為了克服Big Data的挑戰，透過模擬人類大腦的方式打造智能傳感器解決方案，實現從邊緣傳感器、融合中樞再到云端資料分析的分層智能化…

德國電子公司羅伯特·博世（Robert Bosch）認為，為了克服大數據（Big Data）的挑戰，我們必須透過讓各個層面智能化的方式打造解決方案，包括從邊緣傳感器到集中的傳感器中樞，再到云端資料分析。

所幸我們的大腦擁有最智慧的智能傳感器——包括眼睛、耳朵、鼻子、味蕾和觸覺靈敏度，能夠因應物聯網（IoT）的需要塑造我們的電子大數據解決方案。

Bosch Sensortec業務開發主管Marcellino Gemelli在國際半導體產業協會（SEMI）最近舉行的年度MEMS與傳感器高峰會議（MEMS & Sensor Executive Congress； MSEC）上說：“我們必須將大數據的問題饋入基于人腦的模型產生器，然后用這個模型來預測優化解決方案應該是什么樣子的。由于神經元具有多功能性，使得這些機器學習解決方案夠在多個層面上運作。”

神經元是大腦的微處理器——它能接受數以千計的大數據輸入，但在接收到記憶突觸介導的數以千計樹突輸入后，僅沿著軸突輸出單一電壓突波。透過這樣的方式，眼睛、耳朵、鼻子、味蕾和觸覺傳感器（主要用于存在、壓力和溫度）的接收器就能預先處理大量的原始大數據輸入后，再沿脊髓傳送摘要信息（在電壓突波上編碼）至被稱為‘old brain’的中樞 -——這是負責呼吸、心跳和反射等任務的腦干和自動行為中心。

最后，經過預處理的數據經由一個巨大的互連數組——稱為“白質”（white matter）——到達大腦有意識的部份（大腦皮層灰質）的最終目的地。大腦皮層的每個部份分別專用于視覺、語言、嗅覺、味覺和觸覺等感官，以及注意、推理、評估、判斷和相應規劃等認知功能。

智能傳感器仿真大腦以三個層次進行建模：以腕戴型穿戴裝置實時擷取大數據讀數為代表的感官層次；第二層中樞（在此以智能型手機為例）以趨勢圖形進行匯整，然后每隔幾分鐘傳送至第三層的云端

Gemelli說：“大腦神經網絡的數學運算就相當于感知，它可以透過其可變電導突觸來學習，而大數據則透過它進行串流傳輸。我們可以添加多種層次的感知器，學習人類所能學習的所有東西，例如人們走路的各種不同方式。”

大腦對于認知系統與邊緣系統的感知數據處理

摩爾定律的影響

摩爾定律（Moore‘s Law）也有助于實現多層次的感知——稱為深度學習（deep learning）——因為它提供了一種在邊緣傳感器、在中樞進行智慧處理以及在云端分析的通用方法。

Gemelli說：“首先，數量方面很有幫助——大數據的量越多越好。其次，多樣性有助于學習事物的各種不同面向，例如上述人們用來行走的不同步態；第三，感知器必須響應的速度需要加以量化。一旦你定義了這三種參數，就可以為任何特定應用優化神經網絡。”

例如，Gemelli說，智能手表/智能手機/智能云端組合可以分別控制大數據。智能手表評估來自個人用戶的實時連續數據，然后每隔幾分鐘將最重要的摘要數據發送到智能型手機。接著，智能手機在一天中只需幾次向智慧云端發送趨勢摘要即可。最重要的數據點的詳細分析就在云端中執行，并反饋回給佩戴智能手表的特定用戶，以及為其他智能手表佩戴者適時建議如何達到相同設定目標。

目前，博世正借助在其邊緣傳感器上加入處理器，以模擬這種三種層級的大腦模型，使其得以辨識并集中大數據趨勢，然后再傳送至智能中樞。

Gemelli說：“特別是智慧城市需要利用內建處理器的智能傳感器，才能實現實時邊緣傳感器趨勢。然后，他們再將這些趨勢發送到傳感器中樞，分析并發送最重要的訊息至云端，以便為城市管理者分析可行的信息。”

責任編輯：ct