés por habilitar servicios inteligentes directamente en dispositivos con recursos limitados, debido a la convergencia de la inteligencia artificial y la computación de borde. Los modelos de aprendizaje profundo existentes requieren importantes recursos informáticos y una gestión centralizada de datos, y la latencia, el consumo de ancho de banda y las preocupaciones sobre la privacidad resultantes exponen las limitaciones críticas del paradigma centrado en la nube. En este artículo, ofrecemos una visión general completa de Edge Intelligence (EdgeSNN) basada en redes neuronales de punta (SNN) que imitan la dinámica de las neuronas biológicas para lograr computación basada en eventos de bajo consumo. Presentamos una taxonomía sistemática de EdgeSNN, incluyendo modelos neuronales, algoritmos de aprendizaje y plataformas de hardware de soporte, y analizamos en profundidad tres consideraciones prácticas representativas: la inferencia en el dispositivo mediante modelos SNN ligeros, el aprendizaje y la actualización con conocimiento de recursos en condiciones de datos anormales, y las preocupaciones sobre seguridad y privacidad. También destacamos las limitaciones de la evaluación de EdgeSNN en hardware existente e introducimos una estrategia de benchmarking de doble seguimiento para facilitar la comparación justa y la optimización con conocimiento de hardware. Este estudio busca acortar la distancia entre el aprendizaje basado en el cerebro y las implementaciones en el borde del mundo real, además de brindar información sobre el progreso actual, los desafíos pendientes y las futuras líneas de investigación. Este artículo es el primer estudio específico y exhaustivo de EdgeSNN y sirve como referencia esencial para investigadores y profesionales que trabajan en la intersección de la computación neuromórfica y la inteligencia de borde.
