AI为什么不依赖云：未来AI将边缘化

今年，随着AI软件、硬件和有关新能源技术的突飞猛进，这道坎估计也要跨过去了。

基于AI的产品和服务将进一步摆脱对云计算服务的依赖，并迅速融入我们生活的每一个部分。未来几年人工智能服务无处不在，这将撼动整个社会。最终应验咨询公司德勤(Deloitte)2018年底所说的“pervasive intelligence”(无处不在的智能)。

市场研究机构Gartner Inc.的数据显示，到2022年，80%的智能手机将具备人工智能功能，比2017年增长了10%。ABI Research的数据显示，到2023年，具备AI计算能力的AI设备的销售额将达到12亿部左右，比2017年高出7900万部。

很多创业公司和他们的投资方都有很大的机会。2019年5月在硅谷召开发布会的Embedded Vision Alliance (嵌入式视觉联盟)创始人Jeff Bier(杰夫·比尔)表示，过去三年，投资者向人工智能芯片初创企业投入了约15亿美元，超过了对其他所有芯片初创企业的投资。市场研究机构Yole Développement 预测，到2023年，人工智能处理器的复合年增长率将达到46%，届时几乎所有的智能手机都将使用AI处理器，而现在的使用率还不到20%。

不仅仅是初创企业有所动作，今年5月，英特尔公司(Intel Corp.)演示了即将推出的“冰湖芯片”(Ice Lake chips)，其中包括“增强深度学习”(Deep Learning Boost)软件和图形处理单元上的其他AI指令。Arm Ltd.也推出了一系列针对人工智能应用的处理器，包括智能手机和其他高端设备的处理器。同期，英伟达公司(Nvidia Corp.)宣布了首个连接AI设备的人工智能平台。

IHS Markit首席分析师Tom Hackett (汤姆•哈克特)在嵌入式视觉联盟峰会上表示：“未来两年，几乎每家芯片厂商都将为人工智能提供某种竞争平台。”

这些芯片厂商正在向智能手机以外的数以百万计的物联网设备进军，如机器人、无人机、汽车、相机和可穿戴设备等。例如，以色列的一家开发机器学习芯片的公司海洛公司(Hailo)，在今年1月进行了一轮2100万美元的融资。5月中旬，该公司发布了一款专为深度学习设计的处理器。深度学习是机器学习的一个分支，最近该公司在语音和图像识别方面取得了突破。

新的研究表明，神经网络相比之前在生成同样结果的条件下，其规模可以缩小10倍，由此判断，更紧凑、更强大的软件可能会为处于边缘的人工智能铺平道路。一些公司已经在设法压缩人工智能所需软件的规模。

例如，谷歌LLC于2017年底推出了面向移动设备的TensorFlow Lite机器学习库，这使得智能相机能够识别野生动物，或者在没有互联网连接的情况下进行医学诊断。谷歌工程师Pete Warden在嵌入式视觉峰会上说，目前大约有20亿部手机安装了TensorFlow Lite。

今年3月，谷歌推出了一款语音识别器，为谷歌的虚拟键盘应用程序Gboard提供语音输入功能。自动语音识别算法只有80兆字节，因此可以在Arm Ltd.上运行。这意味着它可以离线工作，所以没有网络延迟。

重要的是，人们对穿越云端的数据隐私越来越担忧，监管部门很有可能禁止将一些数据从设备上转移至云端。

伯克利设计技术公司的联合创始人和总裁比尔说：“未来几乎所有的机器学习运算都将在设备上完成。”该公司为嵌入式数字信号处理技术提供分析和服务。据估计当今世界上已有2500亿活跃的嵌入式设备，并且这个数字还在以每年20%的速度增长。

然而在这样的设备上进行人工智能并非易事。这不仅仅是机器学习算法的大小，而是执行这些算法所需要的能量，尤其是智能手机、摄像头和各种传感器这样的物联网设备，不能一直依赖墙上插座甚至电池供电。如果我们被迫更换或充电电池，这些设备将无法实现规模化。

向云中发送数据和从云中接收数据所需的无线电也是能耗大户，因此通过蜂窝网络或其他连接进行通信对许多小型廉价设备来说都是一个致命的障碍。Yole Développement的技术和市场分析师Yohann Tschudi表示：“我们需要一个专门的架构来做我们想做的事情。”

此外，还需要开发出一种实际功率必须小于1毫瓦的设备，这大约是智能手机用电量的千分之一。好消息是，越来越多的传感器甚至微处理器有望做到这一点。

例如，美国能源部(U.S. Department of Energy)与建筑自动化公司SkyCentrics Inc.合作，帮助开发了用于建筑能源管理的低成本无线剥棒式传感器。实验表明新型传感器可以利用环境光为自身供电。

即使是核心计算的微处理器，也可能是低功耗的，如Ambiq Micro、Eta Compute、Syntiant Corp.、Applied Brain Research、Silicon Laboratories Inc.和GreenWaves Technologies初创企业的新型处理器，可以在微瓦或比毫瓦小一千倍的情况下进行计算。

以上表明，机器学习在智能手机、智能相机和工厂监控传感器等领域有着广泛的新应用。这些应用程序包括：

• 使用加速计预测维修，以确定机器是否震动太多或发出有趣的噪音。
• 街灯的感应检测，当有人在附近时，街灯才会打开。
• 利用分散在农田中的视觉传感器或微型摄像机进行农业害虫识别。
• 使用安装在树上的太阳能安卓手机检测非法伐木。
• 使用传感器来测量心率、胰岛素水平和身体活动。
• 使用视频进行语音分离。

未来传感器可以相互通信，比如在智能家居中，烟雾报警器探测到潜在的火灾，而烤面包机反馈说，只是烤面包有烧焦的味道而已。

当然，这些并不意味着云就在机器学习中失去重要的地位。这些在设备上运行的机器学习模型，仍然需要在功能强大的计算机集群上进行大量数据的训练，像谷歌、亚马逊公司(Amazon.com Inc.)和Arm等公司都从去年开始提供人工智能芯片，其中一些是通过它们的云计算服务提供的。