與大資料密切相關的人工智慧，如何才能擺脫“雲”的束
摘要：雖然人工智慧在處理資料和提供價值產出上具有巨大的優勢，但是有一個缺點是無法避免的，那就是人工智慧“大腦”的距離問題。
關鍵字： 人工智慧 大資料
雖然人工智慧在處理資料和提供價值產出上具有巨大的優勢，
大多數AI演算法需要大量的資料和計算能力來完成任務。因此，他們需要依靠雲伺服器來執行計算，並且無法在邊緣、手機、電腦等設備上實現大多數功能。
相比之下，我們人類可以大腦邊緣中執行大多數計算和決策，只有在自身處理能力和記憶能力不足時才會引用其他來源。
這種限制使得當前的AI演算法在連接不足或不存在的情況下表現低效甚至無效，同時也需要一定的時間成本。然而，科學家和科技公司正在探索讓人工智慧更接近邊緣的概念和技術。
區塊鏈上的分散式運算
考慮到全世界數千萬台電腦會產生相當可觀的閒置時間，
分散式運算並不是一個新概念，但是像區塊鏈這樣的技術把它帶到了一個新的水準。區塊鏈和智慧合同可以讓多個節點無需集中式處理就可以合作完成任務。
這對於物聯網（IoT）尤為有用，因為延遲、網路擁塞、信號衝突和地理距離是物聯網處理雲中邊緣資料時需要面臨的一系列挑戰。區塊鏈可以説明物聯網設備即時分享計算資源，並無需往返雲端就可以執行演算法。
使用區塊鏈的另一個好處是對資源分享的激勵。參與節點通過共用其空閒的計算資源可以獲得獎勵。
有一些公司已經開發了基於區塊鏈的計算平臺，比如iEX.ec公司。
Golem是另一個提供分散式運算的區塊鏈平臺，在該平臺上，應用可以從供應商處租賃計算週期。在Golem平臺上可以訓練和執行機器學習演算法。Golem還擁有一個分散式聲譽系統，可以允許節點根據制定任務的表現來進行彼此排名。
可擕式AI輔助處理器
從登陸無人機到運行AR應用和導航的無人駕駛汽車，有很多設置需要在邊緣運行即時深度學習。往返雲端所造成的延遲可能會導致災難性的結果。如果出現網路中斷，甚至不得不停止運行。
AI輔助處理器擁有可執行機器學習演算法的晶片，可以板集成或隨插即用的深度學習設備形式緩解這種邊緣智慧化的缺陷。這個市場很新，但是看起來很有前景。
Movidius是英特爾在2016年收購的一家硬體公司。這家公司一直在研究邊緣神經網路，包括開發無人機障礙導航和智慧熱像儀。Movidius的Myriad 2視覺處理單元（VPU）可以集成到電路板中，並在邊緣上提供低功耗計算視覺和圖像信號能力。
最近，該公司發佈了深度學習計算棒——一個USB-3的加密狗，可以為電腦、樹莓派和其他計算設備添加機器學習功能。該計算棒可以單獨使用，也可以組合使用。這對於很多獨立於雲而存在的AI應用來說是非常理想的，例如智慧安全攝像機、手勢控制無人機和工業機器視覺設備。
穀歌和微軟都已經發佈了自己的專用AI處理單元。但是目前，它們並不打算將之部署在邊緣上，而是用於增強其雲服務。但隨著邊緣AI市場的增長以及更多玩家的進入，這些公司將會將硬體供應給製造商。
依賴於較少資料的演算法
目前，執行任務（例如識別圖片）的AI演算法往往需要數百萬個標記樣本進行訓練。而一個人類小孩只需要一部分資料就可以完成相同的任務。使機器學習和深度學習演算法更接近邊緣的可能途徑之一是降低其資料和計算需求。一些公司正在努力使其成為可能。
去年，Uber AI Labs人工智慧公司推出了一款機器學習軟體，資料需求量要比比較流行的AI演算法少。雖然該公司並沒有透露具體細節，但是性能圖表顯示，Xprop演算法執行識別圖像任務所需的樣本量較少。
由國防高級研究計畫署（DARPA）支持的AI創企Gamalon使用了一種被稱為“Bayesian Program Synthesis”的技術，可以採用概率程式設計來減少訓練演算法所需的資料量。
與深度學習使用大量樣本訓練系統相反，BPS通過學習少量樣本，並根據增加的資料不斷更新其理解。這更接近於人類大腦的工作方式。
BPS所需的計算能力也相應的減少。不再依賴於昂貴的GPU陣列，Gamalon可以在包含相同處理器的iPad上對其模型進行訓練，這一點也讓邊緣計算變得更加可行。
邊緣化AI並不會取代雲，相反，它是雲的補充，並會創造出難以想像的可能性。雖然現在的人工智慧還不足以與人類的大腦相媲美，但是邊緣計算將會讓AI應用的運作方式更加接近於人類。
除非特別注明，本站所載內容來源於互聯網、微信公眾號等公開管道，不代表本站觀點，僅供參考、交流之目的。轉載的稿件版權歸原作者或機構所有，如有侵權，請聯繫刪除。
可以板集成或隨插即用的深度學習設備形式緩解這種邊緣智慧化的缺陷。這個市場很新，但是看起來很有前景。Movidius是英特爾在2016年收購的一家硬體公司。這家公司一直在研究邊緣神經網路，包括開發無人機障礙導航和智慧熱像儀。Movidius的Myriad 2視覺處理單元（VPU）可以集成到電路板中，並在邊緣上提供低功耗計算視覺和圖像信號能力。
最近，該公司發佈了深度學習計算棒——一個USB-3的加密狗，可以為電腦、樹莓派和其他計算設備添加機器學習功能。該計算棒可以單獨使用，也可以組合使用。這對於很多獨立於雲而存在的AI應用來說是非常理想的，例如智慧安全攝像機、手勢控制無人機和工業機器視覺設備。
穀歌和微軟都已經發佈了自己的專用AI處理單元。但是目前，它們並不打算將之部署在邊緣上，而是用於增強其雲服務。但隨著邊緣AI市場的增長以及更多玩家的進入，這些公司將會將硬體供應給製造商。
依賴於較少資料的演算法
目前，執行任務（例如識別圖片）的AI演算法往往需要數百萬個標記樣本進行訓練。而一個人類小孩只需要一部分資料就可以完成相同的任務。使機器學習和深度學習演算法更接近邊緣的可能途徑之一是降低其資料和計算需求。一些公司正在努力使其成為可能。
去年，Uber AI Labs人工智慧公司推出了一款機器學習軟體，資料需求量要比比較流行的AI演算法少。雖然該公司並沒有透露具體細節，但是性能圖表顯示，Xprop演算法執行識別圖像任務所需的樣本量較少。
由國防高級研究計畫署（DARPA）支持的AI創企Gamalon使用了一種被稱為“Bayesian Program Synthesis”的技術，可以採用概率程式設計來減少訓練演算法所需的資料量。
與深度學習使用大量樣本訓練系統相反，BPS通過學習少量樣本，並根據增加的資料不斷更新其理解。這更接近於人類大腦的工作方式。
BPS所需的計算能力也相應的減少。不再依賴於昂貴的GPU陣列，Gamalon可以在包含相同處理器的iPad上對其模型進行訓練，這一點也讓邊緣計算變得更加可行。
邊緣化AI並不會取代雲，相反，它是雲的補充，並會創造出難以想像的可能性。雖然現在的人工智慧還不足以與人類的大腦相媲美，但是邊緣計算將會讓AI應用的運作方式更加接近於人類。
除非特別注明，本站所載內容來源於互聯網、微信公眾號等公開管道，不代表本站觀點，僅供參考、交流之目的。轉載的稿件版權歸原作者或機構所有，如有侵權，請聯繫刪除。