人工智能如何改變邊緣計(jì)算的未來(lái)

作者：John Koon，特約作家

根據(jù)Statista的數(shù)據(jù)，到 2025 年，隨著物聯(lián)網(wǎng) (IoT) 設(shè)備（例如手機(jī)、虛擬助手、筆記本電腦、平板電腦、樓宇傳感器、無(wú)人機(jī)、安全攝像頭和可穿戴健康傳感器）的數(shù)量將超過(guò) 700 億臺(tái)，edge - 計(jì)算應(yīng)用程序也將增加。根據(jù) Tratica 的數(shù)據(jù)，全球人工智能 (AI) 邊緣設(shè)備的數(shù)量預(yù)計(jì)將從 2018 年的 1.614 億臺(tái)躍升至 2025 年的 26 億臺(tái)。

物聯(lián)網(wǎng)設(shè)備在零售、醫(yī)療保健、工業(yè)、航空航天、國(guó)防、交通運(yùn)輸、設(shè)施維護(hù)、能源、制造、供應(yīng)鏈物流和智慧城市等廣泛領(lǐng)域具有眾多多樣的應(yīng)用。每個(gè)物聯(lián)網(wǎng)設(shè)備都在持續(xù)收集數(shù)據(jù)，需要對(duì)其進(jìn)行快速分析以做出實(shí)時(shí)決策，尤其是對(duì)于自動(dòng)駕駛汽車、電網(wǎng)、遠(yuǎn)程手術(shù)、石油鉆井平臺(tái)甚至軍用無(wú)人機(jī)等應(yīng)用。

物聯(lián)網(wǎng)設(shè)備的邊緣計(jì)算與云計(jì)算傳統(tǒng)上，云計(jì)算是物聯(lián)網(wǎng)設(shè)備分析和預(yù)測(cè)的模型。在中央云計(jì)算模型中，數(shù)據(jù)從最終用戶設(shè)備（“邊緣”）發(fā)送到云端進(jìn)行分析；然后，該決定被傳回設(shè)備執(zhí)行。雖然中央計(jì)算模型中的數(shù)據(jù)中心具有巨大的處理和存儲(chǔ)數(shù)據(jù)的能力，但它們的維護(hù)成本高且耗電。

邊緣和云端之間的數(shù)據(jù)傳輸不僅成本高昂，而且非常耗時(shí)并會(huì)導(dǎo)致延遲（滯后時(shí)間）。此外，數(shù)據(jù)傳輸所需的能量超過(guò)了低能量無(wú)線物聯(lián)網(wǎng)設(shè)備所能支持的能量。當(dāng)收集到的數(shù)據(jù)中只有一小部分可能被證明有用時(shí)，將所有數(shù)據(jù)傳輸?shù)皆浦幸矝]有邏輯、運(yùn)營(yíng)或財(cái)務(wù)意義。最后，數(shù)據(jù)傳輸可能對(duì)數(shù)據(jù)完整性和安全性產(chǎn)生不利影響。

相比之下，通過(guò)邊緣計(jì)算，在物聯(lián)網(wǎng)設(shè)備上收集和分析數(shù)據(jù)以進(jìn)行快速推理（或決策）。稍后，少量有用的數(shù)據(jù)將被移動(dòng)到云端。邊緣計(jì)算提供了幾個(gè)優(yōu)勢(shì)。由于無(wú)需將數(shù)據(jù)從物聯(lián)網(wǎng)設(shè)備傳輸?shù)街醒朐疲虼水a(chǎn)生的延遲時(shí)間、帶寬消耗和成本將很低，并且可以根據(jù)數(shù)據(jù)分析快速做出決策。

此外，即使系統(tǒng)處于離線狀態(tài)，邊緣計(jì)算也可以繼續(xù)運(yùn)行，即時(shí)數(shù)據(jù)處理可以更輕松地確定應(yīng)將哪些數(shù)據(jù)傳輸?shù)皆贫诉M(jìn)行進(jìn)一步分析。

開發(fā) AI 邊緣：挑戰(zhàn)雖然將 AI 與邊緣計(jì)算相結(jié)合是有意義的，但硬件和 AI 軟件組件面臨著多重挑戰(zhàn)。

第一個(gè)挑戰(zhàn)是處理和功耗。人工智能由訓(xùn)練和推理軟件組成。訓(xùn)練教一個(gè)模型識(shí)別相關(guān)參數(shù)，以便它可以解釋數(shù)據(jù)。推理是模型進(jìn)行基于學(xué)習(xí)的預(yù)測(cè)的時(shí)候。

在云計(jì)算中，高耗能訓(xùn)練發(fā)生在云端；然后將經(jīng)過(guò)訓(xùn)練的軟件部署到邊緣以執(zhí)行相對(duì)低能耗的預(yù)測(cè)（或推理）任務(wù)。在邊緣計(jì)算中，訓(xùn)練向邊緣轉(zhuǎn)移，對(duì)邊緣硬件的處理能力提出了更高的要求。對(duì)于物聯(lián)網(wǎng)設(shè)備，這種增加的能耗帶來(lái)了更大的問(wèn)題，需要重新平衡處理能力與功率需求。

數(shù)據(jù)存儲(chǔ)和安全提出了第二個(gè)挑戰(zhàn)，因?yàn)檫吘壴O(shè)備將保留大部分?jǐn)?shù)據(jù)并僅將一小部分傳輸?shù)皆贫?。此外，設(shè)備需要存儲(chǔ)學(xué)習(xí)和推理的參數(shù)。第三個(gè)挑戰(zhàn)是物聯(lián)網(wǎng)設(shè)備的數(shù)量龐大以及目前缺乏針對(duì)它們的安全標(biāo)準(zhǔn)。

因此，科技公司需要開發(fā)具有更高處理能力和更低能耗的硬件以及更有效地執(zhí)行學(xué)習(xí)和推理的軟件。此外，物聯(lián)網(wǎng)的應(yīng)用是針對(duì)特定場(chǎng)景和行業(yè)的，因此為定制提供強(qiáng)大的生態(tài)系統(tǒng)和開發(fā)人員環(huán)境至關(guān)重要。

開發(fā) AI 邊緣：進(jìn)展專注于物聯(lián)網(wǎng)邊緣硬件的大大小小的公司包括BrainChip（Akida Neuromorphic System-on-Chip）、CEVA（NeuPro 系列）、Google（Edge TPU）、GreenWave（AI 處理器 GAP8） 、華為（Ascend Chips）、英特爾（Xeon）、英偉達(dá)（Jetson TX2）、高通（視覺智能平臺(tái)）和意法半導(dǎo)體（STM32微控制器）。

較小的公司傾向于專注于物聯(lián)網(wǎng)邊緣軟件。一些專注于學(xué)習(xí)，如 Ekkono、FogHorn 和 Swim（基于云的 POS），而另一些專注于推理，如 Renesas (e-AI)。許多公司還開發(fā)具有這兩種功能的軟件，例如 Amazon（AWS Greengrass ML 推理模型）、BrainChip（Studio 軟件）、Google（Cloud IoT Edge）、華為（Atlas 平臺(tái)）和 IBM（Watson IoT 平臺(tái)）。

大型科技公司處于構(gòu)建生態(tài)系統(tǒng)的最佳位置，以使開發(fā)人員能夠創(chuàng)建特定于行業(yè)和場(chǎng)景的解決方案。這些公司包括谷歌（人工智能平臺(tái)）、華為（MindSpore）、IBM（沃森）、英特爾（人工智能開發(fā)者計(jì)劃）和微軟（Azure）以及企業(yè)物聯(lián)網(wǎng)構(gòu)建模塊，如物聯(lián)網(wǎng)中心、Azure Databricks、ML Studio 和 Power BI） .

但是，也有一些較小的公司正在創(chuàng)建生態(tài)系統(tǒng)，例如BrainChip 的 Akida 開發(fā)環(huán)境。此外，OpenFog Consortium 等貿(mào)易組織和 Living Edge Lab、ETSI 多接入邊緣計(jì)算和 EdgeX Foundry 等開源項(xiàng)目也在為生態(tài)系統(tǒng)做出貢獻(xiàn)。此外，包括高通、微軟和英特爾在內(nèi)的領(lǐng)先企業(yè)在行業(yè)內(nèi)也有很多合作，它們正在與各個(gè)領(lǐng)域的合作伙伴進(jìn)行合作。

結(jié)論借助專門的硬件、軟件和開發(fā)人員環(huán)境，邊緣計(jì)算可能會(huì)提高操作可靠性、實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)并提高數(shù)據(jù)安全性。5G 承諾降低延遲并增強(qiáng)覆蓋和響應(yīng)能力，而量子計(jì)算加速計(jì)算，可能會(huì)進(jìn)一步提高邊緣計(jì)算的效率。

然而，跨邊緣設(shè)備網(wǎng)絡(luò)有效分配處理需求將是一個(gè)挑戰(zhàn)。此外，任務(wù)的有效調(diào)度對(duì)于避免系統(tǒng)故障和優(yōu)化機(jī)器學(xué)習(xí)將變得至關(guān)重要。隨著時(shí)間的推移，預(yù)計(jì)會(huì)出現(xiàn)更強(qiáng)大、功耗要求更低的處理芯片，屆時(shí)基于人工智能的邊緣計(jì)算將真正大放異彩。

審核編輯 黃昊宇