沃卡惠
智慧如雨后春笋般涌现，如今我们很难会找到一家没有使用新的生成式人工智能(gen-AI)和机器学习(ML)，来扩展其核心平台企业技术供应商，生成式人工智能及其使用大型语言模型(LLM)、创建矢量数据库等可靠的新技术趋势，正在悄然影响着在这十年剩余时间里构建人工智能的方式。
边缘等于物联网
当我们谈论计算边缘时，我们通常指的是存在于物联网(IoT)领域的计算设备。从远程智能城市和工业设备传感器、摄像头、加速度计和陀螺仪测量设备，再到机场自助值机终端登记计算机、销售点设备，以及具有网络和数据库连接或存储能力的所有设备。并处理信息以供以后检索和分析，或两者兼而有之。
对于语言和技术纯粹主义者来说，边缘计算是在物联网设备上发生的事情，因此这两个术语并不完全是同义词。尽管需要情境化和必要的解释性阐述，我们现在可以将人工智能构建到边缘设备中，即我们的智慧城市智能设备实际上变得越来越智能。
围绕人工智能的对话越来越多地谈论边缘人工智能。任何可以连接的东西都将在边缘生成，并且已经生成大量数据。这种情况的规模迅速超过了，将所有这些数据上传到云端的可用网络带宽，并且由于当今的网络不是针对上传而是针对下载进行优化，这一事实加剧了这种情况。再加上成本、延迟、安全性和隐私等其他挑战，将要求人工智能资源转移到数据上，而不是相反。
我们可以以不同的方式在边缘部署人工智能。在某些情况下，企业会部署集成了计算资源的智能传感器，包括数字运动处理器(DMP)等技术，这些技术能够自动执行不同程度的分析。
也可以部署不包含DMP的基础传感器，而是简单地收集数据并以原始格式输出，然后必须通过外部工具进行分析。虽然基础传感器需要开发人员进行更多工作才能提供所需的输出，但它们还提供“自己动手”模型，而不是锁定在智能设备的嵌入式人工智能中。
设备内外分析方法
我们今天看到了这两种方法。无论是哪种类型的传感器，都需要在传感器附近或内部，运行高级数据分析和人工智能软件。两种传感器方法在成本、效率、可扩展性和灵活性方面各有利弊。但最终在边缘环境中，需要某种边缘计算基础设施来调解这些位置的挑战。
对于智能传感器来说，这包括处理生成的大量数据、持续或接近持续互联网连接的需求，以及可能存在的巨大电力需求。对于可能实时生成数据的基础传感器，这包括需要将生成的数据100%发送到次要位置进行处理。
实施边缘人工智能还需要解决传感器本身之外的挑战。这包括信息技术(IT)和运营技术(OT)技能之间的脱节。最了解现场操作的人员与开发人工智能模型的人员并不相同，每个角色都有不同的优先级，需要不同的专业知识。这两个团队必须合作才能成功在边缘实施人工智能。
在技术挑战方面，为了管理在异构环境和大规模变化的条件下的现实世界中部署AI/ML的复杂性，需要为AI工具提供一致的交付机制，就必须实施模型和边缘计算基础设施。
如今许多边缘人工智能项目都处于实验室或有限的现场试验中。随着企业开始考虑数十万个地点的完整生产部署，那么他们必须建立在一个编排基础上，该基础可以许多不同的边缘挑战，例如多样性、安全性和资源约束，同时还提供对可能指示不准确分析或其他问题的现场性能的完全可见性。
总结
如今，我们可以看到许多成功地在分布式环境中部署项目的行业，如各种零售商店、太阳能发电场和制造设施，一些企业使用基础传感器将数据发送到边缘节点，甚至在传感器内嵌入软件。
在实现自动化之后，示例中的数据将在人工智能模型中进行处理，并实时提供给全球各地的分析师，他们可以在一小时内分析并编写完整的报告。技术人员不再需要亲自到井进行分析，从而降低了人身安全风险。
当我们努力将物联网边缘的更多人工智能连接到我们的企业网络中，以用于影响工作和家庭生活的应用时，我们需要考虑可扩展性、安全性、身份等词语，并考虑其稳定性。
在某些情况下，我们可能会信任设备本身做出至关重要的决定，话虽如此，我们还需要人工智能实现自动化、集成和协调。
