物聯網技術設計人員可掌握人工智慧和邊緣運算

物聯網 (IoT) 社群長期以來一直在宣揚雲端的優點。其處理、儲存、分發大量資料的能力的確無與倫比。然而，雲端運算有一個重大限制，會拖延世界上不斷增加的位元和位元組流動，即上傳和下載頻寬造成的高延遲。

想像一下，如果您是自動化工業系統或自駕車的設計工程師。這些工業物聯網 (IIoT) 系統會產生大量資料，而其工作環境需要順暢通訊和快速反應時間。這些產品無法等待數百毫秒的時間，將資料傳送到雲端，進行處理、運算、解譯，然後回傳。任何延誤都可能帶來災難。

然而，如果大部分資料能夠透過邊緣運算 (在裝置附近或裝置上) 進行處理，那麼資料解譯速度就能提高 10 倍。 Dimension Market Research 預估邊緣運算市場規模，到 2033 年將達到 7,028 億美元的原因之一，即是此源於此延遲問題。

至 2033 年，邊緣運算市場規模將達到 7,028 億美元，年複合成長率為 40.0% (圖片來源：Dimension Market Research)

儘管消費性電子產品的工作環境風險較低，工程師仍可預期消費者的需求將推動這些裝置呈現類似的趨勢。

簡單而言，隨著人工智慧 (AI)、機器學習 (ML)、擴增實境 (AR) 和虛擬實境 (VR) 在消費者和產業中越來越受歡迎，每個裝置在邊緣會完成更多資料處理，因此傳送到雲端的資料也將越來越少。

在邊緣運算趨勢中，工程師需具備哪些能力以保持領先

顯然，設計物聯網裝置的工程師不能再忽視邊緣運算。儘管對於有些裝置，將所有資料傳送到雲端仍然是最佳方式，但邊緣運算將成為大多數產品設計的必要條件，或至少是其中一項要素。

Seeed Technology 的 EdgeBox-RPI-200 是一款單板電腦，提供 1.5 Ghz 四核心和 4 GB RAM。此裝置基於 Raspberry Pi CM4 ARM Cortex-A72 (圖片來源：Seeed Technology)

這表示工程師需要考慮使用 Seeed Technology 等供應商的產品，如該公司的 EdgeBox-RPI-200。依據其規格書，此單板電腦專為嚴峻工業環境中的雲端和物聯網應用經過最佳化。基於 Raspberry Pi CM4 ARM Cortex，並提供 1.5 GHz 四核心和 4 GB RAM。

因此，該裝置可以在邊緣處理資料，依此做出決策，接著將事件通知雲端。

工程師如何開發人工智慧、物聯網、邊緣運算的未來？

這引出一個問題：具有邊緣運算功能的智慧型人工智慧的工業物聯網 (IIoT) 系統是什麼模樣？可能會類似於我們看到蜘蛛時，大腦運作的模式。

邊緣運算與大腦的內部表現類似，即接收訊息然後立即反應，無須大腦的其他部分去思考蜘蛛的其他細節。我們在看到蜘蛛後，會立刻尖叫，且心跳加速，處於高度警戒狀態。在物聯網裝置上，這相當於人工智慧或機器學習演算法，用於回應當前資料。系統發現生產廠房有零件不符合規格時，就會通知設備將其取下生產線，然後由人工檢查，評估是否符合演算法的評斷。

現在，再回過頭來看看大腦的反應。經過最初的驚嚇反應後，大腦的外部思考部分很快就會開始做出反應。它會評估事情的狀態和反應，然後指示大腦內部冷靜下來 (因為這只是一隻家隅蛛)，或者繼續恐慌 (因為這看起來有毒)。對應於物聯網設備，這類似於將處理後的資料傳送到雲端。然後，雲端可以使用演算法計算出的回應和是否將零件撤下生產線的決定 (零件是好是壞)，改進人工智慧演算法。

現在，傳送到雲端的唯一資料，只包含更新人工智慧模型所需的最少資料量。同時，雲端只需將最新、經過最佳化的演算法回傳給裝置。物聯網工程師可藉由此設定，讓可用的有限頻寬達到最佳化。