什么是边缘人工智能和边缘计算?

ROBOT@qwh 2023-10-07 阅读:560 评论:0
边缘人工智能是人工智能最引人注目的新领域之一,它的目标是让人们运行人工智能流程,而不必担心隐私或因数据传输而导致的速度减慢。边缘人工智能正在使人工智能得到更广泛、更广泛的使用,让智能设备无需访问云即可快速对输入做出反应。虽然这是 Edge...

边缘人工智能是人工智能最引人注目的新领域之一,它的目标是让人们运行人工智能流程,而不必担心隐私或因数据传输而导致的速度减慢。边缘人工智能正在使人工智能得到更广泛、更广泛的使用,让智能设备无需访问云即可快速对输入做出反应。虽然这是 Edge AI 的快速定义,但让我们花点时间通过探索使其成为可能的技术并查看 Edge AI 的一些用例来更好地了解 Edge AI。

什么是边缘计算?

为了真正理解Edge AI,我们首先需要了解边缘计算,而理解边缘计算的最好方式就是将其与云计算进行对比。云计算是通过互联网提供计算服务。相比之下,边缘计算系统不连接到云端,而是在本地设备上运行。这些本地设备可以是专用边缘计算服务器、本地设备或物联网 (IoT)。使用边缘计算有很多优点。例如,基于互联网/云的计算受到延迟和带宽的限制,而边缘计算则不受这些参数的限制。

什么是边缘人工智能?

现在我们了解了边缘计算,我们可以看一下边缘人工智能。边缘人工智能结合了人工智能和边缘计算。人工智能算法在支持边缘计算的设备上运行。这样做的好处是可以实时处理数据,无需连接到云端。

大多数尖端人工智能流程都是在云中执行的,因为它们需要大量的计算能力。结果是这些人工智能流程很容易出现停机。由于边缘人工智能系统在边缘计算设备上运行,因此必要的数据操作可以在本地进行,并在建立互联网连接时发送,从而节省时间。深度学习算法可以在设备本身(数据的原点)上运行。

由于越来越多的设备需要在无法访问云的情况下使用人工智能,边缘人工智能变得越来越重要。考虑一下现在有多少工厂机器人或有多少汽车配备了计算机视觉算法。在这些情况下,数据传输的延迟可能是灾难性的。自动驾驶汽车在检测街道上的物体时不会受到延迟的影响。由于快速响应时间非常重要,因此设备本身必须具有边缘人工智能系统,使其能够在不依赖云连接的情况下分析和分类图像。

当边缘计算机被委托执行通常在云端执行的信息处理任务时,结果是实时低延迟、实时处理。此外,通过将数据传输限制为最重要的信息,可以减少数据量本身,并最大限度地减少通信中断。

边缘人工智能和物联网

边缘人工智能与 5G 和物联网 (IoT) 等其他数字技术相结合。物联网可以生成可供边缘人工智能系统使用的数据,而5G技术对于边缘人工智能和物联网的持续发展至关重要。

物联网是指通过互联网相互连接的各种智能设备。所有这些设备都会生成数据,这些数据可以输入到边缘人工智能设备中,边缘人工智能设备也可以充当数据的临时存储单元,直到与云同步。数据处理方法具有更大的灵活性。

第五代移动网络5G对于边缘人工智能和物联网的发展至关重要。5G 能够以更高的速度传输数据,高达 20Gbps,而 4G 只能以 1Gbps 的速度传输数据。5G 还支持比 4G 更多的并发连接(每平方公里 1,000,000 个对 100,000 个)和更好的延迟速度(1 毫秒对 10 毫秒)。这些相对 4G 的优势非常重要,因为随着物联网的发展,数据量也会随之增长,传输速度也会受到影响。5G 使更广泛的设备之间能够进行更多交互,其中许多设备都可以配备 Edge AI。

边缘人工智能用例

边缘人工智能的用例几乎包括在本地设备上比通过云处理数据处理更有效的任何情况。然而,边缘人工智能的一些最常见的用例包括自动驾驶汽车、自主无人机、面部识别和数字助理。

自动驾驶汽车是边缘人工智能最相关的用例之一。自动驾驶汽车必须不断扫描周围环境并评估情况,根据附近事件修正其轨迹。实时数据处理对于这些情况至关重要,因此,其机载边缘人工智能系统负责数据存储、操作和分析。边缘人工智能系统是将 3 级和 4 级(全自动)车辆推向市场所必需的。

由于自主无人机不是由人类操作员驾驶,因此它们对自动驾驶汽车有非常相似的要求。如果无人机在飞行时失去控制或出现故障,它可能会坠毁并损害财产或生命。无人机可能会飞到互联网接入点范围之外,并且它们必须具有边缘人工智能功能。边缘人工智能系统对于 Amazon Prime Air 等旨在通过无人机运送包裹的服务来说是不可或缺的。

边缘人工智能的另一个用例是面部识别系统。面部识别系统依靠计算机视觉算法来分析相机收集的数据。出于安全等任务而运行的面部识别应用程序即使没有连接到云,也需要可靠地运行。

数字助理是边缘人工智能的另一个常见用例。Google Assistant、Alexa 和 Siri 等数字助理必须能够在智能手机和其他数字设备上运行,即使它们没有连接到互联网。当数据在设备上处理时,无需将其传输到云端,这有助于减少流量并确保隐私。


版权声明

本文仅代表作者观点,不代表本网站立场。
本文系作者授权本网站发表,未经许可,不得转载。

发表评论
热门文章
  • 康普顿未来智慧农场

    康普顿未来智慧农场
    康普顿未来农场,使用更少的水和1%的土地,即可实现与产统农业相同产量....
  • 拆解 OpenAI 的新董事会

    拆解 OpenAI 的新董事会
    在人工智能和技术领域掀起波澜的惊人事件中,人工智能领域的领先实体 OpenAI 最近的领导地位发生了重大转变。以萨姆·奥尔特曼 (Sam Altman) 戏剧性地重返首席执行官职位以及随之而来的董事会改组为标志,这些变化代表了该组织的关键时刻。OpenAI 以其在人工智能研究和开发方面的开创性工作而闻名,包括广泛认可的 ChatGPT 和 DALL-E 模型,站在人工智能进步的最前沿。因此,董事会的重组不仅仅是人员的变动,还标志着人工智能领域最具影响力的组织之一的方向、优先事...
  • 一种自动确定计算机游戏状态中可能动作的方法

    一种自动确定计算机游戏状态中可能动作的方法
    由于手动彻底测试视频游戏软件非常困难,因此需要拥有能够自动探索不同游戏功能的人工智能代理。此类代理的关键要求是玩家动作的模型,代理可以使用该模型来确定不同游戏状态下的可能动作集,以及对代理策略选择的游戏执行选定的动作。目前使用的典型游戏引擎不提供这样的动作模型,导致现有的工作要么需要人工手动定义动作模型,要么不精确地猜测可能的动作。在我们的工作中,我们通过为游戏中存在的用户输入处理逻辑开发最先进的分析方法来演示程序分析如何有效解决该问题,该分析可以使用离散动作空间自动建模游戏...
  • 使用众包反馈来帮助训练机器人

    使用众包反馈来帮助训练机器人
    为了教人工智能代理一项新任务,比如如何打开厨房柜子,研究人员经常使用强化学习——这是一种试错过程,在该过程中,代理会因采取更接近目标的行动而获得奖励。在许多情况下,人类专家必须仔细设计奖励函数,这是一种激励机制,赋予代理人探索的动力。当智能体探索并尝试不同的动作时,人类专家必须迭代地更新奖励函数。这可能非常耗时、效率低下,并且难以扩展,尤其是当任务复杂且涉及许多步骤时。来自麻省理工学院、哈佛大学和华盛顿大学的研究人员开发了一种新的强化学习方法,该方法不依赖于专门设计的奖励函数...
  • HierSpeech++:通过零样本语音合成新架构

    HierSpeech++:通过零样本语音合成新架构
    基于大语言模型(LLM)的语音合成已广泛应用于零样本语音合成中。然而,它们需要大规模数据,并且具有与以前的自回归语音模型相同的局限性,包括推理速度慢和缺乏鲁棒性。本文提出了 HierSpeech++,一种快速、强大的零样本语音合成器,用于文本到语音(TTS)和语音转换(VC)。我们验证了分层语音合成框架可以显着提高合成语音的鲁棒性和表现力。此外,即使在零样本语音合成场景中,我们也显着提高了合成语音的自然度和说话人相似度。对于文本到语音,我们采用文本到向量框架,该框架根据文本表...