边缘AI如何应用下一代物联网技术？

基于AI的深度学习技术早已超越了基于云的大数据中心，因为关键的IoT传感器数据信息的解决方案越来越接近数据信息的起点。该产品包括嵌入式微处理器，其存储器和功能损失规定小于GPU(图形控制部件)和FPGA(现场可编程控制器门阵列)，其他专业集成电路类型首先用于AmazonWebServices、Microsoft和Google云大数据中心处理大数据工程师的问题。

边缘计算是一个难点，它向信息技术系统架构师和硬件开发人员展示了种选择。最后，它可以 建立边缘人工智能，从而完成更快更丰富的管理决策。

基于AI的深度学习技术早已超越了基于云的大数据中心，因为关键的IoT传感器数据信息的解决方案越来越接近数据信息的起点。

这一举动将由配置了新的人工智能技术(AI)的集成电路完成。该产品包括AD8675ARZ嵌入式微处理器，其存储器和功能损失规定小于GPU(图形控制部件)和FPGA(现场可编程控制器门阵列)，其他专业集成电路类型首先用于AmazonWebServices、Microsoft和Google云大数据中心处理大数据工程师的问题。

碰巧在这样的云服务器上，深度学习和相关神经元网络爆发了。但是，物联网技术的普及对数据信息产生了冲击，这也必须根据边缘进行深度学习。

如今，云服务提供商、物联网技术(物联网)服务平台制造商和其他公司已经看到，在将数据信息转移到云空间进行分析之前，在边缘解决数据信息的好处。

在边缘做出AI管理决策可以减少延迟时间，使传感器数据信息的即时响应更加可行和可用。即便如此，人们称之为边缘AI的方式还是多种多样的。以及如何利用下一代物联网技术展示其应用，在展示高质量可行数据信息方面明确提出了挑战。

边缘计算增加劳动量。

根据边缘的深度学习，很可能会促进物联网销售市场人工智能的提升。根据MordorIntelligence的可能性，到2026年，CAGR将增长27.3%。

EclipseFoundationIoTGroup在2020年的科学研究中得到了应用，在IoT开发者中最常引进的边缘计算负荷中，AI占30%。

对于许多应用来说，复制在云上打开并行处理深度学习的无节制网络服务器声卡机架是不可行的。受益于本地解决的IoT边缘实例很多，并根据各种实际操作监管实例进行突出显示。例如，CPU可以 监控从原油海上钻井平台上的气压计转换开启的事情，在长时间的电源插头上检测到异常现象，或者在加工厂捕捉到的视频回放。

最后一种情况是最常用的。边缘分析图像数据信息的人工智能应用已经证实是一块肥沃的土地。然而，利用物联网设备收集的数据信息进行事故处理有许多复杂的解决要求。

边缘计算的使用价值。

HyperionResearch顾问史提夫·康威(SteveConway)表示，基于云的物联网技术分析将继续进行。然而，距离数据信息必须行驶，这将产生解决延迟的时间。当然，将数据信息移入和移除云会导致落后，往返需要时间。

康韦调侃道：有一个叫光速的东西。而且你不能超越它。因此，解决方案的结构分析已经走向了边缘。

除机械设备和板级执行外，该结构分析还包括生产制造中的IoT网关ip和大数据中心，扩展了下一代IoT系统软件开发的框架选项。

SAS物联网技术和Edge单位产品营销策略高级主管SaurabhMishra表示，从长远来看，边缘AI框架是数据处理方法的另一个关键变化，但它很重要。

这里有发展。这个想法是集中你的数据信息。你可以 为一些领域和一些测试用例(在大数据中心等自然环境中建立数据信息的这些测试用例)实施这个实际操作。

Mishra表示，SAS已经建立了经过认证的边缘物联网技术参考框架，客户可以 在此基础上构建AI和分析应用，这实际上是不可能高效、经济地将其移动到云中进行分析的。云端与边缘AI之间的平衡将是一个基本规定。

Eclipse慈善基金会物联网技术和边缘计算工程项目经理FrédéricDesbiens表示，为了寻找平衡，首先必须考虑运营深度学习实体模型所需的信息量。这是新智能CPU充分发挥的地区。

“边缘的AI网络加速器可以 在将数据信息发送到其他地区之前进行本地解决方案。然而，这必须考虑功能规定，包括所需手机软件的局部变量和存储。”Desbiens说。

人工智能边缘集成ic丰富多彩。

高内存带宽GPU(通常采用NVIDIA半导体材料)受到云深度学习的流行影响。这一成功引起了其他集成ic制造商的关注。

内部AI专用CPU略逊于集成电路技术云服务器游戏玩家Google、AWS、Microsoft。

AI集成电路对抗促使AMD、Intel、Qualcomm、ARMTechnology(NVIDIA去年回收)等领先公司齐头并进。

取而代之的是，MaximIntegrated,NXPSemiconductors,SiliconLabs,STMMicroelectronics等嵌入式微控制器和片上系统软件的普及逐渐集中在将AI功能添加到边缘。

如今，物联网技术和边缘解决要求吸引了新成立的AI集成电路公司，包括EdgeQ、Graphcore、Hailo、Mythic等。目前边缘解决还是有限制的。Hyperion的SteveConway强调，它阻碍了可用内存、能耗和成本。

Conway说:嵌入式CPU非常重要，因为能耗非常重要。GPU和CPU不是小模贝，尤其是GPU消耗大量的电能。

硬件软件的配合。

MaximIntegrated企业的微处理器和手机软件优化算法业务流程监事会主席查尔斯·阿迪斯(KrisArdis)建议，数据信息的移动是边缘能源消耗的要素。最近，该企业发表了MAX78000，该部件将消耗控制板与神经元网络CPU一致，可以在充电电池供电系统的IoT设备上运行。

“如果你能在最边缘进行测量，那么你就能 节省网络带宽和通信能力。挑战性取决于选择神经元网络，并使其适合相应的部件。”Ardis说。

他强调，根据集成电路的单独物联网设备，可以 应用于物联网网关，物联网网关也可以充分发挥关键作用，统计来自机械设备的数据，进一步考虑可能流入云的数据信息，分析整体实际操作。

其他半导体行业的制造商也已经融入了一个发展趋势，即计算越来越接近数据信息的位置。即使他们的硬件配置选择不断改进，他们也是拓展开发者角色的工作的一部分。

英特尔物联网技术单位高级副总裁比尔·皮尔森(BillPearson)认可，之前有一段时间CPU是所有难题的答案。现在像边缘AI这样的发展趋势已经覆盖了这一点。

他使用专业术语XPU来表示适用于不同主要用途的各种集成电路类型。然而，他填补说，应该根据单独的应用软件程序编写插座(API)来应用这种多样性。

为了更好的帮助手机软件开发者，英特尔最近发布了OpenVINO工具箱的2021.2版本号，用于在边缘系统上进行逻辑推理。它为包括CPU、GPU和Movidius视觉效果控制部件在内的英特尔部件提供了通用的开发工具。皮尔森表示，英特尔还向边缘手机软件展示了DevCloud，以预测和分析不同硬件配置上神经网络逻辑推理的特点。

NVIDIA公司和边缘计算机构副首席战略官经理JustinBoitano表示这一领域必须使非AI权威专家的工作变得更加轻松。

很有可能选择NVIDIAJetson，包括一个功耗ARMCPU。Jetson以60年代的科幻动画系列产品而闻名，致力于为移动嵌入式操作系统展示GPU加速的并行计算。

最近，为了简化视觉识别系统的开发和设计，NVIDIA发布了JetsonJetPack4.5，其中包括其视觉效果程序编写插座(VPI)的第一个制造版本号。

Boitano表示，随着时间的推移，边缘AI开发设计的琐碎问题将由IT单位大量解决，而对深度学习有深入了解的AI科研人员将减少解决问题。

TinyML的受欢迎。

在终端设备和边缘侧的微控制器上完成的深度学习的全过程称为tinyMachineLearning(tinyML)。

把深度学习方法从广阔的云转移到无拘无束的边缘机械设备所需的专业技能并不容易。但是，利用新的软件开发完成了紧凑的边缘AI，缓和了开发者的劳动量。

实际上，该领域早已经历了TinyML模式的盛行。这一功能用于降低功能损耗，并应用相对有限的运行内存，并且完成了每秒的推理能力。

已经出现了各种减少边缘解决方案的深度学习专用工具，包括ApacheMXNet、EdgeImpulse'sEON、Facebook'sGlow、FoghornLightningEdgeML、GoogleTensorFlowLite、MicrosoftELL、OctoML'sOctomizer等。

小型神经元网络解决方案的大小是这里的关键总体目标，而且有许多不同的技术。SastryMalladi，Foghorn的技术总监SastryMalladi表示，它包含了量化分析，二值化和调整，Foghorn是一个适合各种边缘和内部部署执行的软件系统制造商。

神经元网络解决方案的量化分析侧重于基础宽数学课程的应用。相反，二值化用于降低计算的多样性。此外，调整用于减少必须解决的神经节点总数。

Malladi认可，对于大多数开发人员来说，这是一艰巨的任务，尤其是在一系列硬件配置方面。FoghornLightning服务平台背后的勤奋，致力于抽象概念边缘深度学习的多样性。

例如，总体目标是允许生产线操作人员和稳定技术工程师使用拖动页面，而不是使用程序编写页面和开发软件模块，因为它们不太直观，而且需要大量的编号专业知识。

简化嵌入式深度学习软件开发平台制造商EdgeImpulse的关键在于简化开发设计，在各种类型的EdgeAI硬件配置中运行的手机软件。

EdgeImpulseCEOZachShelby表示，深度学习的完善代表了实体模型的微型化。

谢尔比说：科学研究的方向是越来越复杂、越来越大的实体模型。但是，随着深度学习达到黄金时期，大家逐渐重新关注高效率。接着又引进了TinyML。

他说，一定有手机软件可以在目前的物联网技术基础设施建设中运行，也适用于新硬件配置的路面。Shelby再次表示，EdgeImpulse专用工具允许根据云模型对硬件配置上的优化算法和事件进行优化，方便客户在进行选择之前尝试不同的选择。

关心未来。

在弱化层面，人工智能算法已经成为人工智能的关键测试用例，尤其是深度神经网络。它使用双层神经元网络和无监管技术来完成图像计算机视觉结果。

根据ForresterResearch的顶级投资分析师KjellCarlsson的名字，现在的视觉效果系统架构图已经发生了变化，因为最边缘的相机根据嵌入式硬件配置为深度神经网络，提高了解决问题的能力。但是，寻找最佳应用程序的总体目标可能是一个挑战。

他说:人工智能技术的问题取决于你最终会大量关注‘新’测试用例。

Carlsson表示，开发设计这种未开发设计的解决方案存在着原有的风险，因此，一个有效的对策是，即使 计算机视觉的准确性很可能落后于目前完善的系统软件，也要紧紧围绕具有高成本效益比的测试用例。

总之，Carlsson表示，边缘AI可以 帮助完成IoT最初的服务承诺，而当领导者对各种潜在的测试用例进行分类时，边缘AI有时会落后。

物联网技术本身有一些局限性。现在，依靠人工智能、深度学习和深度神经网络，物联网技术更加可用，具有很高的使用价值。