在短短十年內，人工智能 （AI） 已經從一種炒作變成了我們在線生活的基本技術推動者。谷歌搜索、社交媒體提要和在線廣告等服務都使用人工智能算法在云上處理大量數據，以生成針對每個用戶的個性化輸出。再深入一點，你會發現人工智能的學習能力在整個網絡世界中被利用來優化用戶體驗、業務流程和技術解決方案。

在同一時期，人工智能在連接設備中發現了無數應用。要查看 AI 的運行情況，只需看看您的智能手機即可，您可以使用面部識別來解鎖，在使用您喜歡的喚醒詞激活 Siri 或 Google 助理后與之交談，或者使用它來拍攝照片，讓使用標準相機拍攝的照片顯得蒼白比較。如果沒有人工智能，這些常規行動都不可能實現。但是，這些用例不是在云上運行 AI 算法，而是直接在設備上運行它們，即所謂的網絡邊緣。

人工智能和機器學習（一種相關技術）的日益普及和成熟導致了它們的民主化。如今，越來越多的產品正在結合邊緣 AI 來改善其服務并啟用新的用例。雖然它們通常建立在智能手機中已成為標準的功能（例如語音和面部識別）的基礎上，但這些僅概述了可以使用邊緣 AI 改進的用例的一個子集。

邊緣人工智能的好處

要了解邊緣 AI 的好處，了解它的工作原理很有用。與標準人工智能一樣，Edge AI 依賴于受大腦神經架構啟發的數學模型。這些神經網絡的特殊性在于它們可以被訓練來完成各種任務。例如，讓他們看到來自網上大量圖片的數百萬張交通信號燈圖像，他們將成為識別它們的大師。

訓練 AI 算法是一個需要大量數據的計算密集型過程。然而，結果是一個緊湊、功能強大的 AI 模型，可以輕松部署在任意數量的終端設備上。只要它們有足夠的計算資源來運行它們，算法就可以在不需要任何云連接的情況下運行。

這種對云的獨立性為邊緣 AI 帶來了幾個重要的好處：

連接需求：由于無需將語音或圖像數據上傳到云端，本地運行 AI 算法的設備可以節省帶寬以滿足其他需求，或者轉而依賴低帶寬無線通信技術。話雖如此，當新的改進模型可用時，云連接可能有利于通過空中更新 AI 模型。

延遲：直接在設備上運行 AI 算法可以節省將感知數據上傳到云端并將輸出傳輸回終端設備所需的時間。這大大減少了延遲，帶來流暢、無延遲的用戶體驗。

隱私：如果即使是最復雜的聯網設備也存在數據被黑客攔截的風險，那么很明顯，中低價位的消費設備尤其容易受到此類威脅。由于邊緣 AI 設備處理設備上的所有數據（語音、圖像或其他），因此數據永遠不必離開設備，從而防止其被攔截。

邊緣人工智能用例

有多種邊緣 AI 用例正在獲得關注。

人臉識別正被用于智能手機以外的用戶身份驗證。雖然商業訪問控制解決方案使用面部識別來確保只有授權員工才能進入受限位置，但安全攝像頭可以在檢測到陌生人進入建筑物時使用它來發出警報。同樣，面部識別可用于識別健身房、醫療診所或商業場所的回頭客。

與此同時，語音用戶界面正變得越來越普遍。畢竟，有什么比能夠與您的智能設備交談（并被理解）更方便的呢？雖然可以對用戶進行身份驗證并處理傳入的語音命令的語音識別技術在智能手機和智能個人助理中得到了完善，但現在它正在汽車和智能家居設備中找到應用，并為無法使用的人增加可訪問性因殘疾而打字。

在工業領域，邊緣人工智能可用于標記引起的異常行為，例如，當電機出現早期故障跡象或滾動軸承開始磨損時。在這些異常檢測用例中，AI 模型使用涵蓋正常行為的數據集進行訓練。通過檢測與標準的任何偏差，工廠操作員可以收到警報，通知他們機器可能出現退化，從而使他們能夠在造成代價高昂的停機之前解決這些問題。

使用 u-blox 實施邊緣 AI

在無線智能設備中實施邊緣 AI 用例變得更加容易，而且功能更加強大。在 u-blox，我們推出的NORA-W10 Wi-Fi 4 和藍牙低功耗 5.0 模塊，旨在啟用和加速邊緣 AI 應用程序。除了為高級客戶應用配備強大的開放式 CPU 外，該模塊還為語音和面部識別提供 AI 支持。用于邊緣神經網絡推理（8 位和 16 位模型）的 AI 矢量指令可提供額外的性能提升，大大加快 AI 算法的速度，減少感知延遲并節省電力。

審核編輯：郭婷