随着人工智能 (AI) 的成熟，采用率继续增（zēng）加。根据最近（jìn）的研究，35% 的组织正在使用人（rén）工智（zhì）能，42% 的组织正在探（tàn）索（suǒ）其潜力。虽然（rán）人（rén）工智（zhì）能在云（yún）中（zhōng）得到（dào）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，并面临一些独特的挑战（zhàn）。

许多人全天（tiān）都在（zài）使用人（rén）工智能，从汽车导航到跟踪步（bù）骤（zhòu），再到与数字助（zhù）理交谈。即使（shǐ）用户经常在移动（dòng）设备上访问这些服务，计算结果仍然存（cún）在（zài）于人工智能的云使用中。更具体地（dì）说，一个人请求信息，该请求由云中的中央学习模（mó）型处理，然后将结（jié）果发送（sòng）回（huí）该人的本地设备。

与云（yún）端 AI 相（xiàng）比，边（biān）缘 AI 的（de）理解和部署（shǔ）频率更低。从一开始，人工智能算法和创新就依赖于一个基本假设——所有数据都可以发送到一个中心位置。在这个（gè）中心位置，算法可以完全访问数据。这使得算法能够（gòu）像（xiàng）大脑或中枢（shū）神（shén）经（jīng）系统一（yī）样构建其智能（néng），对（duì）计（jì）算和数（shù）据拥（yōng）有完全的权限。

但是，边缘的人工（gōng）智能是（shì）不（bú）同（tóng）的。它将智能分布在所有细胞和神经上。通过将智能推向（xiàng）边缘，我们赋予这些边缘设备代理权。这在医疗保健和工业制（zhì）造等许多应用和领（lǐng）域中至关重要。

在（zài）边缘部署人工智能的原（yuán）因

在边缘部署人工智能有三个主要原因。

保护个人身份信息（xī） (PII)

首（shǒu）先，一些处理 PII 或（huò）敏感 IP(知识产权)的组织（zhī）更愿意将数据留在其来源处——医院的（de）成像机器或（huò）工（gōng）厂车间的制造（zào）机器中。这可以降低通（tōng）过网络传输数据时可能发生的（de）“偏移（yí）”或“泄漏”风险（xiǎn）。

最小化带宽使用

其次是带（dài）宽问题。将大量数据从边缘传送到（dào）云端（duān）会阻（zǔ）塞（sāi）网络，在某些（xiē）情况下是不（bú）切实际的。健康（kāng）环境（jìng）中的（de）成（chéng）像机器生成如此庞大的文（wén）件以致无法（fǎ）将它们传输（shū）到云或需要数天（tiān）才能完成传输（shū）的（de）情况并不少见。

简单（dān）地在边缘（yuán）处理数据会更有效，尤其是（shì）当洞察（chá）力旨（zhǐ）在改进专有机（jī）器时。过去，计算的移动和维（wéi）护难度要大得多，因（yīn）此（cǐ）需要将这些数据移动到计算（suàn）位置。这种范（fàn）式现在受（shòu）到挑战，现在数据（jù）通常（cháng）更重要且（qiě）更难管理，导致用例保证将计（jì）算移动到数据位置。

避免延迟

在边缘部署 AI 的（de）第三（sān）个原因是延（yán）迟。互联网（wǎng）速度很快（kuài），但不是实时的。如（rú）果存在毫秒很（hěn）重要的情况，例如协助手术的机械臂或时间敏感（gǎn）的（de）生产（chǎn）线，组织可能（néng）会决定（dìng）在边（biān）缘运行（háng） AI。

边缘人工智能面临的挑战以及如何（hé）解决这（zhè）些挑战

尽管（guǎn）有这些好处，但（dàn）在（zài）边（biān）缘部署 AI 仍然存在一些独特的挑战。以下是您应该考虑的一（yī）些提示（shì），以（yǐ）帮助应对这些挑战。

模型（xíng）训练（liàn）的（de）好与坏结果

大（dà）多数 AI 技（jì）术使用（yòng）大量数据来（lái）训（xùn）练模型（xíng）。然而（ér），在边缘的工业用例（lì）中，这通常会（huì）变（biàn）得更（gèng）加困难，因为大多数（shù）制（zhì）造的产品都没有缺陷，因此被标（biāo）记（jì）或（huò）注释为良（liáng）好。由此产生的“好结果”与“坏结果”的不平衡使得模型（xíng）更难（nán）学会识别问题。

依（yī）赖于没有上下文信息的（de）数据分类的纯 AI 解决方案通常不容易（yì）创建和部（bù）署，因为缺乏标记数据，甚至会发生罕（hǎn）见事件。为 AI 添（tiān）加上下文(或称为以（yǐ）数据为中心（xīn）的（de）方法)通常（cháng）会在最终解决方案的准确性和规模方面带来好（hǎo）处。事实是，虽然人工智能（néng）通常可以取代（dài）人类手（shǒu）动完成的平凡任务，但在构建模型时，它会极大（dà）地（dì）受益于人类的洞（dòng）察力，尤其是在没有大量数据可（kě）供使（shǐ）用的（de）情况下。

从（cóng）经验丰富的主题（tí）专家那里得到（dào）承诺（nuò），与构建算法的数据（jù）科学家密切合作（zuò），为 AI 学习提供了一个快速启动。

AI 无法神奇地解决或提供每（měi）个问（wèn）题的答案（àn）

通常有许多步骤进入输出（chū）。例如，工厂车间可（kě）能有许多工作站，它（tā）们可能相（xiàng）互依赖（lài）。一（yī）个过程中（zhōng）工厂某（mǒu）个区（qū）域的湿度可能会（huì）影（yǐng）响稍后在不（bú）同区域（yù）的生产线中另一个（gè）过程（chéng）的（de）结（jié）果。

人们通常认为人工智能可以（yǐ）神奇地拼（pīn）凑所有这些关系。虽然在许多情况下可以，但它也可能需（xū）要大量数据和很长时间来收集数据（jù），从而导致非常复杂（zá）的算法不（bú）支持（chí）可解释（shì）性和（hé）更新。

人工智能不能（néng）生活（huó）在真（zhēn）空中（zhōng）。捕捉这些相（xiàng）互依赖关系（xì）将把边界从一个简单的解决方案（àn）推向（xiàng）一个可以随（suí）着时间和不同部署（shǔ）而扩展的解决方案。

缺（quē）乏利益相关者的支持（chí）会限制人工智能（néng）的规模

如果组织（zhī）中的一群人对它的好处持（chí）怀疑态度（dù），则很难在整个（gè）组（zǔ）织（zhī）中扩展（zhǎn） AI。获得广泛支持的最好(也许是唯一)方法是从一个高价值（zhí）、困（kùn）难的问题开始，然（rán）后用（yòng）人（rén）工智能（néng）解决它（tā）。

在奥迪，我们考（kǎo）虑（lǜ）解决（jué）焊枪电（diàn）极更换频率的问（wèn）题。但是电极成本低，这（zhè）并（bìng）没（méi）有消除人类正在做的任何（hé）平凡的任务。相反，他们选择（zé）了焊接工艺（yì），这是整个行业普遍（biàn）认同的难题（tí），并通过人工智能（néng）显着提高了工艺质量。这激发了整个公司工程（chéng）师的想象力，他们（men）研究（jiū）如（rú）何在其他流（liú）程中使用人工智能来提高效率（lǜ）和（hé）质量。

平衡边缘 AI 的优势和挑战

在边缘部署 AI 可以帮助组织及其团队。它（tā）有可能将设施转（zhuǎn）变为（wéi）智能边缘，提高质量，优化制造（zào）过程，并激（jī）励整个（gè）组织的开发人员和工程师探（tàn）索他们（men）如何整合人工智能或（huò）推进人工（gōng）智能用例，包括（kuò）预测分析、提（tí）高效率的建议或异常检测。但（dàn）它也带来了新的（de）挑战。作为（wéi）一个行业，我们必须能够在部署它（tā）的同时减少（shǎo）延迟、增加隐（yǐn）私、保护 IP 并保持网络平稳运行。