人工智能將會如何顛覆物聯(lián)網(wǎng)？

早在1956年，Allen Newell、Cliff Shaw和Herbert Simon合力制作了一個(gè)名為「邏輯理論家（The Logic Theorist）」的計(jì)算機(jī)程序。該程序由RAND Corporation資助開發(fā)，旨在模仿人類解決問題的技能，許多人認(rèn)為它是人工智能（AI）的第一個(gè)范例。
時(shí)至今日，大語言模型（Large Language Model；LLM）已成為人工智能的代言人。LLM是一種計(jì)算算法，通過密集訓(xùn)練來學(xué)習(xí)文本（TEXT）文檔中的統(tǒng)計(jì)關(guān)系，從而實(shí)現(xiàn)通用語言生成和其他自然語言處理任務(wù)，OpenAI的ChatGPT可能是最知名的示例。
盡管LLM非常有用，但它只是人工智能其中一個(gè)小眾應(yīng)用；相比之下，把自動化系統(tǒng)收集的大量數(shù)據(jù)提供予機(jī)器學(xué)習(xí)（Machine Learning；ML）算法更加大有作為。ML是人工智能的一種應(yīng)用，允許計(jì)算機(jī)在沒有直接程序設(shè)計(jì)或指令的情況下進(jìn)行學(xué)習(xí)，從而不斷提高機(jī)器的智能。
全球互聯(lián)的物聯(lián)網(wǎng)能夠讓人們收集幾乎無限量數(shù)據(jù)，這些數(shù)據(jù)不僅可以提供給云端的計(jì)算機(jī)，還可以用來促進(jìn)ML算法，從而為物聯(lián)網(wǎng)內(nèi)數(shù)十億聯(lián)網(wǎng)設(shè)備提高智慧。這意味著，即使是最普通的物聯(lián)網(wǎng)設(shè)備也能不斷提升智慧，為未來的工業(yè)、商業(yè)、教育、醫(yī)療等領(lǐng)域帶來巨大潛力。
就拿最不起眼的冰箱來說吧，全世界有數(shù)十億臺冰箱，占全球總耗電量的12%。通過不斷向ML模型提供外部和內(nèi)部溫度數(shù)據(jù)、柜內(nèi)存放食物的數(shù)量、柜門打開的頻率，以及電網(wǎng)負(fù)荷較低時(shí)段等高級資料，智能冰箱壓縮機(jī)控制器可以快速適應(yīng)使用模式，以減省能源使用和碳排放，這是非常美好的愿景。目前的挑戰(zhàn)在于如何將硬件和軟件結(jié)合起來以實(shí)現(xiàn)無縫運(yùn)行。

 
圖一 : 通過不斷向ML模型提供各種數(shù)據(jù)，智能冰箱壓縮機(jī)控制器可以快速適應(yīng)使用模式，以減省能源使用和碳排放。

向邊緣發(fā)展
1999年，當(dāng)Kevin Ashton提出「物聯(lián)網(wǎng)（the Internet of Things）」一詞時(shí)，他對網(wǎng)絡(luò)的設(shè)想與今天的物聯(lián)網(wǎng)略有不同。Ashton預(yù)測數(shù)十億個(gè)廉價(jià)、小巧的傳感器將其數(shù)據(jù)傳送到功能強(qiáng)大的集中式計(jì)算資源，并進(jìn)行繁重的計(jì)算操作。Ashton的預(yù)測很有遠(yuǎn)見，但也有失算之處：通過網(wǎng)絡(luò)從許多設(shè)備發(fā)送連續(xù)數(shù)據(jù)是復(fù)雜、耗能且費(fèi)用昂貴的事情。
如今，我們通過將物聯(lián)網(wǎng)的智慧分配到邊緣，最大限度地減少了網(wǎng)絡(luò)流量。因?yàn)楫?dāng)代物聯(lián)網(wǎng)設(shè)備的資源雖然難與云端計(jì)算機(jī)相比，但也已經(jīng)能夠獨(dú)當(dāng)一面，配備了專用應(yīng)用處理器和充足的內(nèi)存資源。這使得物聯(lián)網(wǎng)能夠支持廣泛分布的計(jì)算資源，其中的單個(gè)設(shè)備均能夠進(jìn)行重要的邊緣處理。
在最基本的層面上，邊緣處理可讓物聯(lián)網(wǎng)設(shè)備對數(shù)據(jù)進(jìn)行本地篩選，以確定哪些數(shù)據(jù)是不值一提，哪些數(shù)據(jù)則顯示情況正在發(fā)生變化并應(yīng)當(dāng)轉(zhuǎn)發(fā)做進(jìn)一步分析。ML使得邊緣設(shè)備不僅能檢查數(shù)據(jù)是否超過默認(rèn)閾值，還能推斷出變化的含義，然后采取相應(yīng)措施。
Nordic Semiconductor戰(zhàn)略與產(chǎn)品管理執(zhí)行副總裁Kjetil Holstad表示：「我們將這項(xiàng)全新功能稱為邊緣人工智能（Edge AI），它為物聯(lián)網(wǎng)產(chǎn)品帶來了一些關(guān)鍵優(yōu)勢：可在本地實(shí)時(shí)處理輸入，因此無需使用帶寬通過無線鏈路發(fā)送原始數(shù)據(jù)，同時(shí)不會浪費(fèi)時(shí)間等待云端的響應(yīng)。其次，本地處理相比空中發(fā)送數(shù)據(jù)耗電更少，因而物聯(lián)網(wǎng)設(shè)備可以運(yùn)行更長時(shí)間或使用更小的電池?！?br/>監(jiān)測機(jī)器軸承的溫度傳感器就是此類功能的示例。如果軸承溫度逐漸升高，該傳感器可以使用ML模型來推斷這僅僅是機(jī)器在預(yù)熱，無需擔(dān)心；若軸承溫度快速上升，則可能顯示潤滑出現(xiàn)故障，并觸發(fā)傳感器在發(fā)生損壞前關(guān)閉機(jī)器。
咨詢公司德勤在「預(yù)測性維護(hù)（Predictive Maintenance）」定位檔中表示：「數(shù)據(jù)是任何預(yù)測性維護(hù)引擎的動力。其質(zhì)素和數(shù)量是分析根本原因和提前預(yù)測故障的限制因素。物聯(lián)網(wǎng)提供了大量精確數(shù)據(jù)，并與邊緣人工智能一起為預(yù)測性維護(hù)領(lǐng)域帶來了巨大的經(jīng)濟(jì)潛力。」
德勤公司指出，每年非計(jì)劃性機(jī)器停機(jī)給工業(yè)制造商造成的損失估計(jì)高達(dá)500 億美元；實(shí)施預(yù)測性維護(hù)，每年平均可節(jié)省材料成本5%至10%；設(shè)備正常運(yùn)行時(shí)間可延長10%至20%；總體維護(hù)成本可降低5%至10%；維護(hù)規(guī)劃時(shí)間可縮短 20%至50%。

 
圖二 : 通過在設(shè)備中添加邊緣人工智能，監(jiān)測機(jī)器軸承的溫度傳感器可以使用ML模型來推斷機(jī)器預(yù)熱的狀況。

工程技術(shù)挑戰(zhàn)
利用人工智能和ML增強(qiáng)物聯(lián)網(wǎng)確實(shí)好處多多，但大規(guī)模實(shí)施這種技術(shù)卻充滿挑戰(zhàn)。當(dāng)今許多先進(jìn)的ML模型都需要大量的計(jì)算資源和功耗來執(zhí)行推理（運(yùn)行 ML模型并根據(jù)輸入的數(shù)據(jù)做出決策）。然而，當(dāng)今大量的物聯(lián)網(wǎng)連接設(shè)備雖然能夠執(zhí)行一些邊緣計(jì)算，但卻缺乏人工智能和ML所需的資源。
Tiny Machine Learning或TinyML是一種解決方案。TinyML是ML的一個(gè)分支，它簡化了ML技術(shù)，使其適用于電池供電、基于微控制器的嵌入式設(shè)備。TinyML使得小型物聯(lián)網(wǎng)傳感器能夠以實(shí)時(shí)響應(yīng)速度執(zhí)行ML任務(wù)。
TinyML使得當(dāng)今的無線SoC能夠支持ML，而未來的新一代硬件將能夠運(yùn)行更先進(jìn)的ML程序。Nordic Semiconductor投入了數(shù)百萬美元經(jīng)費(fèi)進(jìn)行研究，將這類硬件推向市場。
「我們設(shè)計(jì)了能夠以優(yōu)化方式運(yùn)行ML的低功耗SoC，不需要專用的ML加速器。關(guān)鍵在于將創(chuàng)新工程與最大數(shù)據(jù)處理能力和最小功耗相結(jié)合?！笻olstad表示：「隨著物聯(lián)網(wǎng)中人工智能和ML不斷發(fā)展，對其提出的要求也會越來越高；這可能意味著未來超低功耗嵌入式設(shè)備將配備專用ML加速器內(nèi)核。但現(xiàn)在，我們的高效SoC和SiP展示優(yōu)化的力量，毋須加速器也可實(shí)現(xiàn)先進(jìn)的ML?！?br/>他以Nordic雙核nRF5340和新型第五代無線SoC產(chǎn)品nRF54H20為例，這些 SoC采用Edge Impulse的TinyML軟件。Holstad解釋道：「憑借nRF53和nRF54系列，Nordic成功地打破了處理能力和功耗之間的折衷權(quán)衡。這意味著開發(fā)人員可以立即獲得在電池供電SoC上支持高級ML所需的高處理能力和低功耗特性。Nordic還提供開展ML項(xiàng)目所需的全部開發(fā)工具和軟件?！?br/>
ML大放異彩
盡管面臨嚴(yán)峻的工程技術(shù)挑戰(zhàn)，但開發(fā)人員已經(jīng)開始將帶有ML的物聯(lián)網(wǎng)產(chǎn)品引入商業(yè)領(lǐng)域。挪威公司Sensorita就是一個(gè)示例，該公司推出的智慧廢物管理解決方案基于Nordic公司nRF9160 SiP蜂巢物聯(lián)網(wǎng)產(chǎn)品和挪威生命科學(xué)大學(xué)研究的雷達(dá)技術(shù)，用于評估大型垃圾箱的裝載水平和內(nèi)容物。
Sensorita執(zhí)行長Ulrikke Lien表示：「客戶移動廢物處理箱，或者棄置與分類標(biāo)示不同的廢物，使得廢物處理公司無法知道垃圾箱有多滿、里面裝了什么或何時(shí)應(yīng)該取走。這給物流和生產(chǎn)計(jì)劃帶來了問題，而且不必要的回收操作也增加了二氧化碳排放量?！?br/>Sensorita已借助一款結(jié)合雷達(dá)和GPS的堅(jiān)固傳感器解決了這一問題。傳感器每小時(shí)多次獲取垃圾箱內(nèi)部的雷達(dá)圖像，然后將這些圖像發(fā)送到Sensorita云平臺進(jìn)行分析。通過利用在數(shù)百萬幅雷達(dá)圖像上訓(xùn)練出來的ML算法，傳感器能夠估算出垃圾箱的滿載程度以及所裝載的主要垃圾類型。
nRF9160 SiP使用蜂巢網(wǎng)絡(luò)定位數(shù)據(jù)和GNSS三角測量法記錄每個(gè)垃圾箱的精確位置，并通過其LTE-M/NB-IoT調(diào)制解調(diào)器將傳感器數(shù)據(jù)傳輸?shù)絊ensorita云平臺。
Sensorita還利用ML優(yōu)化卡車在城市中清空垃圾箱的路線，結(jié)果節(jié)省燃料、減少工時(shí)，并且降低碳排放。
更高效的冰箱、預(yù)測性維護(hù)和垃圾箱優(yōu)化固然重要，但都屬于小眾產(chǎn)品。當(dāng)ML在網(wǎng)絡(luò)中廣泛部署時(shí)，成果將無比巨大，例如對醫(yī)療保健的影響。像Nordic的nRF54H20這樣的無線SoC支持具有各種傳感器（如心率、心率變異性、溫度、呼吸頻率、血氧、壓力、疲勞和其他生理跡象傳感器）的穿戴式設(shè)備。這種穿戴式設(shè)備不僅適用于健身愛好者，還適用于老年人、成年人和兒童。
有了ML和蜂巢物聯(lián)網(wǎng)連接，穿戴式設(shè)備能夠同時(shí)持續(xù)監(jiān)測多種生命體征。如果某些或所有生命體征出現(xiàn)變化跡象，穿戴式設(shè)備的ML模型就能判斷這種趨勢是微不足道的，還是嚴(yán)重的緊急醫(yī)療情況。例如血氧水平、心率、血壓和呼吸的突然變化顯示心臟問題迫在眉睫。如果情況嚴(yán)重，穿戴式設(shè)備還能夠通知急救人員，同時(shí)在其到達(dá)之前提供重要的數(shù)據(jù)。
這類設(shè)備可以減少醫(yī)院就診次數(shù)，同時(shí)優(yōu)化對真正需要人士的護(hù)理，從而節(jié)省緊張的醫(yī)療預(yù)算，這將為全球節(jié)省數(shù)千億美元。
在依靠電池運(yùn)行的低功耗嵌入式設(shè)備上執(zhí)行ML的能力，將會改變物聯(lián)網(wǎng)，促使網(wǎng)絡(luò)變得更加智能、強(qiáng)大和靈活，還將帶來先前不可能實(shí)現(xiàn)的新型產(chǎn)品和應(yīng)用。未來將會十分精彩，并且比人們想象的更快來臨，敬請大家拭目以待。