向右滑动:上一篇 向左滑动:下一篇 我知道了
广告

AI如何改变边缘计算的未来

时间:2019-07-31 作者:John Koon 阅读:
每个物联网设备都会持续收集数据,因此需要快速分析,达到实时决策,特别是对于自动驾驶汽车、电网、远程手术、石油钻井平台,甚至军用无人机等应用。

据Statista称,随着物联网(IoT)设备(如移动电话、虚拟助手、笔记本电脑、平板电脑、楼宇传感器、无人机、安全摄像头和可穿戴健康传感器)的数量到2025年有望超过700亿部,边缘计算应用也将增加。据Tratica称,全球人工智能(AI)边缘设备的数量预计将从2018年的1.614亿部激增到2025年的26亿部。

物联网设备在许多领域应用多种多样,例如零售、医疗保健、工业、航空航天、国防、运输、设施维护、能源、制造、供应链物流和智能城市等。每个物联网设备都会持续收集数据,因此需要快速分析,达到实时决策,特别是对于自动驾驶汽车、电网、远程手术、石油钻井平台,甚至军用无人机等应用。

物联网设备的边缘计算与云计算对比

传统上,云计算是物联网设备分析和预测的模型。在中央云计算模型中,数据从最终用户设备(“边缘”)发送到云端进行分析,然后云端再将决策回传到设备进行实施。虽然中央计算模型中的数据中心具有处理和存储数据的巨大能力,但它们的维护成本高昂且耗电量巨大。

边缘和云之间的数据传输不仅昂贵,而且耗时并且会产生延迟(滞后时间)。此外,数据传输所需的能量会超过低功耗无线物联网设备所能支持的能量。而且从后勤、运营或财务上来说,当所收集的信息中只有小部分可能有用时,它也没有必要将所有的数据都传到云端。最后,数据传输可能对数据完整性和安全性产生不利影响。

相比之下,边缘计算可以在物联网设备上收集和分析数据,进行快速推理(或决策制定)。然后可以只将少量有用的数据传送到云端。边缘计算提供了几个优点。由于无需将数据从物联网设备传送到云端,因此其延迟时间、带宽消耗和成本将会很低,并且可以根据数据分析快速做出决策。

此外,即使系统处于离线状态,边缘计算也可以持续运行,并且即时数据处理可以更轻松地确定应将哪些数据传送到云,以便再做分析。

开发AI边缘的挑战

虽然将AI与边缘计算相结合很有意义,但硬件和AI软件组件面临着多重挑战。

第一个挑战是处理和功耗。AI包括训练和推理软件。训练会教授模型识别相关参数,以便它可以解释数据。推理是指模型根据学习进行预测。

在云计算方面,高耗电的训练是在云端进行,然后再将训练过的软件部署到边缘,用于相对低功耗的预测(或推理)任务。在边缘计算方面,训练转到边缘,因而对边缘硬件的处理能力提出了更高的要求。对于物联网设备而言,这种能耗增加带来了更大的问题,需要重新平衡处理能力和功耗需求的关系。

由于边缘设备会保留大部分数据而仅将小部分传送到云,数据存储和安全是第二个挑战。此外,设备需要为学习和推理存储相关参数。第三个挑战是物联网设备的数量庞大并且目前缺乏安全标准。

因此,技术公司需要开发处理能力更高、功耗更低的硬件,以及可更有效地执行学习和推理的软件。此外,物联网的应用与特定的场景和行业相关,因此需要有强大生态系统和开发者环境进行定制。

开发AI边缘的进步

专注于物联网边缘硬件的大中小型公司包括BrainChip(Akida神经形态SoC)、CEVA(NeuPro系列)、谷歌(Edge TPU)、GreenWave(AI处理器GAP8)、华为(昇腾芯片) 、英特尔(至强)、英伟达(Jetson TX2)、高通(视觉智能平台)和意法半导体(STM32微控制器)。

小型公司倾向于关注物联网边缘软件。有些公司专注于Ekkono、FogHorn和Swim(一种基于云的POS)等学习,而其他公司则主要针对瑞萨(e-AI)等推理。许多公司还开发具有这两种功能的软件,例如亚马逊(AWS Greengrass机器学习推理模型)、BrainChip(Studio软件)、谷歌(Cloud IoT Edge)、华为(Atlas平台)和IBM(Watson IoT平台)。

大型科技公司则处于构建生态系统的最佳位置,而使开发人员能够创建特定行业和场景的解决方案。这些公司包括谷歌(AI平台)、华为(MindSpore)、IBM(Watson)、英特尔(AI开发人员计划)和微软(Azure),以及IoT Hub、Azure Databricks、ML Studio和Power BI等企业级IoT模块。

然而,有一些较小的公司正在创建生态系统,例如BrainChip的Akida开发环境。此外,开放雾联盟(OpenFog Consortium)等贸易集团,以及包括Living Edge Lab、ETSI多访问边缘计算和EdgeX Foundry在内的开源项目,也都在为生态系统做出贡献。此外,包括高通、微软和英特尔在内的领先企业在行业内进行了大量合作,它们正在与各行各业的合作伙伴合作。

本文小结

借助专门的硬件、软件和开发人员环境,边缘计算可以提高运营的可靠性,实现实时预测并提高数据安全。5G有望降低延迟、增强覆盖和响应能力,量子计算可以加速计算,因此有望增进边缘计算的效率。

然而,跨边缘设备网络有效分配处理需求将会是个挑战。此外,高效任务调度对于避免系统故障和优化机器学习来说也至关重要。未来,预计将会出现更强大的处理芯片并且其功耗要求更低,到那时,基于AI的边缘计算将会真正大显身手。

本文为《电子技术设计》2019年7月刊杂志文章。原文链接:How AI changes the future of edge computing

本文为EDN电子技术设计 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
  • 微信扫一扫
    一键转发
  • 最前沿的电子设计资讯
    请关注“电子技术设计微信公众号”
您可能感兴趣的文章
  • 地平线张永谦:AI在边缘侧落地背后的思考 “边缘侧智能设备大规模爆发的趋势,使数据成为如今AI芯片领域最大的挑战。”2019年11月7日,在由ASPENCORE《电子工程专辑》、《国际电子商情》和《电子技术设计》主办的“2019全球双峰会”上,地平线副总裁&AIOT芯片方案产品线总经理张永谦以“边缘AI芯片赋能行业,共建普惠AI时代”为题,介绍了地平线机器人在边缘AI芯片以及解决方案,以及地平线对AI在边缘侧落地背后的思考。
  • 从e-AI和SOTB两大技术看,如何通过技术创新实现业务模式 目前在各种领域当中都有AI的应用方案,但很多方案AI应用都取决于云端的计算能力。嵌入式系统对实时性的要求,会因为延时而出现滞后问题。在这样的环境下,嵌入式人工智能就能大显身手。
  • 『全球CEO峰会』重磅演讲者:地平线余凯谈边缘AI芯片赋 11月7日-8日,在深圳与全球“连接”。
  • 嵌入式视频接口的简单测试方法 从单板计算机到I IoT(工业物联网)设备,视频接口在所有类型的嵌入式平台中都很常见。然而,视频接口的完整通路(从模拟或数字前端到处理器数字视频输入)非常复杂,因此若使用传统方法对其进行生产测试将会非常困难并且耗时。本文将介绍一种更简单的测试方法。
  • 如何调整现有设计以应用于物联网 通常,仅需将连接元素和安全元素添加到现有设计中即可实现物联网连接。无需从头开始设计解决方案,而是可以通过快速转换现有设计来连接到物联网。可以通过采用软件编程领域公认的技术高效完成这项任务,从而简化和加速开发过程。
  • 三种实用方法使物联网设备适应未来 尽管嵌入式设备在物联网中的作用可能十分重要,但目前并未强制要求这些设备都符合安全标准。由于物联网发展很快,合规要求可能滞后很多,有时候甚至在代码写好并测试之后才出现。那么,如何为嵌入式物联网设备的未来做好准备?
相关推荐
    广告
    近期热点
    广告
    广告
    广告
    可能感兴趣的话题
    广告