邊緣AI發(fā)源于邊緣計(jì)算。邊緣計(jì)算也稱為邊緣處理，是一種將服務(wù)器放置在本地設(shè)備附近網(wǎng)絡(luò)技術(shù)， 這有助于降低系統(tǒng)的處理負(fù)載，解決數(shù)據(jù)傳輸?shù)难舆t問題。這樣的處理是在傳感器附近或設(shè)備產(chǎn)生數(shù)據(jù)的位置進(jìn)行的，因此稱之為邊緣。

邊緣計(jì)算的發(fā)展意味著邊緣人工智能正變得越來越重要。各行各業(yè)莫不如是，特別是在降低處理延遲和保護(hù)數(shù)據(jù)隱私這方面。本文將探討邊緣AI的影響，為什么重要，及其常見用例。

什么是邊緣AI？

邊緣AI是指在硬件設(shè)備上本地處理的AI算法，可以在沒有網(wǎng)絡(luò)連接的情況下處理數(shù)據(jù)。這意味著可以在無需流式傳輸或在云端數(shù)據(jù)存儲(chǔ)的情況下進(jìn)行數(shù)據(jù)創(chuàng)建等操作。這一點(diǎn)很重要，因?yàn)槌霈F(xiàn)了越來越多的設(shè)備數(shù)據(jù)無法依賴云端處理的情況。比如，工廠的機(jī)器人和自動(dòng)駕駛汽車都需要以最小的延遲高速處理數(shù)據(jù)。

為了實(shí)現(xiàn)這些目標(biāo)，邊緣計(jì)算可以在云上靠深度學(xué)習(xí)生成數(shù)據(jù)，而在數(shù)據(jù)原點(diǎn)——即設(shè)備本身（邊緣）執(zhí)行模型的推斷和預(yù)測。

以工廠的工業(yè)機(jī)器人為例。AI技術(shù)可以在這里以人類無法企及的速度，對(duì)來自監(jiān)控?cái)z像頭和傳感器的大量多模態(tài)數(shù)據(jù)進(jìn)行可視化和評(píng)估，可以用它來檢測生產(chǎn)線上人類可能忽略的故障數(shù)據(jù)。這類物聯(lián)網(wǎng)結(jié)構(gòu)可以存儲(chǔ)生產(chǎn)線上產(chǎn)生的大量數(shù)據(jù)，并通過機(jī)器學(xué)習(xí)進(jìn)行分析。它們也是能夠提高工廠智能化程度的AI模型的核心。

邊緣AI，物聯(lián)網(wǎng)和5G：

邊緣人工智能經(jīng)常與物聯(lián)網(wǎng)（IoT）和5G網(wǎng)絡(luò)放在一起討論。

物聯(lián)網(wǎng)一詞指的是通過互聯(lián)網(wǎng)相互連接的設(shè)備，包括智能手機(jī)、機(jī)器人和電子設(shè)備。作為一個(gè)用人工智能進(jìn)行分析的平臺(tái)，邊緣人工智能可以收集和存儲(chǔ)物聯(lián)網(wǎng)產(chǎn)生的大量數(shù)據(jù)，讓使用具有可擴(kuò)展性的云成為可能。這可以提高數(shù)據(jù)處理和基礎(chǔ)設(shè)施的靈活性。

5G網(wǎng)絡(luò)可以增強(qiáng)上述過程，因?yàn)槠淙筇攸c(diǎn)——超高速、大并發(fā)和超低時(shí)延——明顯優(yōu)于4G網(wǎng)絡(luò)。

5G對(duì)于物聯(lián)網(wǎng)和邊緣AI的發(fā)展是不可或缺的，因?yàn)楫?dāng)物聯(lián)網(wǎng)設(shè)備傳輸數(shù)據(jù)時(shí)，數(shù)據(jù)量暴漲，從而影響傳輸速度。傳輸速度的下降又會(huì)產(chǎn)生時(shí)延，而時(shí)延是實(shí)時(shí)處理面臨的最大問題。

邊緣計(jì)算和邊緣AI為何重要？

越來越多的情況下，設(shè)備數(shù)據(jù)無法通過云端處理。工業(yè)機(jī)器人和自動(dòng)駕駛汽車經(jīng)常出現(xiàn)這種情況，它們需要高速處理，但當(dāng)數(shù)據(jù)流增大而產(chǎn)生處理時(shí)延時(shí)會(huì)非常危險(xiǎn)。

例如，想象一下自動(dòng)駕駛汽車在檢測道路上的物體，或操作剎車或方向盤時(shí)由于云端而延遲。任何數(shù)據(jù)處理的減慢都會(huì)導(dǎo)致車輛的響應(yīng)速度變慢。如果響應(yīng)變慢的車輛不能及時(shí)做出反應(yīng)，就可能導(dǎo)致事故的發(fā)生。生命此時(shí)會(huì)切實(shí)受到威脅。

對(duì)于這些物聯(lián)網(wǎng)設(shè)備來說，實(shí)時(shí)響應(yīng)是必要條件。這就要求設(shè)備能夠在現(xiàn)場分析和評(píng)估圖像/數(shù)據(jù)，而不能依賴云端AI。

通過將通常委托給云端的信息處理交給邊緣設(shè)備，可以實(shí)現(xiàn)無傳輸延遲的實(shí)時(shí)處理。此外，如果只傳輸重要信息到云端，可以減少傳輸數(shù)據(jù)量，這能將通信中斷的風(fēng)險(xiǎn)降到最低。

邊緣AI使用場景

邊緣AI的市場主要有兩個(gè)領(lǐng)域：工業(yè)機(jī)械和消費(fèi)設(shè)備。可以看到，它在控制和優(yōu)化設(shè)備、自動(dòng)化重復(fù)勞動(dòng)等領(lǐng)域均有進(jìn)展。

消費(fèi)設(shè)備也有所突破，這些設(shè)備的AI攝像頭可以自動(dòng)識(shí)別被攝對(duì)象。由于設(shè)備數(shù)量大于工業(yè)機(jī)器，預(yù)計(jì)從2021年起，消費(fèi)設(shè)備市場將大幅擴(kuò)大。

我們把一些邊緣AI的常見場景放在下面。

自動(dòng)駕駛汽車

自動(dòng)駕駛汽車是應(yīng)用邊緣計(jì)算最值得期待的領(lǐng)域。有很多情況下，自動(dòng)駕駛汽車需要對(duì)情況進(jìn)行即時(shí)評(píng)估，這就需要實(shí)時(shí)的數(shù)據(jù)處理。2019年12月，日本對(duì)《道路交通法》和《道路運(yùn)輸車輛法》進(jìn)行了修訂，使得3級(jí)自動(dòng)駕駛汽車更容易上路。它規(guī)定了自動(dòng)駕駛汽車應(yīng)符合的安全標(biāo)準(zhǔn)，以及自動(dòng)駕駛汽車可以運(yùn)行的區(qū)域。因此，汽車制造商也在正在努力開發(fā)遵守這些標(biāo)準(zhǔn)的自動(dòng)駕駛汽車。例如，豐田已經(jīng)在測試TRI-P4的完全自動(dòng)化（4級(jí)）自動(dòng)駕駛系統(tǒng)了。

無人機(jī)

無人機(jī)在進(jìn)行飛行時(shí)失控、失蹤的新聞越來越多。某些甚至導(dǎo)致了事故的發(fā)生。根據(jù)無人機(jī)降落位置的不同，墜毀造成的后果也可能是災(zāi)難性的。

自動(dòng)駕駛無人機(jī)上，飛行員并不主動(dòng)干涉無人機(jī)的飛行。他們遠(yuǎn)程監(jiān)控操作，只有在絕對(duì)必要的時(shí)候才會(huì)手動(dòng)駕駛無人機(jī)。最著名的例子是亞馬遜的Prime Air，這是一個(gè)無人機(jī)送貨服務(wù)，它們正在開發(fā)自動(dòng)駕駛無人機(jī)來運(yùn)送包裹。

人臉識(shí)別

人臉識(shí)別系統(tǒng)是監(jiān)控?cái)z像頭的發(fā)展方向，它可以通過學(xué)習(xí)人臉識(shí)別人類個(gè)體。2019年11月，WDS有限公司發(fā)布了AI攝像頭模塊Eeye，通過邊緣AI實(shí)時(shí)分析面部特征。Eeye能快速準(zhǔn)確地識(shí)別人臉，適用于針對(duì)性別、年齡等特征的營銷工具，和用來解鎖設(shè)備的人臉識(shí)別場景。

智能手機(jī)

這是我們最熟悉的邊緣AI設(shè)備。Siri和谷歌助手是智能手機(jī)上邊緣AI的好例子，因?yàn)樵摷夹g(shù)驅(qū)動(dòng)了它們的語音UI。手機(jī)上的AI使得數(shù)據(jù)處理發(fā)生在設(shè)備（邊緣）側(cè)，這意味著不需要將設(shè)備數(shù)據(jù)交付到云端。這有助于保護(hù)隱私和減少流量。

未來的邊緣AI

邊緣AI正高速增長，我們已經(jīng)看到對(duì)該技術(shù)的大量投資。像Konduit AI這樣的公司正在將它作為其在東南亞的AI戰(zhàn)略的關(guān)鍵部分。另一個(gè)例子是2020年1月，蘋果耗資2億美元收購了位于西雅圖的AI企業(yè)Xnor.ai。Xnor.ai的AI技術(shù)通過邊緣處理來處理用戶智能手機(jī)上的數(shù)據(jù)。隨著智能手機(jī)本身內(nèi)置人工智能，我們可能會(huì)看到語音處理、人臉識(shí)別技術(shù)和隱私保護(hù)方面的進(jìn)步。。

根據(jù)富士景氣集團(tuán)發(fā)布的 “2019年AI業(yè)務(wù)匯總調(diào)查”，日本的邊緣AI計(jì)算市場在2018財(cái)年的預(yù)測市場規(guī)模為110億日元。調(diào)查預(yù)測，2030財(cái)年市場規(guī)模將擴(kuò)大到664億日元。

而隨著5G的普及，可能也將看到全球邊緣AI服務(wù)成本的下降和需求的上升。
責(zé)任編輯：tzh