物聯(lián)網(wǎng)與AI的結合：讓不同的智能手機相互學(xué)習

　　讓設備相互學(xué)習

　　兩只相近的智能手機可以相互學(xué)習，它們能夠運行自己的AI機器，并能分享自己程序的邏輯塊，來(lái)加速學(xué)習。比如，它們可以相互學(xué)習如何保持電池的壽命。

　　設備之所以能夠相互學(xué)習，背后有兩個(gè)原因。首先，每臺手機都可以獨立學(xué)習，來(lái)發(fā)展自己的基因材料。在演化計算中，這叫做“島嶼模式”。在物聯(lián)網(wǎng)中，每臺設備都能變成自己的“島嶼”。

　　此外，這些設備能夠分享他們學(xué)習到的東西。這將增加基因庫的多樣性，對于能夠學(xué)習或是進(jìn)化的系統很有幫助。這也意味著(zhù)這些設備知道如何更好地適應新的環(huán)境。

　　AI和物聯(lián)網(wǎng)設備的結合，與動(dòng)物跟蹤機制有些相似。將傳感器安裝到動(dòng)物耳部的皮革或金屬耳標上，就能跟蹤野生動(dòng)物、寵物和家畜的活動(dòng)。

　　為了跟蹤更加精確的信息，每臺設備需要學(xué)習動(dòng)物的行動(dòng)特征(比如物種、年齡、性別等)，而這些都可在AI的幫助下進(jìn)行。

　　那在跟蹤動(dòng)物之時(shí)，設備怎么相互學(xué)習呢?當兩只動(dòng)物相遇，物聯(lián)網(wǎng)設備就能分享它們學(xué)習到的內容，這樣兩臺設備就能相互進(jìn)步，并能將之運用于其他相似的動(dòng)物特征研究之上。

　　讓傳感器預測錯誤

　　物聯(lián)網(wǎng)的分享和學(xué)習功能所造福的不只是動(dòng)物和人類(lèi)，它還能檢測城市橋梁、道路的狀況。

　　在很多情況下，因為較高的成本和較遠的距離，這些設備并不能聯(lián)網(wǎng)，但是它們能就地收集信息，并能學(xué)習傳感器數據的特定模式，來(lái)預測錯誤。

　　因為錯誤非常少，因此與臨近設備分享的信息能夠構成更大的數據庫，來(lái)訓練其他的設備，而這些設備可能不曾遇到過(guò)錯誤。

　　不過(guò)，說(shuō)到如何讓物聯(lián)網(wǎng)設備從現實(shí)中學(xué)習，我們還有很多問(wèn)題尚待解決。如果設備分享信息，那么會(huì )泄露用戶(hù)的隱私嗎?這就需要看看這些信息是否具有特殊意義了。比如，包含遺傳程序的信息是不可分享的。

　　一部物聯(lián)網(wǎng)設備也需要確保在它與新的環(huán)境反應之時(shí)，同時(shí)持續執行任務(wù)。我們需要運用適當的安全控制，比如為設備設定硬性限制，規定它可以學(xué)習什么，不可以學(xué)習什么。

　　另一個(gè)問(wèn)題就是：設備如何決定了哪一臺臨近的設備值得信賴(lài)?如果惡性設備進(jìn)入設備所處的環(huán)境，設備該怎么辦?這都是亟待解決的問(wèn)題。

　　因此， AI和物聯(lián)網(wǎng)的結合將會(huì )為我們的生活帶來(lái)極大的便利。但是，因為現在A(yíng)I還處于低級階段，因此其與物聯(lián)網(wǎng)的結合應用也處于嬰兒期。雖然它潛力巨大，但仍需我們的研究、dao和調查。