如何借助AI获得优势

人工智能开始从云端转移到边缘。人工智能研究现在提供了一种有趣的可能性，即使用数千小时的强大计算资源来训练和改进神经网络，然后能够在廉价、低功耗的设备上运行。这使得边缘人工智能设备成为可能，即使在离线时也可以运行，因此网络连接不是必需的。这种方法利用了进化式神经网络训练技术的力量，例如对抗性神经网络。

限制能量和存储使用的神经网络训练过程自然会创建一个神经网络，将其有限的资源集中在更有用的路径上，同时修剪不太关键的区域。此过程非常适合创建在低功耗、低成本设备上运行的网络。随后，神经网络压缩技术可以进一步压缩经过训练的网络，将内存需求减少多达 90%，同时几乎不影响性能——类似的技术也有助于减少计算负载。

神经网络压缩可以像降低变量的精度一样简单，还包括分析、重组和修剪网络。令人惊讶的结果是，巨大的计算能力（也许也可以被描述为“智能和经验”）可以被提炼成一种在廉价、低功耗设备上运行的形式。（事实上​​，从广义上讲，我们可以将这种方法与数十亿年的对抗性进化相比较，最终将智能生命封装在微小的 DNA 链中）。

如果您假设 AI 意味着一种可以学习和改进的人类智能，那么这种边缘计算策略的目标可能看起来有悖常理。这是因为许多简单的边缘应用程序最好由部署后不会更改或显着改进的设备提供服务——我们只希望它们能够可靠且可预测地执行任务。

对于低成本边缘设备和物联网设备的开发者来说，AI 工具包在不断扩展，价格也在下降。新产品包括支持 AI 的FPGA到神经网络加速器，如 Redpine 的 QueSSence智能连接平台，以及为典型的低功耗计算和连接模块添加 AI 加速功能的 AAEON UP AI Core X系列，这些都是物联网边缘设备的理想选择。

人工智能使革命性的新产品成为可能

想象一下添加人工智能如何增强日常设备和物联网。板载、低成本的人工智能可以改造最普通的设备——例如，为免提操作的开关添加可靠的语音识别——但让我们也看看一些更复杂的潜在应用：

配备 AI 的安全摄像头可以快速学会识别熟悉的面孔、宠物等，并在看到意外的人或动物时触发警报。即使在断开电源和网络的情况下也能决定是否发出警报，这显然是安全设备的优势！借助机器学习技术，这种智能安全摄像头的作用可以远远超出传统的自动摄像头，例如，它可以识别并警告火灾、泄漏、结构故障（如损坏的屋顶或窗户）和各种其他危险和事件。

经过训练的发动机监控系统可以利用其板载 AI 功能通过集成传感器读数、分析振动模式和其他线索来检测异常并优化性能。这种来自广泛传感器融合的分析超出了传统算法的能力，在某些情况下可能超过人类工程师的表现。本地化 AI 在没有网络连接的情况下工作的能力允许超低延迟响应以实时微调性能，并且在由于远程位置或射频干扰而网络连接困难的情况下以及在移动应用程序中是一个巨大的好处，例如车辆和飞机。

机器中的幽灵：问题和解决方案

人工智能可能是不可预测的，并且在我们没有机会测试的边缘情况下可能会出错。考虑减轻这种情况的方法，例如为用户提供后备模式。这可能会让他们关闭“智能”人工智能，并让设备重新依赖更简单的老式算法，因此它仍然可以正常工作且有用，尽管没有高级人工智能功能。此外，虽然板载智能是一个关键卖点，但开发人员仍然可以权衡何时在边缘做出决策以及何时将其推回云端或请求人工指导的利弊（事实上，这种选择本身可能由设备上的AI实时引导）。

哑设备即将变得智能

将强大的、预先训练的 AI 封装到低功耗、低成本设备中的潜力为改造普通商品设备、为其增加价值以及开发新产品和新市场提供了几乎无限的机会。

审核编辑：郭婷