在電子智能領(lǐng)域，所有類型的芯片廠商都不約而同的研發(fā)推出各種不同類型的AI處理器。國(guó)外大企，像高通、英偉達(dá)等，都已宣布推出用于智能手機(jī)和其他移動(dòng)設(shè)備的神經(jīng)引擎。例如在智能手機(jī)中添加AI功能和手機(jī)的Face ID應(yīng)用等。使用邊緣側(cè)AI自行處理相比傳輸?shù)皆贫颂幚砀踩⑺矫埽憫?yīng)時(shí)間更快。
按照整體大趨勢(shì)，不出意外的，神經(jīng)網(wǎng)絡(luò)引擎／加速器成為主流。幾年后，每臺(tái)帶有攝像頭的設(shè)備都將包含具有AI功能的視覺處理和神經(jīng)網(wǎng)絡(luò)引擎。
什么是邊緣計(jì)算？
在邊緣計(jì)算參考架構(gòu)2．0中，對(duì)邊緣計(jì)算有這樣的定義：
“邊緣計(jì)算是在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，融合網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)、應(yīng)用核心能力的分布式開放平臺(tái)，就近提供邊緣智能服務(wù)，滿足行業(yè)數(shù)字化在敏捷聯(lián)接、實(shí)時(shí)業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護(hù)等方面的關(guān)鍵需求。它可以作為聯(lián)接物理和數(shù)字世界的橋梁，使能智能資產(chǎn)、智能網(wǎng)關(guān)、智能系統(tǒng)和智能服務(wù)。”
邊緣處理的優(yōu)勢(shì)在于減少延遲，全網(wǎng)絡(luò)覆蓋，增加了隱私和安全性，并減少了與云端的通信，從而降低了成本。
在AI智能應(yīng)用到安防領(lǐng)域中，邊緣側(cè)AI已經(jīng)使得已知或未知的人臉檢測(cè)、語(yǔ)音生物識(shí)別、聲音檢測(cè)、動(dòng)作感應(yīng)得以實(shí)現(xiàn)，WiFi、藍(lán)牙或蜂窩網(wǎng)絡(luò)都可以自行連接，這些功能都可以自行決策。
當(dāng)邊緣側(cè)AI應(yīng)用在汽車領(lǐng)域，可以作用于視覺傳感器對(duì)駕駛員起到一個(gè)監(jiān)視器作用，可幫助駕駛員進(jìn)行決策，并根據(jù)實(shí)際情況采取行動(dòng)，同時(shí)通過(guò)深度學(xué)習(xí)不斷改善，以不斷提升決策的準(zhǔn)確性。同時(shí)也可作用于前視攝像頭系統(tǒng)、夜視環(huán)繞視圖盲點(diǎn)檢測(cè)、后／停車檢測(cè)等，同時(shí)對(duì)實(shí)現(xiàn)定位、V2X通信及車內(nèi)互連等功能都有很大的幫助。
神經(jīng)網(wǎng)絡(luò)－ANN
神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它由大量的節(jié)點(diǎn)（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activation function）。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。
一個(gè)函數(shù)的權(quán)重加權(quán)（每個(gè)輸入信號(hào)x1， x2， x3，對(duì)應(yīng)的權(quán)重分別為w1， w2， w3，然后加上內(nèi)部強(qiáng)度（用 b 表示），然后激活函數(shù)（用 a＝σ（z） 表示）
整個(gè)公式為：
w和x都是 3x1 的列向量，其中w轉(zhuǎn)置后為 1x3 的行向量，因此與x相乘后為標(biāo)量（實(shí)數(shù)），然后和 b 相加就得到標(biāo)量 z，z被代入到激活函數(shù) a＝σ（z） 得到神經(jīng)元的輸出，這里的 a 表示神經(jīng)元的激活狀態(tài)。σ（z）被稱為激活函數(shù)。
整個(gè)神經(jīng)網(wǎng)絡(luò)分為：輸入層，隱藏層，輸出層。一般說(shuō)L層神經(jīng)網(wǎng)絡(luò)，指的是有L個(gè)隱層，輸入層和輸出層都不計(jì)算在內(nèi)的。
一個(gè)神經(jīng)元被稱為 邏輯斯蒂回歸（logistic regression） ，隱層（hidden layer）較少的被稱為 淺層，而隱層較多的（比如這個(gè)圖中的5 hidden layer）被稱為 深層 ，基本上是層次越深越好，但是帶來(lái)的計(jì)算成本都會(huì)增加，有時(shí)候不知道個(gè)該用多少的時(shí)候，就從logistic回歸開始，一層一層增加。人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的機(jī)理，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷，具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)。
神經(jīng)網(wǎng)絡(luò)的壓縮與簡(jiǎn)化一直是業(yè)界在AI智能上做出創(chuàng)新和研發(fā)的重要課題。未來(lái)神經(jīng)網(wǎng)絡(luò)將和CPU、GPU和視頻編解碼器一樣，成為SoC的標(biāo)準(zhǔn)IP模塊。
深度學(xué)習(xí)－DL
深度學(xué)習(xí)DL是基于機(jī)器學(xué)習(xí)ML基礎(chǔ)上升級(jí)的，我們暫時(shí)將人工智能類比成孩子的大腦，深度學(xué)習(xí)是讓孩子去掌握認(rèn)知能力的過(guò)程中很有效率的一種教學(xué)體系。深度學(xué)習(xí)是達(dá)到人工智能的一種方法和工具。
深度學(xué)習(xí)通過(guò)神經(jīng)網(wǎng)絡(luò)（Neural Network， NN）來(lái)模擬人的大腦的學(xué)習(xí)過(guò)程，希望通過(guò)模仿人的大腦的多層抽象機(jī)制來(lái)實(shí)現(xiàn)對(duì)數(shù)據(jù)（畫像、語(yǔ)音及文本等）的抽象表達(dá)，將features learning和classifier整合到了一個(gè)學(xué)習(xí)框架中，減少了人工／人為在設(shè)計(jì)features中的工作。“深度學(xué)習(xí)”里面的深度（Deep）指的就是神經(jīng)網(wǎng)絡(luò)多層結(jié)構(gòu)。
如下圖， 很多點(diǎn)， 深度學(xué)習(xí)之后匯出的應(yīng)該是如圖一的趨勢(shì)圖， 這樣x 軸任給一個(gè)點(diǎn)， y軸能找到對(duì)應(yīng)的值。如果數(shù)據(jù)或是運(yùn)算過(guò)分的話， 原有數(shù)據(jù)的每一個(gè)點(diǎn)都包含的話。反而沒(méi)有規(guī)律了。
所以深度學(xué)習(xí)通過(guò)在輸出個(gè)輸入之間引入一個(gè)shortcut connection，而不是簡(jiǎn)單的堆疊網(wǎng)絡(luò)，這樣可以解決網(wǎng)絡(luò)由于很深出現(xiàn)梯度消失的問(wèn)題，從而可以把網(wǎng)絡(luò)做的很深。
邊緣計(jì)算的五大特性
1、邊緣計(jì)算的基礎(chǔ)－聯(lián)接性
所連接物理對(duì)象的多樣性及應(yīng)用場(chǎng)景的多樣性，需要邊緣計(jì)算具備豐富的聯(lián)接功能，如各種網(wǎng)絡(luò)接口，網(wǎng)絡(luò)協(xié)議、網(wǎng)絡(luò)拓?fù)洹⒕W(wǎng)絡(luò)部署和配置、網(wǎng)絡(luò)管理與維護(hù)。聯(lián)接性需要充分借鑒吸收網(wǎng)絡(luò)領(lǐng)域先進(jìn)的研究成果，如TSN、SDN、NFV、Network as a Service、WLAN、NB－IOT、5G等，同時(shí)還要考慮與現(xiàn)有各種工業(yè)總線的互聯(lián)互通。
2、邊緣計(jì)算作為物理世界到數(shù)字世界的橋梁，是數(shù)據(jù)的第一入口
邊緣計(jì)算擁有大量、實(shí)時(shí)、完整的數(shù)據(jù)，可基于數(shù)據(jù)全生命周期進(jìn)行管理與價(jià)值創(chuàng)造，將更好的支撐預(yù)測(cè)性維護(hù)，資產(chǎn)效率與管理等創(chuàng)新應(yīng)用；同時(shí)，作為數(shù)據(jù)第一入口，邊緣計(jì)算也面臨數(shù)據(jù)實(shí)時(shí)性、確定性、多樣性等挑戰(zhàn)。
3、邊緣計(jì)算具有約束性
邊緣計(jì)算產(chǎn)品需適配工業(yè)現(xiàn)場(chǎng)相對(duì)惡劣的工作條件與運(yùn)行環(huán)境，如防電磁、防塵、防爆、抗振動(dòng)，抗電流／電壓波動(dòng)等。在工業(yè)互聯(lián)場(chǎng)景下，對(duì)邊緣計(jì)算設(shè)備的功耗、成本、空間也有較高的要求。
邊緣計(jì)算產(chǎn)品需要考慮通過(guò)軟硬件集成與優(yōu)化，以適配各種條件約束，支撐行業(yè)數(shù)字化多樣性場(chǎng)景。
4、邊緣計(jì)算實(shí)際部署天然具備分布式特征
邊緣計(jì)算支持分布式計(jì)算與存儲(chǔ)，實(shí)現(xiàn)分布式資源的動(dòng)態(tài)調(diào)度與統(tǒng)一管理、支撐分布式智能、具備分布式安全等能力。
5、OT與ICT的融合是行業(yè)數(shù)字化轉(zhuǎn)型的重要基礎(chǔ)
邊緣計(jì)算作為OICT融合與協(xié)同的關(guān)鍵承載，需要支持在聯(lián)接、數(shù)據(jù)、管理、控制、應(yīng)用、安全等方面的協(xié)同。
總結(jié)
邊緣計(jì)算可以讓各個(gè)領(lǐng)域?qū)崿F(xiàn)AI智能，在現(xiàn)代數(shù)字世界建立起對(duì)多樣協(xié)議、海量設(shè)備和跨系統(tǒng)的物理資產(chǎn)的實(shí)時(shí)映像，了解事物或系統(tǒng)的狀態(tài)，應(yīng)對(duì)變化、改進(jìn)操作和增加價(jià)值，為實(shí)現(xiàn)物自主化和協(xié)作化，在網(wǎng)絡(luò)邊緣側(cè)的智能分布式架構(gòu)與平臺(tái)上，融入知識(shí)模型驅(qū)動(dòng)智能化能力，開發(fā)服務(wù)框架主要包括方案的開發(fā)、集成、驗(yàn)證和發(fā)布；部署運(yùn)營(yíng)服務(wù)框架主要包括方案的業(yè)務(wù)編排、 應(yīng)用部署和應(yīng)用市場(chǎng)。開發(fā)服務(wù)框架和部署運(yùn)營(yíng)服務(wù)框架需要緊密協(xié)同、無(wú)縫運(yùn)作，支持方案快速高效開 發(fā)、自動(dòng)部署和集中運(yùn)營(yíng)。邊緣側(cè)需要支持多種網(wǎng)絡(luò)接口、協(xié)議與拓?fù)洌瑯I(yè)務(wù)實(shí)時(shí)處理與確定性時(shí)延，數(shù)據(jù)處理與分析，分布式智 能和安全與隱私保護(hù)。云端難以滿足上述要求，需要邊緣計(jì)算與云計(jì)算在網(wǎng)絡(luò)、業(yè)務(wù)、應(yīng)用和智能方面進(jìn)行協(xié)同。邊緣計(jì)算可以打造一個(gè)AI的更智能的互聯(lián)世界。
