使邊緣人工智能真正實(shí)現(xiàn)變革

　　邊緣人工智能的采用在眾多行業(yè)中呈上升趨勢(shì)。隨著這種趨勢(shì)的持續(xù)下去，其將不僅為企業(yè)而且為社會(huì)帶來(lái)變革。

　　邊緣計(jì)算的去中心化方法減輕了數(shù)據(jù)擁塞、連接故障和傳輸成本等限制。這極大地提高了人工智能應(yīng)用程序的性能，從而可以更快、更可靠地做出決策。

　　邊緣人工智能的優(yōu)勢(shì)在于后勤和技術(shù)。在難以到達(dá)的位置，如石油鉆井平臺(tái)，邊緣人工智能可以識(shí)別表明風(fēng)險(xiǎn)增加的模式，并做出相應(yīng)的反應(yīng)，以防止?jié)撛诘奈ｋU(xiǎn)情況。在農(nóng)業(yè)方面，通過(guò)使機(jī)器能夠根據(jù)環(huán)境條件自主決策，農(nóng)民將能夠最大限度地提高產(chǎn)量。

　　社會(huì)也將從中獲益。想象一下，無(wú)人機(jī)群能夠在崎嶇的山區(qū)進(jìn)行搜索和救援行動(dòng)，使用多個(gè)傳感器來(lái)檢測(cè)形狀、聲音、熱量或運(yùn)動(dòng)，識(shí)別生命跡象。

　　隨著邊緣計(jì)算的普及，人工智能的應(yīng)用也隨之增長(zhǎng)。但如果邊緣人工智能要蓬勃發(fā)展，還有許多技術(shù)障礙需要克服。

　　邊緣的障礙

　　也許邊緣人工智能的最大限制因素來(lái)自邊緣設(shè)備通常很小，計(jì)算能力有限。其性能與數(shù)據(jù)中心甚至強(qiáng)大的桌面GPU的性能相差甚遠(yuǎn)。然而，通過(guò)使用特殊的人工智能技術(shù)，如模型縮小和量化，適合小型設(shè)備的有限模型可以提供許多有用的功能。

　　其他挑戰(zhàn)來(lái)自邊緣計(jì)算項(xiàng)目通常在難以到達(dá)或遠(yuǎn)程位置操作的事實(shí)。為這些設(shè)備提供電源和連接可能很困難，并且滿足物聯(lián)網(wǎng)標(biāo)準(zhǔn)以確保這些設(shè)備可以相互通信并不總是那么簡(jiǎn)單。

　　第三個(gè)挑戰(zhàn)是，雖然邊緣人工智能本身對(duì)互聯(lián)網(wǎng)的依賴(lài)有限，但許多個(gè)人邊緣設(shè)備，如可穿戴設(shè)備，將希望支持需要一定云連接的應(yīng)用，這帶來(lái)了風(fēng)險(xiǎn)因素。

　　然而，這些挑戰(zhàn)并非不可克服。一系列電源和連接解決方案可以提供幫助，包括長(zhǎng)壽命電池、5G連接和低功耗硬件架構(gòu)。

　　AI芯片挑戰(zhàn)

　　邊緣人工智能項(xiàng)目面臨的主要障礙是人工智能芯片的成本、性能和功耗要求。在某些工業(yè)場(chǎng)景中，所涉及的物聯(lián)網(wǎng)設(shè)備數(shù)量可能會(huì)將芯片需求擴(kuò)展到數(shù)十萬(wàn)個(gè)，從而導(dǎo)致項(xiàng)目成本飆升。

　　如此大規(guī)模的部署需要對(duì)成本-性能比進(jìn)行細(xì)致的評(píng)估，以目前的價(jià)格，這可能是令人望而卻步的。在看到這些人工智能計(jì)算因素的顯著改善之前，我們可能只會(huì)看到解決問(wèn)題能力有限的小規(guī)模模型。

　　實(shí)現(xiàn)教育優(yōu)勢(shì)

　　另一個(gè)重大挑戰(zhàn)是找到一種方法來(lái)訓(xùn)練所有這些自主人工智能設(shè)備。生成式人工智能(GAI)的最新發(fā)展表明，GPT等系統(tǒng)正在互聯(lián)網(wǎng)上提供的超大數(shù)據(jù)集上進(jìn)行訓(xùn)練。這需要付出大量努力來(lái)收集和處理數(shù)據(jù)。為了在邊緣做出明智的決策，需要滿足對(duì)足夠數(shù)量的數(shù)據(jù)的需求。

　　然而，如果我們?cè)俅螌徱旼AI最近的發(fā)展，解決方案可能已經(jīng)顯現(xiàn)出來(lái)。一種方法可能是利用生成模型的能力，根據(jù)提供的一些示例生成大量合成訓(xùn)練數(shù)據(jù)，然后使用這些數(shù)據(jù)更快地訓(xùn)練較小的模型。另一種方法，也許更進(jìn)一步，是直接在實(shí)時(shí)訓(xùn)練數(shù)據(jù)(如果可用)上訓(xùn)練大型生成模型，然后用其來(lái)訓(xùn)練較小的邊緣人工智能模型。

　　這種方法已經(jīng)取得了成果，正如Orca 13B所見(jiàn)，這是一個(gè)較小的模型，可以從中學(xué)習(xí)更大的基礎(chǔ)模型，例如GPT-4，并且正在產(chǎn)生非常相似的結(jié)果。許多近期人工智能發(fā)展的觀察家聲稱(chēng)，我們正處于小型專(zhuān)用人工智能模型“寒武紀(jì)大爆炸”的邊緣。這些可以嵌入到邊緣設(shè)備中，為特定任務(wù)提供卓越的能力。

　　機(jī)器對(duì)機(jī)器學(xué)習(xí)

　　更快學(xué)習(xí)的另一個(gè)途徑是從集中式系統(tǒng)管理一組相互連接、自我改進(jìn)的人工智能邊緣設(shè)備。在許多情況下，一個(gè)可行的解決方案是擁有可以在“執(zhí)行任務(wù)”時(shí)增量訓(xùn)練的模型，并且可以共享重要的發(fā)現(xiàn)。

　　與在企業(yè)或行業(yè)中共享最佳實(shí)踐類(lèi)似，機(jī)器可以幫助識(shí)別指導(dǎo)行為的模式。

　　由智能中央實(shí)體控制的自主機(jī)器艦隊(duì)的概念可能類(lèi)似于反烏托邦科幻小說(shuō)故事。因此，與涉及人工智能的任何事情一樣，需要施加行為參數(shù)。

　　在不遠(yuǎn)的將來(lái)，自動(dòng)化邊緣設(shè)備完全有可能具有相互學(xué)習(xí)的能力。這將使其有能力代表我們做出越來(lái)越明智的決策，這將對(duì)行業(yè)和社會(huì)產(chǎn)生變革性影響。

　　來(lái)源：千家網(wǎng)