• 關(guān)鍵詞：                                                                宜鼎國際                                                                邊緣人工智能                                                                內(nèi)存和存儲

• 摘要：人工智能（AI）和物聯(lián)網(wǎng)（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(lián)網(wǎng)設(shè)備收集數(shù)據(jù)的邊緣轉(zhuǎn)移。人工智能是高效數(shù)據(jù)處理和降低延遲的下一個合乎邏輯的步驟，同時為邊緣領(lǐng)域的創(chuàng)新解決方案打開了大門。

 執(zhí) 行 摘 要 

人工智能（AI）和物聯(lián)網(wǎng)（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(lián)網(wǎng)設(shè)備收集數(shù)據(jù)的邊緣轉(zhuǎn)移。人工智能是高效數(shù)據(jù)處理和降低延遲的下一個合乎邏輯的步驟，同時為邊緣領(lǐng)域的創(chuàng)新解決方案打開了大門。 

發(fā)生這種人工智能計算的邊緣條件是不同的，任何設(shè)備都必須考慮到這一點。本文根據(jù)這些人工智能邊緣應(yīng)用對優(yōu)化存儲和內(nèi)存解決方案的需求，解釋了這些趨勢。

 介 紹 

我們正進(jìn)入技術(shù)創(chuàng)新的新時代。物聯(lián)網(wǎng)的概念已經(jīng)存在很長一段時間了，特別是在我們快速發(fā)展的技術(shù)背景下。物聯(lián)網(wǎng)融合了物理和數(shù)字融合的精神；數(shù)據(jù)是從越來越多的設(shè)備中收集的，然后被聚合成通常所稱的大數(shù)據(jù)。這些設(shè)備的數(shù)量繼續(xù)增長，預(yù)計到2020年將達(dá)到驚人的500億臺。

這些設(shè)備收集的數(shù)據(jù)在試圖傳輸?shù)郊形恢茫ㄈ缭贫耍r經(jīng)常會遇到延遲的問題。盡管連接速度在穩(wěn)步增長，但無法跟上數(shù)據(jù)的成倍增長。如果不處理，這意味著延遲將增加，整個系統(tǒng)性能將受到影響。

這是人工智能可以做出重大貢獻(xiàn)的領(lǐng)域之一。此外，它還開啟了新的技術(shù)創(chuàng)新，如將城市交通簡化為公共安全和加強(qiáng)金融服務(wù)。

從根本上說，AIoT需要能夠處理邊緣的挑戰(zhàn)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(jī)到工廠或沙漠中的石油設(shè)施。這需要一種靈活的、適應(yīng)性強(qiáng)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(tǒng)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?zhǔn)祝麄円_保質(zhì)量控制，以避免發(fā)生人工智能事故。

 背 景 

     讓我們首先來定義一下物聯(lián)網(wǎng)、人工智能和邊緣計算的概念：

/  物聯(lián)網(wǎng)（IoT）/

物聯(lián)網(wǎng)是指“事物”通過網(wǎng)絡(luò)（通常是互聯(lián)網(wǎng)）互聯(lián)的趨勢。在這種情況下，“事物”不一定指單獨的電子設(shè)備；它們也可以指可穿戴電子設(shè)備，甚至是穿戴或植入了醫(yī)療設(shè)備的人。基本上，每個設(shè)備都可以以某種方式在網(wǎng)絡(luò)中傳輸數(shù)據(jù)。

/  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(zhí)行一組特定任務(wù)的程序或系統(tǒng)，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。“狹義AI”的當(dāng)前示例是通過機(jī)器學(xué)習(xí)實現(xiàn)的文本，圖片和語音識別。這樣的人工智能系統(tǒng)已經(jīng)經(jīng)歷了數(shù)千甚至數(shù)百萬的不同數(shù)據(jù)，并學(xué)會了如何區(qū)分不同的輸入。

但不管它的預(yù)測變得多么復(fù)雜，它仍然局限于它所訓(xùn)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(shù)字訓(xùn)練的人工智能可以學(xué)習(xí)它的任務(wù)，并很容易取代人類的能力，但在給定任務(wù)（如識別字母）時，它將完全無用。

/  邊緣計算（Edge Computing） /

物聯(lián)網(wǎng)的最初想法是將數(shù)據(jù)發(fā)送到一個中心位置或云，以進(jìn)行處理和分析。然而，隨著設(shè)備數(shù)量呈指數(shù)級增長，許多應(yīng)用程序已到達(dá)一個模塊，在該模塊中來回傳輸?shù)拇罅繑?shù)據(jù)會導(dǎo)致嚴(yán)重的延遲問題。

邊緣計算通過在邊緣處理更多的數(shù)據(jù)來解決這個問題。通過這種方式，設(shè)備可以自行決定哪些內(nèi)容需要發(fā)送到云端，哪些內(nèi)容可以被過濾掉。這個概念僅僅意味著將計算能力轉(zhuǎn)移到“邊緣”，在那里互聯(lián)網(wǎng)連接到各種設(shè)備，即實際收集的位置數(shù)據(jù)。

（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(zhàn) 

01

物聯(lián)網(wǎng)的局限

物聯(lián)網(wǎng)的結(jié)構(gòu)只收集很少或部分計算的數(shù)據(jù)。這意味著數(shù)據(jù)會被批量發(fā)送到云端進(jìn)行分析。然而，所有數(shù)據(jù)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(shù)據(jù)發(fā)送到云端進(jìn)行分析將浪費可能用于其他應(yīng)用程序的大量帶寬。

02

計算能力和惡劣環(huán)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(biāo)準(zhǔn)的存儲和內(nèi)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(cè)交通監(jiān)測將經(jīng)歷從白天到晚上、從夏季到冬季的溫度循環(huán)，車內(nèi)系統(tǒng)必須與沖擊和振動相抗衡，工業(yè)環(huán)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(jī)和內(nèi)置工業(yè)級CPU的形式。對于實時數(shù)據(jù)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(yè)級內(nèi)存和存儲組件

工業(yè)級內(nèi)存和存儲組件對于解決在邊緣實現(xiàn)人工智能的問題至關(guān)重要。要解決的主要問題是探索和識別數(shù)據(jù)收集的每個位置存在的風(fēng)險。

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

2.1 城市交通監(jiān)控

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

基于實時數(shù)據(jù)監(jiān)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(zhàn)略部署監(jiān)視裝置來實現(xiàn)。

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(jù)分析處理數(shù)據(jù)，即車輛數(shù)量是否增加，是否存在擁擠的風(fēng)險？任何必要的數(shù)據(jù)都可以發(fā)送到一個集中的平臺（云端），在那里可以根據(jù)數(shù)據(jù)采取諸如重定向流量、改變速度限制和調(diào)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(yōu)化車隊管理操作。監(jiān)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(hù)、緩解不安全駕駛行為等。

目前的定位系統(tǒng)大多依靠GPS，無法解決某些問題。例如，進(jìn)入隧道會使GPS變得毫無用處，系統(tǒng)將不知道車輛的位置。當(dāng)在建筑物內(nèi)或衛(wèi)星覆蓋率較差的其他區(qū)域內(nèi)行駛時，城市也會發(fā)生這種情況。系統(tǒng)也很難確定車輛的高度。

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

2.3 自動輸送機(jī)器人

當(dāng)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(fā)生任何突然變化的情況下進(jìn)行分秒決策。機(jī)器人擁有許多傳感器，它們收集各種數(shù)據(jù)，這些數(shù)據(jù)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(shù)據(jù)準(zhǔn)備好并做出決定時，已經(jīng)太遲了。

處理這些復(fù)雜計算的機(jī)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(jǐn)慎的做法是，設(shè)備運行時故障概率最小，并有足夠的備用設(shè)備。

 總 結(jié) 

人工智能將繼續(xù)存在，隨著其在物聯(lián)網(wǎng)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(zhuǎn)變。此外，在許多場景中，人工智能將取代人類操作員，進(jìn)一步強(qiáng)調(diào)需要能夠處理任何相關(guān)環(huán)境問題的強(qiáng)大系統(tǒng)。

通過工業(yè)級內(nèi)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(wù)的方法，也是構(gòu)建未來物聯(lián)網(wǎng)的關(guān)鍵組件之一。