NXPSemiconductors的边缘处理策略主管Gowri Chindalore表示：“我们都已经看到了有关不久将有多少设备连接到物联网（IoT）的预测。”例如，IDC预测，到2025年，这一数字将超过410亿。有许多报道表明，这种机会将释放出来，使我们的家庭，工作，娱乐和旅行更加有效和可持续。但是，支撑这些进步的数据的爆炸性增长正给那些创建产品，服务和支持基础架构的人带来麻烦。许多早期的物联网设备都依靠云来处理其收集的数据。该模型的部分驱动因素是云中有效的无限计算能力，以及许多物联网设备的有限板载处理能力。卸载到云的局限性然而，往返于云的数据发送也有其缺点。首先，数据传输需要能量和带宽。更多数据意味着您需要更多这些昂贵且有限的资源。其次，将数据发送到云将引入延迟，这将限制某些应用程序的有效性。第三，机外信息将带来隐私和安全风险。例如，由智能家居设备收集的数据将揭示有关您何时在家以及何时外出的大量信息。如果此信息发送到云，您可以确定它是安全的吗？它存储在哪里，以什么形式存储？谁可以得到？随着越来越多的设备收集更多（和更敏感）的数据进行处理，应对这些挑战的需求变得越来越紧迫。这是“智能优势”兴起背后的主要驱动力之一。在该模型中，密钥处理和决策不发送到云，而是在连接的设备的“边缘”处执行。本地网络。这减少了上述延迟，能耗和带宽使用，同时允许用户将私有数据保留在自己的基础架构中。智能优势的核心是机器学习。目前，我们主要讨论推理。这是边缘设备使用预训练的机器学习模型基于本地传感器收集的新数据做出决策的地方。在边缘受限的环境中推动向人工智能的过渡在这种资源受限的环境中，通过改进推理流程（尤其是用于加速推理的技术）可以实现推理的显着增长。第一代机器学习加速器（如果是加速器）主要基于软件，而CPU运行指令集。第二代引入了专用硬件，例如gpu和dsp。今天，我们有了第三代产品，它使用基于硬件的修整和压缩。您在硬件上做的越多，此过程的能源效率就越高，因为您减少了对软件和CPU周期的使用。当今的智能优势可以实现的目标作为人类，我们的大部分交流不仅通过语言进行传递：我们的语气，面部表情和手势都可以帮助我们本能地进行交流和理解。使用基于边缘的推理，当今的设计师可以使他们的产品接收这些信号，从而创造越来越自然的交互体验。技术可以包括面部和其他对象与手势识别，语音识别，音高分析和自然语言处理。在其他地方，智能边缘设备可以提高安全性。例如，可以训练智能家居边缘套件来识别危险标志，例如警报，人摔倒，碎玻璃或水龙头滴落或滴落。一旦感觉到问题，系统可以提醒车主并让他们做出相应的反应。接下来是什么？在未来几年中，许多新的物联网产品和服务将进入市场，以利用这种日益强大的智能。如何提高第三代人工智能的功能。接下来的几代可能包括神经形态或记忆计算，尖峰神经网络或最终是量子人工智能。这些发展将有助于加速当前正在出现的另一种趋势，即在边缘对机器学习算法进行实际培训。负责编辑AJX