边缘人工智能：AIoT 应用的下一代人工智能

快速的技术变革使我们更接近边缘AI的世界。但什么是边缘人工智能？边缘人工智能结合了不同级别的计算解决方案和技术，其主要目标是直接在端点存储、处理和管理数据以实现机器意义和智能。最终，边缘人工智能的兴起将对专注于工业应用的企业的数据数字化产生重大影响。本文将帮助您了解Edge AI是什么及其对工业AIoT的直接影响。

什么是边缘人工智能？

边缘AI是边缘计算和人工智能(AI)的整合。根据简单的定义，边缘计算系统在本地收集和处理数据，而不依赖于云的资源。它运行机器学习算法来有效地收集、存储和处理数据，从而在几毫秒内做出实时决策。毫秒处理能力让位于一系列边缘计算应用程序，这些应用程序将从低延迟中受益。因此，边缘AI是指运行高级分析以进行实时处理和自动化以获取洞察力的人工智能算法。就深度学习能力而言，边缘人工智能绝不会胜过云计算，而是会在源头上提供新的机器智能浪潮。

EdgeAI背景——从云到边缘的迁移

AI的演进扎根于海量数据中心，在那里将指数数量的数据提供给AI算法进行深度学习；这就是机器学习模型训练智能的方式。今天，大多数人工智能应用程序仍然在云端运行，因为它们拥有大量资源；但是随着边缘计算的出现，许多机器学习模型被推向更接近数据生成以进行推理和检测。在云端运行的AI可以处理多个简单的AI应用程序，例如语音辅助和识别。然而，各个行业需要更复杂的人工智能解决方案来管理他们的边缘物联网设备。此外，物联网设备的激增和对实时计算需求的增加已经启动了从云到边缘的人工智能迁移。

在云中运行AI应用程序会给时间敏感的应用程序带来更高的停机风险，其中带宽和延迟是关键任务。然而，得益于新一代微处理器，边缘AI算法可以快速、准确和高效地运行。 Edge AI在边缘利用经过训练的机器学习模型来缓解数据延迟和带宽要求。

边缘AI与云AI计算架构

云计算通过充当传入数据（通常来自物联网传感器和设备）的中心或存储库来运行。一旦数据存储在云中，机器学习算法就在这里运行其深度学习模型以获得智能。但云的一个缺点是它靠近物联网传感器通常部署的位置。这可能发生在资源不如云丰富的恶劣的远程和移动环境中。尽管云已被证明是有益的，但在实时推理和决策制定方面存在一些障碍。首先，来自边缘传感器的原始数据需要高互联网带宽才能进行边缘到云遥测。其次，更不用说数百万将数据传回云端的边缘设备的总数据吞吐量。此外，边缘人工智能用例可能包括具有不稳定互联网连接的远程环境，其中计算本地化是速度和准确性的要求。

边缘AI计算及其从云端转移以提供更好的带宽和更低的延迟

总之，边缘AI更适合需要实时和低延迟计算资源的应用程序。在边缘执行AI允许在同一设备内进行多合一的实时操作，包括决策、数据创建和数据存储。Edge AI通过使用推理模型将AI模型从云端转移到更靠近边缘的位置。机器学习和智能的过程非常耗费资源，需要云的资源；深度学习算法输入数据并最终训练深度神经网络(DNN)。一旦建立了DNN的框架，就可以将其部署在边缘进行推理。换句话说，一旦计算机从传感器收集了对象的所有数据，它就会利用其所有数据输入做出准确的预测。在边缘本地部署深度学习算法可实现实时分析，并将延迟降低至几毫秒。此外，边缘AI模型降低了互联网带宽要求，从而降低了将数据传输到云端和返回的成本。