人工智能開始從云端轉移到邊緣。人工智能研究現在提供了一種有趣的可能性，即使用數千小時的強大計算資源來訓練和改進神經網絡，然后能夠在廉價、低功耗的設備上運行。這使得邊緣人工智能設備成為可能，即使在離線時也可以運行，因此網絡連接不是必需的。這種方法利用了進化式神經網絡訓練技術的力量，例如對抗性神經網絡。

限制能量和存儲使用的神經網絡訓練過程自然會創建一個神經網絡，將其有限的資源集中在更有用的路徑上，同時修剪不太關鍵的區域。此過程非常適合創建在低功耗、低成本設備上運行的網絡。隨后，神經網絡壓縮技術可以進一步壓縮經過訓練的網絡，將內存需求減少多達 90%，同時幾乎不影響性能——類似的技術也有助于減少計算負載。

神經網絡壓縮可以像降低變量的精度一樣簡單，還包括分析、重組和修剪網絡。令人驚訝的結果是，巨大的計算能力（也許也可以被描述為“智能和經驗”）可以被提煉成一種在廉價、低功耗設備上運行的形式。（事實上??，從廣義上講，我們可以將這種方法與數十億年的對抗性進化相比較，最終將智能生命封裝在微小的 DNA 鏈中）。

如果您假設 AI 意味著一種可以學習和改進的人類智能，那么這種邊緣計算策略的目標可能看起來有悖常理。這是因為許多簡單的邊緣應用程序最好由部署后不會更改或顯著改進的設備提供服務——我們只希望它們能夠可靠且可預測地執行任務。

對于低成本邊緣設備和物聯網設備的開發者來說，AI 工具包在不斷擴展，價格也在下降。新產品包括支持 AI 的FPGA到神經網絡加速器，如 Redpine 的 QueSSence智能連接平臺，以及為典型的低功耗計算和連接模塊添加 AI 加速功能的 AAEON UP AI Core X系列，這些都是物聯網邊緣設備的理想選擇。

人工智能使革命性的新產品成為可能

想象一下添加人工智能如何增強日常設備和物聯網。板載、低成本的人工智能可以改造最普通的設備——例如，為免提操作的開關添加可靠的語音識別——但讓我們也看看一些更復雜的潛在應用：

配備 AI 的安全攝像頭可以快速學會識別熟悉的面孔、寵物等，并在看到意外的人或動物時觸發警報。即使在斷開電源和網絡的情況下也能決定是否發出警報，這顯然是安全設備的優勢！借助機器學習技術，這種智能安全攝像頭的作用可以遠遠超出傳統的自動攝像頭，例如，它可以識別并警告火災、泄漏、結構故障（如損壞的屋頂或窗戶）和各種其他危險和事件。

經過訓練的發動機監控系統可以利用其板載 AI 功能通過集成傳感器讀數、分析振動模式和其他線索來檢測異常并優化性能。這種來自廣泛傳感器融合的分析超出了傳統算法的能力，在某些情況下可能超過人類工程師的表現。本地化 AI 在沒有網絡連接的情況下工作的能力允許超低延遲響應以實時微調性能，并且在由于遠程位置或射頻干擾而網絡連接困難的情況下以及在移動應用程序中是一個巨大的好處，例如車輛和飛機。

機器中的幽靈：問題和解決方案

人工智能可能是不可預測的，并且在我們沒有機會測試的邊緣情況下可能會出錯。考慮減輕這種情況的方法，例如為用戶提供后備模式。這可能會讓他們關閉“智能”人工智能，并讓設備重新依賴更簡單的老式算法，因此它仍然可以正常工作且有用，盡管沒有高級人工智能功能。此外，雖然板載智能是一個關鍵賣點，但開發人員仍然可以權衡何時在邊緣做出決策以及何時將其推回云端或請求人工指導的利弊（事實上，這種選擇本身可能由設備上的AI實時引導）。

啞設備即將變得智能

將強大的、預先訓練的 AI 封裝到低功耗、低成本設備中的潛力為改造普通商品設備、為其增加價值以及開發新產品和新市場提供了幾乎無限的機會。

審核編輯：郭婷