随着人工智能 (AI) 的成熟，采（cǎi）用率继续增加。根据最近的研究，35% 的组织正在（zài）使用人工智能，42% 的组织（zhī）正在探索其潜力。虽然人工智能在云中得到了很好的理解并大量部署，但它在（zài）边缘仍然处于萌芽状态，并面临（lín）一（yī）些独特（tè）的挑战（zhàn）。

许多人（rén）全天（tiān）都（dōu）在使用人工智（zhì）能，从汽车导航（háng）到跟踪步骤，再到与数字助理（lǐ）交谈。即使用户经常在移动（dòng）设备上访问（wèn）这些服务，计（jì）算结（jié）果仍然存（cún）在（zài）于人工智能的云使用中。更（gèng）具体地说（shuō），一（yī）个（gè）人请求信息，该请求由云中的中（zhōng）央（yāng）学习模型处理，然后将结果发送（sòng）回该人（rén）的本（běn）地设（shè）备。

与云端 AI 相比，边缘 AI 的理解和部署频率更低。从（cóng）一开始，人工智能算法和创新就依赖于（yú）一个基本假设——所有（yǒu）数据都可以发送到（dào）一个中心（xīn）位置（zhì）。在这（zhè）个中（zhōng）心位置，算法可以（yǐ）完全访问数据。这使得算法能够像大脑或中（zhōng）枢（shū）神经系统（tǒng）一样构建其智能，对计算和数据（jù）拥有完全的权限（xiàn）。

但是（shì），边缘的人（rén）工智能是（shì）不同的（de）。它将智能分布（bù）在所有细胞和神经上。通过将智能推（tuī）向边缘，我们（men）赋（fù）予这些（xiē）边（biān）缘设备代理（lǐ）权（quán）。这在医（yī）疗保健和工（gōng）业制（zhì）造等许多应用和领域（yù）中至（zhì）关（guān）重要。

在（zài）边缘部署人工（gōng）智能（néng）的原因（yīn）

在边缘（yuán）部署人工智能有（yǒu）三（sān）个主要原因。

保护个人身（shēn）份信息 (PII)

首先，一些处（chù）理 PII 或敏感 IP(知识产权)的（de）组织更愿意将数据留（liú）在其来源处（chù）——医院的成像机器或工厂车间的制（zhì）造机器中。这可以降低（dī）通过网络传输数据时（shí）可能发生的“偏移”或“泄漏”风（fēng）险。

最（zuì）小化带宽使用（yòng）

其次是（shì）带宽问（wèn）题。将大量数据从（cóng）边（biān）缘传送到云端会阻（zǔ）塞网络，在（zài）某些情况（kuàng）下是不切实际的。健康环境中（zhōng）的成像机器生成如此庞大的文件以致无法将它们传输（shū）到（dào）云或需要数（shù）天（tiān）才能完成传输（shū）的情（qíng）况并不（bú）少见（jiàn）。

简（jiǎn）单地在边缘处理数（shù）据会（huì）更有效（xiào），尤其是当洞察（chá）力旨在改进专有机器时。过去，计算的（de）移动（dòng）和维护难度要大得（dé）多，因此需（xū）要将这些（xiē）数据移动（dòng）到计算（suàn）位置。这种范式现在受到挑战，现在数据通常更重要且更难管（guǎn）理，导致（zhì）用例保证（zhèng）将计算移（yí）动到数（shù）据位置。

避免延（yán）迟

在边缘（yuán）部署 AI 的第三个原（yuán）因（yīn）是延迟（chí）。互联网速度很快，但不是实时的。如果存在毫秒很重要（yào）的情况，例如协助手术的机械臂或（huò）时间（jiān）敏感的生产线，组织（zhī）可能会决（jué）定在（zài）边缘运行 AI。

边缘人工（gōng）智能面临（lín）的（de）挑战以及如何解决（jué）这些挑（tiāo）战

尽（jìn）管有这些好处，但在边缘部署 AI 仍然存在一些独特（tè）的（de）挑战。以下是您应该考（kǎo）虑（lǜ）的一些提示（shì），以帮助应对这些挑战。

模型训（xùn）练的好与坏结果

大（dà）多数（shù） AI 技术使用大量数（shù）据来训练模型（xíng）。然而（ér），在边缘的（de）工业（yè）用（yòng）例中，这通常会变（biàn）得更加困难，因为（wéi）大多数制造的（de）产品都没（méi）有缺陷，因此被标记或注释（shì）为良好。由（yóu）此产生的“好结（jié）果”与“坏结（jié）果”的不（bú）平衡使得模型（xíng）更难学会识别问题。

依赖（lài）于没有上下文信息的数据分类的纯 AI 解决（jué）方案通常不容易创建（jiàn）和（hé）部（bù）署，因为缺（quē）乏（fá）标记（jì）数（shù）据，甚至会发生罕见事件。为 AI 添加（jiā）上下文(或称为（wéi）以数据为（wéi）中心（xīn）的方法（fǎ）)通常（cháng）会在最终（zhōng）解决方案的准确性和规（guī）模方面带（dài）来好处。事实（shí）是（shì），虽（suī）然人工智（zhì）能通常（cháng）可以取代（dài）人类手动（dòng）完成的平凡任务，但在构建模型时，它会极大地受（shòu）益于（yú）人类的洞察力，尤其是在没有大量数据可供使用的情（qíng）况下。

从经（jīng）验丰（fēng）富的主题专家那里（lǐ）得（dé）到（dào）承诺，与构建算法的（de）数据科学家（jiā）密切合作，为 AI 学习（xí）提供了一个快速启动。

AI 无法神奇（qí）地解决（jué）或提供每个问题（tí）的答案

通常有（yǒu）许多步骤进入输出。例（lì）如（rú），工厂车间可能（néng）有许（xǔ）多工作站，它们可能相互依赖（lài）。一个过（guò）程中工厂某个（gè）区域的（de）湿度可能会影响稍后在不同区域的（de）生产线中另一个过程的结果。

人们通常认（rèn）为人工智能可以神奇地拼凑所有（yǒu）这些关系（xì）。虽（suī）然（rán）在许多情（qíng）况下可以，但它也（yě）可能需要大量数据和很长时间来收集数据，从而（ér）导致非常复杂的算法不支持可解释性和更新。

人工智能不能生活在真空中。捕捉这（zhè）些相互依赖关系将把边界从一个简单的解决方（fāng）案推向一个可以随着时间（jiān）和不同部署而扩展的解（jiě）决（jué）方案。

缺乏利益相关者的（de）支持会限制人工智能的规模

如果（guǒ）组织中的一群人对它的好处持怀疑态度，则很难在整个（gè）组织（zhī）中扩展 AI。获（huò）得广泛（fàn）支持的（de）最（zuì）好(也许是唯一)方法是从（cóng）一个高价值（zhí）、困难的（de）问题开始（shǐ），然后用人工智（zhì）能解决它。

在（zài）奥迪，我们考虑解决焊枪电极更换频（pín）率的问题。但是电极成本（běn）低（dī），这（zhè）并（bìng）没（méi）有消除人类正在做（zuò）的任何（hé）平凡的任（rèn）务。相反，他们选择了焊（hàn）接工艺，这是整个行业普遍认同（tóng）的难（nán）题（tí），并通（tōng）过（guò）人工智能显着提高（gāo）了工艺质量。这激发了整个公司工程师的想象力，他们研究如何在其他（tā）流程中使用人工智能来提高效（xiào）率（lǜ）和质量（liàng）。

平衡边缘（yuán） AI 的（de）优势和挑战

在边缘（yuán）部署 AI 可以帮助组织及其团队。它有可能将设施转变为智能边缘，提高（gāo）质量，优化制造（zào）过程，并激（jī）励整（zhěng）个（gè）组织的开发（fā）人员和工程师探索他（tā）们如何整合人工智能或推进人工智能（néng）用例，包括（kuò）预测分析、提高效率的建议或异（yì）常检（jiǎn）测。但它也带来了（le）新的挑战。作为一个行业，我们必须（xū）能够在部署（shǔ）它的同（tóng）时减少（shǎo）延迟、增加隐私、保护 IP 并（bìng）保持网络平（píng）稳运（yùn）行（háng）。