• 關鍵詞：                                                                宜鼎國際                                                                邊緣人工智能                                                                內存和存儲

• 摘要：人工智能（AI）和物聯網（IoT）正在融入我們所定義的AIoT。通過邊緣計算，計算能力正在向物聯網設備收集數據的邊緣轉移。人工智能是高效數據處理和降低延遲的下一個合乎邏輯的步驟，同時為邊緣領域的創新解決方案打開了大門。

 執 行 摘 要 

人工智能（AI）和物聯網（IoT）正在融入我們所定義的AIoT。通過邊緣計算，計算能力正在向物聯網設備收集數據的邊緣轉移。人工智能是高效數據處理和降低延遲的下一個合乎邏輯的步驟，同時為邊緣領域的創新解決方案打開了大門。 

發生這種人工智能計算的邊緣條件是不同的，任何設備都必須考慮到這一點。本文根據這些人工智能邊緣應用對優化存儲和內存解決方案的需求，解釋了這些趨勢。

 介 紹 

我們正進入技術創新的新時代。物聯網的概念已經存在很長一段時間了，特別是在我們快速發展的技術背景下。物聯網融合了物理和數字融合的精神；數據是從越來越多的設備中收集的，然后被聚合成通常所稱的大數據。這些設備的數量繼續增長，預計到2020年將達到驚人的500億臺。

這些設備收集的數據在試圖傳輸到集中位置（如云端）時經常會遇到延遲的問題。盡管連接速度在穩步增長，但無法跟上數據的成倍增長。如果不處理，這意味著延遲將增加，整個系統性能將受到影響。

這是人工智能可以做出重大貢獻的領域之一。此外，它還開啟了新的技術創新，如將城市交通簡化為公共安全和加強金融服務。

從根本上說，AIoT需要能夠處理邊緣的挑戰性和多樣性條件的組件。這些場景可以是任何東西，從車載車輛和飛機到工廠或沙漠中的石油設施。這需要一種靈活的、適應性強的零部件制造方法。人工智能還承諾在決策時減少人為因素的影響。這給系統集成商帶來了更大的壓力，因為去除了人為因素，就不一定有明顯的罪魁禍首，他們要確保質量控制，以避免發生人工智能事故。

 背 景 

     讓我們首先來定義一下物聯網、人工智能和邊緣計算的概念：

/  物聯網（IoT）/

物聯網是指“事物”通過網絡（通常是互聯網）互聯的趨勢。在這種情況下，“事物”不一定指單獨的電子設備；它們也可以指可穿戴電子設備，甚至是穿戴或植入了醫療設備的人?；旧?，每個設備都可以以某種方式在網絡中傳輸數據。

/  人工智能（AI） /

我們所指的人工智能符合“狹義人工智能”的概念。這指的是能夠執行一組特定任務的程序或系統，而不需要任何直接的人為輸入，這跟我們在科幻小說里熟悉的恐怖片段“通用人工智能”不同?！蔼M義AI”的當前示例是通過機器學習實現的文本，圖片和語音識別。這樣的人工智能系統已經經歷了數千甚至數百萬的不同數據，并學會了如何區分不同的輸入。

但不管它的預測變得多么復雜，它仍然局限于它所訓練過的這個狹窄的功能。如果有任何東西超出了這個范圍，那么人工智能將顯得無用武之地。接受過識別手寫數字訓練的人工智能可以學習它的任務，并很容易取代人類的能力，但在給定任務（如識別字母）時，它將完全無用。

/  邊緣計算（Edge Computing） /

物聯網的最初想法是將數據發送到一個中心位置或云，以進行處理和分析。然而，隨著設備數量呈指數級增長，許多應用程序已到達一個模塊，在該模塊中來回傳輸的大量數據會導致嚴重的延遲問題。

邊緣計算通過在邊緣處理更多的數據來解決這個問題。通過這種方式，設備可以自行決定哪些內容需要發送到云端，哪些內容可以被過濾掉。這個概念僅僅意味著將計算能力轉移到“邊緣”，在那里互聯網連接到各種設備，即實際收集的位置數據。

（邊緣計算為邊緣位置添加了一個額外的模塊以減少延遲）

挑 戰 

01

物聯網的局限

物聯網的結構只收集很少或部分計算的數據。這意味著數據會被批量發送到云端進行分析。然而，所有數據的價值并不相同。以安全錄像為例，有價值的是有人或物體在移動的鏡頭，而背景不變的靜止鏡頭則不那么有價值。在這種情況下，將所有數據發送到云端進行分析將浪費可能用于其他應用程序的大量帶寬。

02

計算能力和惡劣環境

邊緣的人工智能可能需要大量的計算能力來確保足夠的性能。但是，標準的存儲和內存組件可能提供所需的性能，但在特定場景下無法處理惡劣條件。例如，路側交通監測將經歷從白天到晚上、從夏季到冬季的溫度循環，車內系統必須與沖擊和振動相抗衡，工業環境的污染水平也有所提高等。

 解 決 方 案 

01

人工智能平臺

在談到AIoT時，我們通常指的是位于邊緣的人工智能平臺。這通常采用小型工控機和內置工業級CPU的形式。對于實時數據分析，這種CPU需要以閃存和DRAM的形式提供足夠的支持。

02

工業級內存和存儲組件

工業級內存和存儲組件對于解決在邊緣實現人工智能的問題至關重要。要解決的主要問題是探索和識別數據收集的每個位置存在的風險。

然后，可以定制組件以滿足應用程序的特定需求。讓我們來看看在現實場景中如何實現這一點的一些例子：

2.1 城市交通監控

我們的城市通過向外和向上擴展（通過建筑物的高度增長）在三維空間中發展。然而，道路仍然主要局限于平面，這導致隨著城市規模的擴大，交通擁堵加劇。

基于實時數據監控和改變交通流量，可以顯著提高效率，減少擁堵。這可以通過在整個城市戰略部署監視裝置來實現。

第一步分析由邊緣的本地人工智能平臺處理。這包括車輛識別和交通流量評估。因此，每個裝置都可以自行決定如何根據分析處理數據，即車輛數量是否增加，是否存在擁擠的風險？任何必要的數據都可以發送到一個集中的平臺（云端），在那里可以根據數據采取諸如重定向流量、改變速度限制和調整交通燈等措施。

2.2 車隊管理和人工智能

人工智能可以顯著優化車隊管理操作。監控一個龐大的車隊可能很困難，但有許多方法來處理運營：降低燃油成本、車輛維護、緩解不安全駕駛行為等。

目前的定位系統大多依靠GPS，無法解決某些問題。例如，進入隧道會使GPS變得毫無用處，系統將不知道車輛的位置。當在建筑物內或衛星覆蓋率較差的其他區域內行駛時，城市也會發生這種情況。系統也很難確定車輛的高度。

但是，還有其他的數據來源可以給我們提供一個關于車輛位置的指針：首先，可以持續監控和記錄車輛的速度和轉彎率。車載人工智能平臺可以通過這些參數補償不完整的GPS數據來計算車輛在任何時間點的位置。這項技術被稱為汽車航位推算，或DR（Dead Reckoning）。最后，數據可以通過無線網絡傳輸回運營商。

2.3 自動輸送機器人

當我們將人為因素從車輛中去除時，我們遇到的主要問題是不斷變化的交通狀況，其中充滿了意想不到的因素。因此，自主車輛必須能夠在其路徑發生任何突然變化的情況下進行分秒決策。機器人擁有許多傳感器，它們收集各種數據，這些數據必須在任何時候被處理成整體情況的連貫圖像。在這種情況下，依賴云是沒有希望的，因為延遲肯定意味著在數據準備好并做出決定時，已經太遲了。

處理這些復雜計算的機載人工智能平臺依賴于在任何天氣和物理條件下工作而性能沒有任何下降的組件。為避免涉及自動駕駛車輛的事故，謹慎的做法是，設備運行時故障概率最小，并有足夠的備用設備。

 總 結 

人工智能將繼續存在，隨著其在物聯網中的作用的增長，我們必須尋找智能解決方案來緩解這種轉變。此外，在許多場景中，人工智能將取代人類操作員，進一步強調需要能夠處理任何相關環境問題的強大系統。

通過工業級內存和存儲解決方案為人工智能平臺供電是確保硬件能夠完成任務的方法，也是構建未來物聯網的關鍵組件之一。