AIoT的生死局：未來(lái)的AIoT很賺錢(qián) 但目前的AI+IoT很花錢(qián)

　　盡管從最近一段時(shí)間來(lái)看，AIoT已經(jīng)受到許多巨頭企業(yè)的重視，例如華為首次公布AIoT戰略、京東將其IoT業(yè)務(wù)整合升級為小京魚(yú)AIoT生態(tài)，但是這些并不意味著(zhù)前路坦蕩。

　　AIoT目前仍處于發(fā)展的起步階段，只能作為一種美好的愿想，無(wú)論從AI還是IoT本身來(lái)看，仍然存在著(zhù)許許多多的問(wèn)題。如同互聯(lián)網(wǎng)等新興技術(shù)發(fā)展初期一樣，AIoT也多少存在追捧與泡沫。

　　AI的發(fā)展仍很薄弱

　　AI近些年非?；馃?，尤其借由DeepMind推出的AlphaGo在圍棋領(lǐng)域戰勝人類(lèi)一事，一度將其推上“神壇”。時(shí)隔兩年，DeepMind攜全新AlphaStar再次驚艷亮相，最近在策略類(lèi)游戲“星際爭霸2”中也讓人類(lèi)敗下陣來(lái)。

　　這些已有的成就固然令人矚目，然而現實(shí)生活中，AI仍然沒(méi)有真正走進(jìn)生活，成為改變世界的重要力量。目前來(lái)看，成熟的AI需要相當長(cháng)的路徑，無(wú)論是底層技術(shù)，還是相應的訓練，甚至相關(guān)人才的培養等，遠不是短時(shí)間內可以完成的。AI作為AIoT的核心之一，它的發(fā)展對AIoT的落地仍然具有至關(guān)重要的影響。

　　算力太貴

　　AI算力平臺的搭建，需要大量的CPU和GPU。目前風(fēng)靡全球的AI產(chǎn)品AlphaGo使用的TPU是一種類(lèi)似GPU的算法芯片，它的能耗功效比非常高。訓練AlphaGo的算力相當于12000塊常見(jiàn)的消費級1080TI，所花費的開(kāi)支逾千萬(wàn)。

　　普通計算機的計算能力是有限的，利用其訓練一個(gè)模型往往需要數周至數月的時(shí)間。密集和頻繁地使用高速計算資源，其所花費的成本往往難以估計。這些開(kāi)銷(xiāo)對于大企業(yè)來(lái)講或許承擔得起，但對中小型企業(yè)而言，往往是難以負擔的巨額數字。

　　正是由于A(yíng)I對計算的需求非常大，對高性能計算芯片的需求很高，國內企業(yè)對這一領(lǐng)域持續發(fā)力，比如華為不久前推出的鯤鵬920芯片，云知聲也宣布正在研發(fā)多款AI芯片，一時(shí)捷報頻傳。然而這不意味著(zhù)芯片價(jià)格會(huì )大幅度下調，對于企業(yè)來(lái)講，仍然需要在硬件方面給予極大的支持，這也意味著(zhù)企業(yè)需要花很多錢(qián)才能購買(mǎi)到需要的算力。

　　訓練太慢

　　AI芯片自設計生產(chǎn)后，其實(shí)是什么都做不了的，想要讓它達到真正的智能，需要大量正確的合適的樣例進(jìn)行訓練。就像教寶寶逐漸學(xué)會(huì )說(shuō)話(huà)和走路一樣，AI的訓練過(guò)程也是漫長(cháng)的，而且難度更大、復雜度更高。

　　AI本質(zhì)上仍然是機器，并沒(méi)有具備真正意義上的智力。以識別圖片為例，AI需要對幾億張圖片進(jìn)行數據標注，記住相應的數據特征，在實(shí)際的識別中完成的是一個(gè)概率判斷。所以，AI的“思考”核心是機器算法，并不會(huì )擁有人類(lèi)這樣的真正思維。正因如此，AI的訓練所需的時(shí)間是非常長(cháng)的，目前僅訓練一些簡(jiǎn)單的識別尚需數周時(shí)間，面對未來(lái)應用場(chǎng)景的豐富性，有必要在算法層面予以增強。

　　另外，如今想要進(jìn)入AIoT領(lǐng)域的企業(yè)有很多都是家電及硬件廠(chǎng)商——盡管它們深諳各自領(lǐng)域的相關(guān)技術(shù)及規則，但對于進(jìn)入AI這個(gè)完全陌生的領(lǐng)域，本身對于算法的積累幾乎為零，需要針對相關(guān)產(chǎn)品從零設計相關(guān)算法并完成訓練所需耗費的時(shí)間成本也是巨大的。

　　應用太淺

　　盡管AI最近幾年非常熱門(mén)，但是目前仍然處于發(fā)展的初期，仍然很難將實(shí)驗室理想環(huán)境下的成功產(chǎn)品應用至生產(chǎn)生活中去。其最主要的原因有兩個(gè)，一個(gè)是數據少，另一個(gè)是AI并非單獨的產(chǎn)品。盡管AIoT或許能夠解決AI數據少的問(wèn)題，但是AI針對不同問(wèn)題、不同領(lǐng)域的落地仍然很難擴展，效率很低。

　　對于A(yíng)IoT來(lái)講，將AI應用在數量眾多的物聯(lián)網(wǎng)設備上，首先要解決的是兼容性問(wèn)題。物聯(lián)網(wǎng)設備并非都是單一標準的，將一項新技術(shù)應用推廣開(kāi)來(lái)所需處理的兼容性問(wèn)題非常繁雜，大規模部署問(wèn)題重重。此外，從火熱的智能音箱可以看出，目前的AI相關(guān)技術(shù)仍然主要處于探索語(yǔ)音交互方面，對其他的交互仍沒(méi)有很好的解決方案，而且語(yǔ)音交互的適用場(chǎng)景并不能完全推廣開(kāi)來(lái)。

　　AIoT想要跨越AI這座山峰，需要解決的是一個(gè)全場(chǎng)景的問(wèn)題，從基礎的算法，到開(kāi)發(fā)訓練，再到應用部署能力等等。未來(lái)AIoT的進(jìn)步與落地，仍然需要企業(yè)間競爭與合作，促進(jìn)資源分享與技術(shù)進(jìn)步。

　　物聯(lián)網(wǎng)的進(jìn)展仍很“簡(jiǎn)單”

　　如果說(shuō)在A(yíng)IoT中AI扮演著(zhù)大腦的角色，IoT則需要構建連接，實(shí)現萬(wàn)物智聯(lián)的第一步萬(wàn)物互聯(lián)。盡管物聯(lián)網(wǎng)已經(jīng)出現了相當長(cháng)的一段時(shí)間，但是目前的物聯(lián)網(wǎng)也仍然處于發(fā)展的初期階段。

　　技術(shù)

　　物聯(lián)網(wǎng)分為感知層、網(wǎng)絡(luò )層、平臺層和應用層，盡管物聯(lián)網(wǎng)近些年發(fā)展迅速，但是從各個(gè)層面來(lái)看，仍然存在一些問(wèn)題。

　　從感知層來(lái)看，其關(guān)鍵技術(shù)主要包含射頻技術(shù)(RFID)和傳感器技術(shù)，以傳感器技術(shù)為例，目前來(lái)看，傳感器仍存在一些關(guān)鍵技術(shù)制約。傳感器的設計技術(shù)涉及到多種學(xué)科、理論、材料、工藝等，設計軟件昂貴，設計過(guò)程復雜等因素長(cháng)期存在，國產(chǎn)傳感器無(wú)論是可靠性還是封裝技術(shù)等，都存在嚴重不足。