物聯(lián)網(wǎng)發(fā)展的兩大關(guān)鍵:邊緣計算與人工智能

責(zé)任編輯:jcao

作者:曹建菊

2017-11-30 16:21:35

來源:企業(yè)網(wǎng)D1Net

原創(chuàng)

在物聯(lián)網(wǎng)的發(fā)展過程中,兩個關(guān)鍵因素將起著重要作用:一是人工智能;二是邊緣計算。

不能否認,我們正在歷經(jīng)一個萬物智能互聯(lián)的時代,數(shù)據(jù)量的產(chǎn)生速度已超出了一般人的想象。當(dāng)智能攝像頭的分辨率從1080P向4K方向轉(zhuǎn)化,一個攝像頭一天所采集到的數(shù)據(jù)量已從100GB向200GB發(fā)展;2020年一個互聯(lián)網(wǎng)用戶平均每天將產(chǎn)生的數(shù)據(jù)量可能將達到1.5GB;而一個智能醫(yī)院,將所有設(shè)備聯(lián)網(wǎng)后,比如CT、核磁共振掃描儀等等,其一天所產(chǎn)生數(shù)據(jù)的總量將超過3TB。

上述數(shù)據(jù),無時無刻都在提醒我們,未來將是一個數(shù)據(jù)的世界!物聯(lián)網(wǎng)的數(shù)據(jù)更是可觀。

在物聯(lián)網(wǎng)的發(fā)展過程中,兩個關(guān)鍵因素將起著重要作用:一是人工智能;二是邊緣計算。

關(guān)鍵因素一:人工智能

隨著AlphaGo利用增強學(xué)習(xí)的技術(shù)打敗了人類的卓越棋手,近期我們看到,人工智能應(yīng)用在一些邊緣智能的應(yīng)用場景已經(jīng)開始實現(xiàn)。但整個人工智能的發(fā)展是離不開數(shù)據(jù)的,因為它需要大量的數(shù)據(jù)進行訓(xùn)練。

隨著越來越多的非結(jié)構(gòu)化數(shù)據(jù)需要我們進行處理,并要從非結(jié)構(gòu)化數(shù)據(jù)中發(fā)現(xiàn)內(nèi)在的關(guān)聯(lián),人工智能技術(shù)是其中的提煉。

關(guān)鍵因素二:邊緣計算

數(shù)據(jù)量的增加也在推動整個計算模式的演變:

在互聯(lián)網(wǎng)時代,互聯(lián)網(wǎng)通過云計算平臺來實現(xiàn)用戶隨時隨地按需訪問自己所需要的資源。云計算的技術(shù)能夠幫助實現(xiàn)資源的共享,給用戶提供一個最佳的用戶體驗。剛剛過去的雙11,天貓商城上銷售峰值已經(jīng)超過25億/秒,要支撐這樣大量的計算,云計算平臺功不可沒。

而在物聯(lián)網(wǎng)時代,隨著數(shù)字化轉(zhuǎn)型,它需要更敏捷地連接、更有效地數(shù)據(jù)處理,同時還要有更好地數(shù)據(jù)保護,邊緣計算由于它能夠有效的降低對帶寬的要求,能夠提供及時的響應(yīng),并且對數(shù)據(jù)的隱私提供保護??梢娺吘売嬎惆l(fā)揮的作用越來越大,筆者認為,邊緣計算正成為物聯(lián)網(wǎng)的發(fā)展支柱。

邊緣計算并不能取代云計算

我們強調(diào)邊緣計算,并不是邊緣計算將代替云計算,而是認為邊緣計算和云計算二者之間是很好的互補。邊緣計算所處理的數(shù)據(jù)是局部的數(shù)據(jù),并不能形成對于全局的認知,這些認知的形成還需要云計算平臺進行處理,并在后端對各種不同的邊緣采集到的數(shù)據(jù)進行融會貫通。

以智能交通為例,智能交通領(lǐng)域智能攝像頭通過各種智能方法能夠識別出攝像頭前經(jīng)過的各種人,以及車輛的車型、車的顏色、車款以及車牌的識別。但是所有這些信息只能得到當(dāng)前在攝像頭前面所經(jīng)過的人和車信息,并不能知道這個車前一時刻在哪里?下一時刻又將駛向何處?無法判別車的軌跡,如果需要形成車輛的完整軌跡,還需要云計算平臺的支持。由此可見,邊緣計算和云計算二者之間將會有一個很好的協(xié)同。

物聯(lián)網(wǎng)的摩爾定律

在昨日于北京舉辦的2017邊緣計算產(chǎn)業(yè)峰會上,英特爾中國區(qū)物聯(lián)網(wǎng)事業(yè)部首席技術(shù)官張宇博士便將物聯(lián)網(wǎng)的發(fā)展分成了三個階段,并認為:“物聯(lián)網(wǎng)將會從互聯(lián)走向智能,從智能走向自治。”張宇將這三個階段稱為物聯(lián)網(wǎng)領(lǐng)域的摩爾定律。

張宇說:“在一個端到端的系統(tǒng)里,不同網(wǎng)源由于它所提供的功耗、對計算要的求以及所能夠承擔(dān)的成本是各不相同的,因此不同的網(wǎng)源在選取硬件架構(gòu)的時候往往都會有它特定要求。以人工智能為例,前端一般會選取一些專用的SoC或者利用FPGA來實現(xiàn)深度學(xué)習(xí)加速,后端一般使用通用處理器,再加上加速器的異構(gòu)架構(gòu)來實現(xiàn)人工智能應(yīng)用。但這樣的方式也存在較大的問題,人工智能在進行處理的時候,需要消耗非常大量的資源,包括計算資源,存儲資源等等。以百度搜索為例,百度的任意一次搜索需要大量的計算,對圖片的計算量更是超過10億次。”

如此大量的計算,需要一個強大的計算芯片支撐,因此,人工智能的發(fā)展便對芯片提出了更高的要求。

顯然,摩爾定律在目前這個階段仍然是有效的,而且摩爾定律在不斷推動著半導(dǎo)體工藝的進步,也為人工智能等新的計算模式提供了源源不斷的計算力。

上圖為:英特爾中國區(qū)物聯(lián)網(wǎng)事業(yè)部首席技術(shù)官張宇博士

物聯(lián)網(wǎng)的演進趨勢:負載整合

另外,張宇認為:物聯(lián)網(wǎng)系統(tǒng)一定是一個邊緣協(xié)同的端到端系統(tǒng),人工智能會在物聯(lián)網(wǎng)系統(tǒng)里廣泛應(yīng)用,不僅是在前端,也在后端。邊緣側(cè)趨向負載整合則是物聯(lián)網(wǎng)演進的一個必然趨勢。

其原理是:原來在不同設(shè)備上分立的負載會越來越多地通過虛擬化等技術(shù),整合到一個單一的高性能的計算平臺上,來實現(xiàn)一個綜合的復(fù)雜的功能,各個功能子系統(tǒng)既能分享設(shè)備提供的計算,存儲,網(wǎng)絡(luò)等資源,同時還能具有一定的獨立性,避免彼此的相互影響,從而可以簡化系統(tǒng)架構(gòu),降低系統(tǒng)總體。同時,負載整合實際上也為邊緣計算的實現(xiàn)以及為實施人工智能的應(yīng)用提供了條件。整合后的設(shè)備既是邊緣數(shù)據(jù)的匯聚節(jié)點,同時也是邊緣控制的中心,這為邊緣智能提供了處理所需的數(shù)據(jù),同時也提供了控制的入口。因此英特爾認為人工智能和負載整合的結(jié)合,會在今后的邊緣計算的系統(tǒng)里發(fā)生。

當(dāng)然,由于物聯(lián)網(wǎng)中不同的網(wǎng)源所需要的計算力需求不同,再加上人工智能部署,需要不同特性硬件平臺以及軟硬件協(xié)同優(yōu)化。

據(jù)企業(yè)網(wǎng)d1net記者了解,英特爾已提供了端到端的、業(yè)界領(lǐng)先的人工智能全棧解決方案,包括:涵蓋至強處理器、至強融核處理器、英特爾®Nervana™神經(jīng)網(wǎng)絡(luò)處理器和FPGA、網(wǎng)絡(luò)以及存儲技術(shù)等領(lǐng)先而完整的硬件平臺,以及多種軟件工具及函數(shù)庫,優(yōu)化開源框架, 低功耗、高性能的Movidius邊緣計算解決方案等。

鏈接已復(fù)制,快去分享吧

企業(yè)網(wǎng)版權(quán)所有?2010-2024 京ICP備09108050號-6京公網(wǎng)安備 11010502049343號