当我们谈论提取传感器数据并对其进行处理时，一种方法是将人工智能推向边缘。这是一个单独的趋势吗?或者它是对我们刚刚讨论的内容的补充?

【资料图】

我当然认为这将与我们正在讨论的内容相辅相成。如果我们正在寻找生产线上的缺陷或类似的东西，这是我们希望尽可能多地本地化 AI 的完美示例。如果它是一个反复出现的缺陷，你经常看到，它来到这里要简单得多，而不是去某个地方到云端，然后对其进行处理以停止机器。或停止流程。因此，我们会在未来看到更多此类活动发生，其中本地化操作将驱动某些行为。

然而，无论使用何种方法，在应用程序中实施人工智能都需要相当多的专业知识。例如，有许多 AI 框架可供选择，开发人员必须利用大量数据来训练系统。推理引擎必须具有足够的正确处理能力，以便在训练后执行 AI 算法。训练数据也需要经过深思熟虑，以避免训练 AI 做出错误的推断。例如，经过训练以区分照片中的汽车和坦克的人工智能在现场失败了，因为训练数据集使用了在阳光直射的露天拍摄的汽车照片和在模糊和光线不足的条件下拍摄的坦克照片。推理引擎训练基于照明差异而不是物体差异。

即使涉及到环境中的面部识别等问题。可以单独讨论其中的隐私方面。但是你真的可以有一个场景，你可以识别一个你不想进入你的办公环境的人或类似的东西。因此，如果我们愿意的话，人工智能肯定会在这些方面进入网络边缘的端点。

越来越有趣的是，没有一家公司能够独自解决工业环境中的无数应用程序。因此，我们需要生态系统合作伙伴、库和软件支持，才能真正让我们的客户将大量此类解决方案带入市场。在机场进行生物特征识别。所以你可以在没有登机牌或类似的东西的情况下走上飞机。所有这些都是人们正在努力的事情。

有趣。有趣的。很高兴听到我们不仅在改进和重新思考我们已经在做的事情，而且这项技术正在实现一系列前所未有的全新事物。

随着越来越多的此类工具可用，开发人员将越来越多地发现自己采用了一种新的嵌入式系统控制设计方法。开发人员将创建一个 AI 加速处理器，该处理器运行通过机器学习开发的推理算法，而不是传统的处理器运行代码来实现人为定义的算法。如果做得好，人工智能推理引擎将能够处理过于复杂的任务，无法通过传统的编码方法实现经济高效且可靠的实施。现在出现的创新工具将有助于让 AI 新手更容易正确地做这件事。

所以基本上，你可以考虑一个真正便宜的传感器，这样你就不会仅仅通过查看颜色等来包装变质的肉。人们正在使用肤色来优化我们的妆容以适应我们的特定肤色。所有这些都是我们在几年前通过使用光学传感器无法想象的事情的例子。

听到电子行业正在与露华浓和美宝莲打交道，我感到很惊讶!或者欧莱雅。是的，正是。确切地。你永远不会想到过去会发生这样的事情。这是一个广阔的领域。这是一个引人入胜的领域，将在未来提供数十年的增长。并且可能会软化我们过去看到的典型周期性。我们不会完全避免周期，但我认为较新的创新将推动该行业达到过去从未见过的新水平。

人工智能如何改变边缘计算的未来——虽然将人工智能与边缘计算相结合是有意义的，但硬件和软件组件需要解决几个挑战，包括功耗、处理能力、数据存储和安全性。

硬件帮助将 AI 迁移到边缘——将 AI 迁移到边缘需要什么类型的处理能力?供应商提出了一系列答案。

人工智能使数据存储更有效地进行分析——将数据转化为智能需要分析。正如这个概念验证演示所示，在存储控制器中实施的 AI 可以大大加快分析速度。

连接性仍然是人工智能、机器学习工作负载主流化的核心——一场让人工智能结果相关、可靠和随时可用的竞赛。只有那些在最好的机器/深度学习基础设施上训练过的人工智能模型，来自最大的数据集，才能生存下来。

关键词： 人工智能 处理能力 开发人员