邊緣人工智能：AIoT 應用的下一代人工智能

快速的技術變革使我們更接近邊緣AI的世界。但什么是邊緣人工智能？邊緣人工智能結合了不同級別的計算解決方案和技術，其主要目標是直接在端點存儲、處理和管理數據以實現機器意義和智能。最終，邊緣人工智能的興起將對專注于工業應用的企業的數據數字化產生重大影響。本文將幫助您了解Edge AI是什么及其對工業AIoT的直接影響。  

什么是邊緣人工智能？   

邊緣AI是邊緣計算和人工智能(AI)的整合。根據簡單的定義，邊緣計算系統在本地收集和處理數據，而不依賴于云的資源。它運行機器學習算法來有效地收集、存儲和處理數據，從而在幾毫秒內做出實時決策。毫秒處理能力讓位于一系列邊緣計算應用程序，這些應用程序將從低延遲中受益。因此，邊緣AI是指運行高級分析以進行實時處理和自動化以獲取洞察力的人工智能算法。就深度學習能力而言，邊緣人工智能絕不會勝過云計算，而是會在源頭上提供新的機器智能浪潮。

EdgeAI背景——從云到邊緣的遷移  

AI的演進扎根于海量數據中心，在那里將指數數量的數據提供給AI算法進行深度學習；這就是機器學習模型訓練智能的方式。今天，大多數人工智能應用程序仍然在云端運行，因為它們擁有大量資源；但是隨著邊緣計算的出現，許多機器學習模型被推向更接近數據生成以進行推理和檢測。在云端運行的AI可以處理多個簡單的AI應用程序，例如語音輔助和識別。然而，各個行業需要更復雜的人工智能解決方案來管理他們的邊緣物聯網設備。此外，物聯網設備的激增和對實時計算需求的增加已經啟動了從云到邊緣的人工智能遷移。     

在云中運行AI應用程序會給時間敏感的應用程序帶來更高的停機風險，其中帶寬和延遲是關鍵任務。然而，得益于新一代微處理器，邊緣AI算法可以快速、準確和高效地運行。 Edge AI在邊緣利用經過訓練的機器學習模型來緩解數據延遲和帶寬要求。

邊緣AI與云AI計算架構  

云計算通過充當傳入數據（通常來自物聯網傳感器和設備）的中心或存儲庫來運行。一旦數據存儲在云中，機器學習算法就在這里運行其深度學習模型以獲得智能。但云的一個缺點是它靠近物聯網傳感器通常部署的位置。這可能發生在資源不如云豐富的惡劣的遠程和移動環境中。盡管云已被證明是有益的，但在實時推理和決策制定方面存在一些障礙。首先，來自邊緣傳感器的原始數據需要高互聯網帶寬才能進行邊緣到云遙測。其次，更不用說數百萬將數據傳回云端的邊緣設備的總數據吞吐量。此外，邊緣人工智能用例可能 包括 具有不穩定互聯網連接的遠程環境，其中計算本地化是速度和準確性的要求。  

邊緣AI計算及其從云端轉移以提供更好的帶寬和更低的延遲

總之，邊緣AI更適合需要實時和低延遲計算資源的應用程序。在邊緣執行AI允許在同一設備內進行多合一的實時操作，包括決策、數據創建和數據存儲。Edge AI通過使用推理模型將AI模型從云端轉移到更靠近邊緣的位置。機器學習和智能的過程非常耗費資源，需要云的資源；深度學習算法輸入數據并最終訓練深度神經網絡(DNN)。一旦建立了DNN的框架，就可以將其部署在邊緣進行推理。換句話說，一旦計算機從傳感器收集了對象的所有數據，它就會利用其所有數據輸入做出準確的預測。在邊緣本地部署深度學習算法可實現實時分析，并將延遲降低至幾毫秒。此外，邊緣AI模型降低了互聯網帶寬要求，從而降低了將數據傳輸到云端和返回的成本。