人工智能將會(huì )如何顛覆物聯(lián)網(wǎng)？

早在1956年，Allen Newell、Cliff Shaw和Herbert Simon合力制作了一個(gè)名為「邏輯理論家（The Logic Theorist）」的計算機程序。該程序由RAND Corporation資助開(kāi)發(fā)，旨在模仿人類(lèi)解決問(wèn)題的技能，許多人認為它是人工智能（AI）的第一個(gè)范例。
時(shí)至今日，大語(yǔ)言模型（Large Language Model；LLM）已成為人工智能的代言人。LLM是一種計算算法，通過(guò)密集訓練來(lái)學(xué)習文本（TEXT）文檔中的統計關(guān)系，從而實(shí)現通用語(yǔ)言生成和其他自然語(yǔ)言處理任務(wù)，OpenAI的ChatGPT可能是最知名的示例。
盡管LLM非常有用，但它只是人工智能其中一個(gè)小眾應用；相比之下，把自動(dòng)化系統收集的大量數據提供予機器學(xué)習（Machine Learning；ML）算法更加大有作為。ML是人工智能的一種應用，允許計算機在沒(méi)有直接程序設計或指令的情況下進(jìn)行學(xué)習，從而不斷提高機器的智能。
全球互聯(lián)的物聯(lián)網(wǎng)能夠讓人們收集幾乎無(wú)限量數據，這些數據不僅可以提供給云端的計算機，還可以用來(lái)促進(jìn)ML算法，從而為物聯(lián)網(wǎng)內數十億聯(lián)網(wǎng)設備提高智慧。這意味著(zhù)，即使是最普通的物聯(lián)網(wǎng)設備也能不斷提升智慧，為未來(lái)的工業(yè)、商業(yè)、教育、醫療等領(lǐng)域帶來(lái)巨大潛力。
就拿最不起眼的冰箱來(lái)說(shuō)吧，全世界有數十億臺冰箱，占全球總耗電量的12%。通過(guò)不斷向ML模型提供外部和內部溫度數據、柜內存放食物的數量、柜門(mén)打開(kāi)的頻率，以及電網(wǎng)負荷較低時(shí)段等高級資料，智能冰箱壓縮機控制器可以快速適應使用模式，以減省能源使用和碳排放，這是非常美好的愿景。目前的挑戰在于如何將硬件和軟件結合起來(lái)以實(shí)現無(wú)縫運行。

 
圖一 : 通過(guò)不斷向ML模型提供各種數據，智能冰箱壓縮機控制器可以快速適應使用模式，以減省能源使用和碳排放。

向邊緣發(fā)展
1999年，當Kevin Ashton提出「物聯(lián)網(wǎng)（the Internet of Things）」一詞時(shí)，他對網(wǎng)絡(luò )的設想與今天的物聯(lián)網(wǎng)略有不同。Ashton預測數十億個(gè)廉價(jià)、小巧的傳感器將其數據傳送到功能強大的集中式計算資源，并進(jìn)行繁重的計算操作。Ashton的預測很有遠見(jiàn)，但也有失算之處：通過(guò)網(wǎng)絡(luò )從許多設備發(fā)送連續數據是復雜、耗能且費用昂貴的事情。
如今，我們通過(guò)將物聯(lián)網(wǎng)的智慧分配到邊緣，最大限度地減少了網(wǎng)絡(luò )流量。因為當代物聯(lián)網(wǎng)設備的資源雖然難與云端計算機相比，但也已經(jīng)能夠獨當一面，配備了專(zhuān)用應用處理器和充足的內存資源。這使得物聯(lián)網(wǎng)能夠支持廣泛分布的計算資源，其中的單個(gè)設備均能夠進(jìn)行重要的邊緣處理。
在最基本的層面上，邊緣處理可讓物聯(lián)網(wǎng)設備對數據進(jìn)行本地篩選，以確定哪些數據是不值一提，哪些數據則顯示情況正在發(fā)生變化并應當轉發(fā)做進(jìn)一步分析。ML使得邊緣設備不僅能檢查數據是否超過(guò)默認閾值，還能推斷出變化的含義，然后采取相應措施。
Nordic Semiconductor戰略與產(chǎn)品管理執行副總裁Kjetil Holstad表示：「我們將這項全新功能稱(chēng)為邊緣人工智能（Edge AI），它為物聯(lián)網(wǎng)產(chǎn)品帶來(lái)了一些關(guān)鍵優(yōu)勢：可在本地實(shí)時(shí)處理輸入，因此無(wú)需使用帶寬通過(guò)無(wú)線(xiàn)鏈路發(fā)送原始數據，同時(shí)不會(huì )浪費時(shí)間等待云端的響應。其次，本地處理相比空中發(fā)送數據耗電更少，因而物聯(lián)網(wǎng)設備可以運行更長(cháng)時(shí)間或使用更小的電池?！?br/>監測機器軸承的溫度傳感器就是此類(lèi)功能的示例。如果軸承溫度逐漸升高，該傳感器可以使用ML模型來(lái)推斷這僅僅是機器在預熱，無(wú)需擔心；若軸承溫度快速上升，則可能顯示潤滑出現故障，并觸發(fā)傳感器在發(fā)生損壞前關(guān)閉機器。
咨詢(xún)公司德勤在「預測性維護（Predictive Maintenance）」定位檔中表示：「數據是任何預測性維護引擎的動(dòng)力。其質(zhì)素和數量是分析根本原因和提前預測故障的限制因素。物聯(lián)網(wǎng)提供了大量精確數據，并與邊緣人工智能一起為預測性維護領(lǐng)域帶來(lái)了巨大的經(jīng)濟潛力?！?
德勤公司指出，每年非計劃性機器停機給工業(yè)制造商造成的損失估計高達500 億美元；實(shí)施預測性維護，每年平均可節省材料成本5%至10%；設備正常運行時(shí)間可延長(cháng)10%至20%；總體維護成本可降低5%至10%；維護規劃時(shí)間可縮短 20%至50%。

 
圖二 : 通過(guò)在設備中添加邊緣人工智能，監測機器軸承的溫度傳感器可以使用ML模型來(lái)推斷機器預熱的狀況。

工程技術(shù)挑戰
利用人工智能和ML增強物聯(lián)網(wǎng)確實(shí)好處多多，但大規模實(shí)施這種技術(shù)卻充滿(mǎn)挑戰。當今許多先進(jìn)的ML模型都需要大量的計算資源和功耗來(lái)執行推理（運行 ML模型并根據輸入的數據做出決策）。然而，當今大量的物聯(lián)網(wǎng)連接設備雖然能夠執行一些邊緣計算，但卻缺乏人工智能和ML所需的資源。
Tiny Machine Learning或TinyML是一種解決方案。TinyML是ML的一個(gè)分支，它簡(jiǎn)化了ML技術(shù)，使其適用于電池供電、基于微控制器的嵌入式設備。TinyML使得小型物聯(lián)網(wǎng)傳感器能夠以實(shí)時(shí)響應速度執行ML任務(wù)。
TinyML使得當今的無(wú)線(xiàn)SoC能夠支持ML，而未來(lái)的新一代硬件將能夠運行更先進(jìn)的ML程序。Nordic Semiconductor投入了數百萬(wàn)美元經(jīng)費進(jìn)行研究，將這類(lèi)硬件推向市場(chǎng)。
「我們設計了能夠以?xún)?yōu)化方式運行ML的低功耗SoC，不需要專(zhuān)用的ML加速器。關(guān)鍵在于將創(chuàng )新工程與最大數據處理能力和最小功耗相結合?！笻olstad表示：「隨著(zhù)物聯(lián)網(wǎng)中人工智能和ML不斷發(fā)展，對其提出的要求也會(huì )越來(lái)越高；這可能意味著(zhù)未來(lái)超低功耗嵌入式設備將配備專(zhuān)用ML加速器內核。但現在，我們的高效SoC和SiP展示優(yōu)化的力量，毋須加速器也可實(shí)現先進(jìn)的ML?！?br/>他以Nordic雙核nRF5340和新型第五代無(wú)線(xiàn)SoC產(chǎn)品nRF54H20為例，這些 SoC采用Edge Impulse的TinyML軟件。Holstad解釋道：「憑借nRF53和nRF54系列，Nordic成功地打破了處理能力和功耗之間的折衷權衡。這意味著(zhù)開(kāi)發(fā)人員可以立即獲得在電池供電SoC上支持高級ML所需的高處理能力和低功耗特性。Nordic還提供開(kāi)展ML項目所需的全部開(kāi)發(fā)工具和軟件?！?br/>
ML大放異彩
盡管面臨嚴峻的工程技術(shù)挑戰，但開(kāi)發(fā)人員已經(jīng)開(kāi)始將帶有ML的物聯(lián)網(wǎng)產(chǎn)品引入商業(yè)領(lǐng)域。挪威公司Sensorita就是一個(gè)示例，該公司推出的智慧廢物管理解決方案基于Nordic公司nRF9160 SiP蜂巢物聯(lián)網(wǎng)產(chǎn)品和挪威生命科學(xué)大學(xué)研究的雷達技術(shù)，用于評估大型垃圾箱的裝載水平和內容物。
Sensorita執行長(cháng)Ulrikke Lien表示：「客戶(hù)移動(dòng)廢物處理箱，或者棄置與分類(lèi)標示不同的廢物，使得廢物處理公司無(wú)法知道垃圾箱有多滿(mǎn)、里面裝了什么或何時(shí)應該取走。這給物流和生產(chǎn)計劃帶來(lái)了問(wèn)題，而且不必要的回收操作也增加了二氧化碳排放量?！?br/>Sensorita已借助一款結合雷達和GPS的堅固傳感器解決了這一問(wèn)題。傳感器每小時(shí)多次獲取垃圾箱內部的雷達圖像，然后將這些圖像發(fā)送到Sensorita云平臺進(jìn)行分析。通過(guò)利用在數百萬(wàn)幅雷達圖像上訓練出來(lái)的ML算法，傳感器能夠估算出垃圾箱的滿(mǎn)載程度以及所裝載的主要垃圾類(lèi)型。
nRF9160 SiP使用蜂巢網(wǎng)絡(luò )定位數據和GNSS三角測量法記錄每個(gè)垃圾箱的精確位置，并通過(guò)其LTE-M/NB-IoT調制解調器將傳感器數據傳輸到Sensorita云平臺。
Sensorita還利用ML優(yōu)化卡車(chē)在城市中清空垃圾箱的路線(xiàn)，結果節省燃料、減少工時(shí)，并且降低碳排放。
更高效的冰箱、預測性維護和垃圾箱優(yōu)化固然重要，但都屬于小眾產(chǎn)品。當ML在網(wǎng)絡(luò )中廣泛部署時(shí)，成果將無(wú)比巨大，例如對醫療保健的影響。像Nordic的nRF54H20這樣的無(wú)線(xiàn)SoC支持具有各種傳感器（如心率、心率變異性、溫度、呼吸頻率、血氧、壓力、疲勞和其他生理跡象傳感器）的穿戴式設備。這種穿戴式設備不僅適用于健身愛(ài)好者，還適用于老年人、成年人和兒童。
有了ML和蜂巢物聯(lián)網(wǎng)連接，穿戴式設備能夠同時(shí)持續監測多種生命體征。如果某些或所有生命體征出現變化跡象，穿戴式設備的ML模型就能判斷這種趨勢是微不足道的，還是嚴重的緊急醫療情況。例如血氧水平、心率、血壓和呼吸的突然變化顯示心臟問(wèn)題迫在眉睫。如果情況嚴重，穿戴式設備還能夠通知急救人員，同時(shí)在其到達之前提供重要的數據。
這類(lèi)設備可以減少醫院就診次數，同時(shí)優(yōu)化對真正需要人士的護理，從而節省緊張的醫療預算，這將為全球節省數千億美元。
在依靠電池運行的低功耗嵌入式設備上執行ML的能力，將會(huì )改變物聯(lián)網(wǎng)，促使網(wǎng)絡(luò )變得更加智能、強大和靈活，還將帶來(lái)先前不可能實(shí)現的新型產(chǎn)品和應用。未來(lái)將會(huì )十分精彩，并且比人們想象的更快來(lái)臨，敬請大家拭目以待。