云服務(wù)和各種人工智能（AI）應(yīng)用編程接口（API）推動(dòng)著倉儲(chǔ)、零售等多個(gè)行業(yè)的數(shù)字化轉(zhuǎn)型。過去數(shù)年內(nèi)，物聯(lián)網(wǎng)（IoT）的發(fā)展催生了數(shù)以百萬計(jì)的傳感器數(shù)據(jù)，而這些數(shù)據(jù)則被傳輸?shù)搅斯性坪退接性粕系幕A(chǔ)設(shè)施，并對(duì)其進(jìn)行分析。

　　從能夠記錄當(dāng)前庫存情況并動(dòng)態(tài)訂購所需物品的手持設(shè)備，到可整合來自視覺反饋的信息以了解特定人員在倉庫輪班時(shí)是否滿足必要的合規(guī)性且配備有公共安全裝備，相關(guān)的用例多種多樣。在第一種用例中，時(shí)間序列從基于邊緣的手持設(shè)備或固定攝像頭持續(xù)發(fā)送到云數(shù)據(jù)分析服務(wù)。相比之下，第二種用例則借助云端的深度學(xué)習(xí)模型，采用人員檢測(cè)、追蹤和再識(shí)別模塊，來進(jìn)行圖像抓取。在這兩種情況下，邊緣設(shè)備均是作為向云端傳輸信息的管道。

　　我們?yōu)楹涡枰吘壷悄埽?/p>

　　更靠近終端用戶的傳感器網(wǎng)絡(luò)延遲更低，且能夠節(jié)省帶寬。此外，在將數(shù)據(jù)傳輸?shù)礁鼜V泛的云計(jì)算基礎(chǔ)設(shè)施前，還可在設(shè)備端進(jìn)行預(yù)處理，這有助于保護(hù)從設(shè)備中收集和推斷出的數(shù)據(jù)隱私。這些則構(gòu)成了邊緣智能的一些核心要求。具有低水平計(jì)算的邊緣設(shè)備或傳感器能夠彈性地創(chuàng)建網(wǎng)絡(luò)（Mesh網(wǎng)絡(luò)），聊天機(jī)器人、儀表盤、智能手機(jī)、溫度傳感器等設(shè)備能夠間歇性地連接到網(wǎng)絡(luò)，以收集、計(jì)算和分享信息。在傳統(tǒng)的物聯(lián)網(wǎng)世界中，這些傳感器能感知世界，并準(zhǔn)確地將信號(hào)傳輸?shù)焦性苹蛩接性浦小?/p>

　　那么，多臺(tái)邊緣設(shè)備是否能夠分享自身的輸入和有限機(jī)載計(jì)算來實(shí)現(xiàn)同一目標(biāo)呢？如此一來，我們就擁有了多臺(tái)有限機(jī)載計(jì)算的邊緣設(shè)備，它們可以聚集于一個(gè)Mesh網(wǎng)絡(luò)下，以解決諸如倉庫或零售店的資產(chǎn)追蹤問題。大體上而言，其用例能夠涵蓋自主設(shè)備（無人機(jī)、自主移動(dòng)機(jī)器人、自主車輛）、沉浸式體驗(yàn)（增強(qiáng)現(xiàn)實(shí)/虛擬現(xiàn)實(shí)可穿戴設(shè)備），以及物聯(lián)網(wǎng)分析（工業(yè)和家用傳感器）等。

　　邊緣人工智能

　　我們可以為邊緣設(shè)備注入強(qiáng)大的“智能性”，基本上有兩種在邊緣運(yùn)行機(jī)器學(xué)習(xí)的方法，一種是使用集中式聯(lián)邦學(xué)習(xí)工具的集中式拓?fù)?，另一種是模糊數(shù)學(xué)領(lǐng)域的去中心化分布式（無云數(shù)據(jù)中心）聯(lián)邦學(xué)習(xí)算法。

　　聯(lián)邦學(xué)習(xí)有賴于在計(jì)算能力相對(duì)低的設(shè)備中訓(xùn)練機(jī)器學(xué)習(xí)模型，并將本地習(xí)得的模型轉(zhuǎn)移到數(shù)據(jù)庫進(jìn)行下一步處理。首先，來自云數(shù)據(jù)中心的云端訓(xùn)練模型會(huì)被發(fā)送到各臺(tái)邊緣設(shè)備，然后使用本地?cái)?shù)據(jù)，對(duì)該模型進(jìn)行微調(diào)，再將模型發(fā)送到云平臺(tái)，以進(jìn)行模型更新。通信模式可以是同步的，也可以是異步的。此外，有一些類型的統(tǒng)計(jì)推理算法使邊緣設(shè)備能夠相互發(fā)送消息，從而減少本地模型的通信負(fù)載。根據(jù)用例的不同，還需要考量距離、延遲和移動(dòng)性等指標(biāo)。

　　第二種方式，使用去中心化的聯(lián)邦學(xué)習(xí)，這通常是部署機(jī)器學(xué)習(xí)模型的優(yōu)選方式。信息分散在各臺(tái)設(shè)備上，而非單一的某個(gè)點(diǎn)，進(jìn)而降低各類網(wǎng)絡(luò)安全攻擊的可用面。從技術(shù)上來說，去中心化形式的通信模式可以通過圖表、分布式賬本或簡單的對(duì)等網(wǎng)絡(luò)來進(jìn)行。這意味著企業(yè)可以為倉庫、制造工廠、整體零售供應(yīng)鏈或商店的一線員工配備精密的由機(jī)器學(xué)習(xí)驅(qū)動(dòng)的設(shè)備，利用設(shè)備內(nèi)的機(jī)器學(xué)習(xí)模型，增強(qiáng)并加速通信和決策，并在網(wǎng)絡(luò)中共享。

　　邊緣智能的前景在于，這種去中心化的拓?fù)浣Y(jié)構(gòu)將催生新一代的芯片企業(yè)。這些企業(yè)將專注于計(jì)算，并提升每瓦特運(yùn)行效率，同時(shí)致力于計(jì)算的協(xié)同設(shè)計(jì)來滿足通信需求，例如Mesh拓?fù)浣Y(jié)構(gòu)（對(duì)等網(wǎng)絡(luò)、分布式賬本、圖表）。

　　邁向邊緣智能

　　網(wǎng)絡(luò)邊緣正不斷改變著拓?fù)浣Y(jié)構(gòu)和設(shè)備。云端存在著能夠動(dòng)態(tài)調(diào)度有效載荷的編排算法。然而，對(duì)于邊緣設(shè)備來說，隨之而來的還有數(shù)以百萬計(jì)的設(shè)備、更多的異質(zhì)性電源包絡(luò)，以及各種設(shè)備的計(jì)算能力等問題。數(shù)據(jù)采集和模型日益碎片化，在整體數(shù)據(jù)中，每臺(tái)設(shè)備都占有一定的比例，但無法訪問整個(gè)數(shù)據(jù)集。更多的邊緣設(shè)備正在向著小型化、低功率、有限計(jì)算的方向發(fā)展。

　　但與此同時(shí)，其為企業(yè)及一線員工所帶來的助益引人注目，其中包括完善隱私和免受攻擊的保護(hù)、提升實(shí)時(shí)自動(dòng)化決策、降低互聯(lián)網(wǎng)帶寬和云計(jì)算成本、提高能源效率、實(shí)現(xiàn)更強(qiáng)大的計(jì)算能力，并通過明確的投資，為一線員工配備適合其開展工作的先進(jìn)設(shè)備。

　　研究人員、企業(yè)高層和一線員工需要協(xié)力同行。研究人員要為技術(shù)的成熟發(fā)展提供相應(yīng)的支持，在日后的工作中著重于去中心化算法，結(jié)合動(dòng)態(tài)變化的通信模式，優(yōu)化芯片，并將計(jì)算與通信融為一體。而對(duì)于倉儲(chǔ)、物流和零售業(yè)的企業(yè)高層來說，這意味著要制定技術(shù)成熟度水平發(fā)展路線圖，以緊跟市場(chǎng)步伐，并確保一線員工擁有先進(jìn)的設(shè)備和軟件工具以更好地完成工作。