各位可能都聽過第四次工業革命是來自萬物聯網(Internet of Things,IoT),包括實體、虛擬、與生物體,也一定聽過最近幾年內許多人工智能 (Artificial Intelligence,AI) 的重大突破與各方面的應用,IoT 是從 1999 年就發明的詞,AI 的發展更超過一甲子,然而這兩者的結合才是下個新產業機會的大浪,正要開始。
什么是 AIoT 與邊緣計算
相關用語包括 AIoT 以及邊緣計算 (Edge Computing),我們先看看他們的定義:
IoT – 藉由各處的無線傳輸裝置,通過感測器蒐集各種的數據,再將數據傳輸到閘道或電腦之中,連接到網路上,達到萬物連上網的效果,如何使這些數據產生應用層面更是相當重要的議題。
AI – 基于自我學習為基底,藉由大量的數據作為學習依據,通過建立一層層神經網路架構,進行反覆的學習與修正,并佈署最終訓練完的權重值,去進行預測與判斷。
通過 AI 與 IoT 兩者整合,相輔相成。藉由 AI 從邊緣感測器蒐集的大量數據萃取價值,再控制本地的系統就是 AIoT 的基本概念,例如在工廠產線中,通過視覺感測器收集數據,經由 AI 計算判斷分類,再由機器手臂執行檢選。沒有AI 來處理與利用數據,IoT 是沒有意義的。
AI 與 IoT 兩個領域延續過去投資熱度,今年仍是最熱的標的,遠領先區塊鏈 (Blockchain)。
邊緣計算的必要性
過去這 AI 主要在云端計算,難免受制于帶寬與延遲的限制,現在的趨勢逐漸走向所謂的邊緣計算,根據邊緣計算產業聯盟 (ECC) 與工業互聯網產業聯盟 (AII) 聯合發布的邊緣計算參考架構 2.0(2017):邊緣計算是在靠近物或數據源頭的網絡邊緣側,融合網絡、計算、存儲、應用核心能力的分布式開放平臺,就近提供邊緣智能服務,滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求。
許多應用程序對延遲不敏感,不需要大量的就近計算或存儲資源,因此理論上它們可以在集中式的云中運行,但是對帶寬和計算資源有要求的應用,使用邊緣計算將成為更有效的方法,例如視頻監控、物聯網網關 (Gateways)、使用臉部識別的門禁、車牌識別。而且廠商不需在每個有客戶的區域都要部署服務器。
有些實時應用程序是無法承受超過幾毫秒的延遲,諸如 AR/VR、車聯網、遠程醫療、觸覺互聯網、工業4.0 和智慧城市等。需在應用情境當場形成閉環自動化,來維持高可用性與安全性,靠近用戶的計算和緩存成為了必需品。
還有許多場所網絡連接受限、不可靠或不可預知。這些場所包括交通運輸工具 (飛機、巴士、船舶),采礦作業區 (石油鉆井平臺、管道、礦山),電力基礎設施 (風力發電場、太陽能發電廠),衛星通信,海上船只 (從漁船到油船),這些偏遠和惡劣的環境中,邊緣計算讓位于邊緣的裝置根據實時數據自治,應用在預測性維護上,可避免零件機臺故障造成當機 (有些情形甚至造成死傷),應用在能效管理上,可降低成本與提升可靠性。
AI + IoT 開始成為熱錢追逐標的
結合 AI 的 IoT 新創公司,在去年吸引可觀的資金,從企業與私有基金取得總共 22 億美金,并購活動也十分熱絡,代表產業的新興熱點崛起。
位于芝加哥的 UptakeTechnologies,去年取得總共 2.5 億美金的 C 輪與 D 輪資金,成為獨角獸,服務于工業物聯網-- 石油天然氣產業、采礦、農業、航空、營建、制造、鐵路、貨運車隊、綠色能源與智慧電網。
另一個獨角獸 – C3 IoT –除了部分以上提到的領域外,也著力于智慧城市、公用基礎建設、金融服務、健康管理、零售與通訊。去年拿到一個億美金。
專注于物聯網無線解決方案的Silicon Labs(亦稱“芯科科技”)公司也通過收購 Sigma Designs 的 Z-Wave業務和。
自從 2015年,邊緣計算進入到 Gartner 的 Hype Cycle (技術成熟曲線)。Gartner 預測在 2022 年之前 80% 的企業級 IoT 將配備布署 AI,目前只有 10%。
半導體芯片在 AI 產業的關鍵地位
半導體芯片在使能 AI 產業上處于核心地位,需要處理巨量數據的機器學習 (Machine Learning) 要求極大的算力與特大儲存容量,對應的是對高端處理器與更大更省電的存儲器的需求。目前這兩個關鍵技術,仍以美國居全球領先地位,以中國投入的追趕力道最大。
根據 JP Morgan 預估,AI 芯片市場營收,在 2022 年前將以年均復合增長率 59% 增長,相對于整個半導體市場增長率僅有 5-6% [1]。自從網絡泡沫以來,風投對半導體業的投資興趣逐漸走低,現在,AI 改變了這個趨勢。
半導體在 AI 運作的主要三個階段都具有關鍵支持地位,三階段分別為:
數據生成與收集:可能通過智慧手機與 IoT 各種終端傳感裝置;
以收集的數據對算法進行訓練:訓練是指通過大量的數據樣本,代入神經網絡模型運算并反復迭代,來獲得各神經元的權重參數的過程。這階段需處理海量數據,最耗計算資源,必需在云端進行,要求盡可能高的算力。大家可能都聽過 Nvidia 靠繪圖處理器 (GPU) 在近幾年大放光芒,它提供的就是訓練芯片,支持深度學習 (Deep Learning) 技術的深度神經網絡 (Deep Neural Network) 建模計算,得力于 GPU 的大型矩陣平行運算助力,讓以前不實際、超過百層的神經網絡計算成為合理可能,所以 AI 訓練芯片表現大大提升。
根據訓練好的算法對新數據進行推斷預測 (inference):推斷是指借助現有神經網絡模型進行運算,利用新的輸入數據來一次性獲得正確結論的過程。推斷過程對響應速度一般有較高要求,因此會采用 AI 芯片 (搭載訓練完成的神經網絡模型) 進行加速。這階段可能發生在云端或邊緣,然而如同前面所述,為了反應速度或安全性等因素,將推斷放在邊緣終端逐漸成為趨勢,所以大量的各種終端裝置都將會加上推斷芯片來建立智能。邊緣裝置芯片只需內建訓練好的模型算法,可隨時對新收集數據進行反應與自我管理。在連網時,可將邊緣數據傳回云端,持續不斷修正與優化模型,然后再回傳更新的模型給邊緣。
邊緣計算應用落地是硬件與系統商的大機會
根據 CrunchBase 的 2018 AI 市場報告,Amazon、Google、Microsoft 等巨頭推出的 AI as a Service 開發框架,加上有能力自制高端芯片,已經讓機器學習的新創公司難以生存。這種云端企業級 AI 需要數據中心級的大規模投資,提升每單位電力可帶來的計算量,門檻很高。
然而,善長生產硬件、整合終端裝置制造供應鏈的國家,卻有機會將 AI 推斷芯片置入終端,在邊緣計算的各種各樣應用場景好好發揮。相比訓練芯片追求算力,推斷芯片考慮的因素需要整體優化:單位功耗算力,時延,成本等等(大多需極低耗電與低成本),所以垂直合作配合更為重要。難怪鴻海董事長郭臺銘就說:半導體我們自己一定會做。根據 JP Morgan 的預估,邊緣 AI 應用的半導體產值也將以比云端 AI 以更高的年均復合增長率成長。
但是硬件廠商需要提升自己的思維到服務提供者的高度,了解客戶與市場,才能完整掌握應用情境,并以服務導向拉動上下游供應鏈充分合作,整合構建創新的垂直行業解決方案。不僅是硬件廠商延伸成為整體服務提供者,甚至掌握 AI 演算法,以求勝出,軟件廠商為了做好智能終端,也發現必須掌握硬件設計與韌體,軟硬整合為必要。整個開發與除錯戰線比過去長,而且需要跨領域知識。
PC 與 Mobile 時代,產品與技術規格比較一致,產品戰線大概就是分低、中、高階而已,但在接下來興起的 AI 加 IoT 時代 – 有人稱為智聯網,智能終端的應用卻可能非常多樣化,AI 的應用場景碎片化,分散在許多流程環節里,有極大的創新空間,但要考慮的邏輯更復雜,需針對不同應用需求在能耗、性能、或散熱等問題進行優化。相比于互聯網時代,物聯網的通信協議更加多樣,碎片化嚴重。新的游戲規則與新的市場面貌正在成形中。
創新的目的 – 回歸價值創造
ARM 為了 AI 推斷算法優化最前沿的 CPU 與 GPU IP 核,高通、聯發科、谷歌、Rockchip 在其處理器加上 DSP 計算核以強化原有視覺辯視計算與其它AI 計算,蘋果、Intel、NVIDIA 也紛紛推出附神經網絡芯片以加速AI 計算,Lattice、Microsemi、 Intel 則利用 FPGA 處理 AI 計算,包括云端與邊緣。
安控監視系統、汽車自動煞車與駕駛系統、工廠自動化設備與即時示警、家庭智慧音箱……,邊緣計算應用的例子已經不勝凡舉,并從原來視覺與語音辯視計算擴大到其它 AI 計算,例如結合傳感器數據開發新應用。那些垂直市場與那些應用最有商業價值,下回我們來看看 AI + IoT 在各種垂直應用領域與情境的案例研討與價值分析。
-
半導體芯片
+關注
關注
61文章
931瀏覽量
71372 -
IOT
+關注
關注
187文章
4300瀏覽量
201623 -
邊緣計算
+關注
關注
22文章
3318瀏覽量
50852
原文標題:比別人快一步掌握AI+IoT帶來的新產業動力!
文章出處:【微信號:SiliconLabs,微信公眾號:Silicon Labs】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
半導體硅表面氧化處理:必要性、原理與應用

高考考場引入身份證人臉識別終端考務通的必要性

邊緣計算網關的實時監控與預測性維護都有哪些方面?適合哪些行業使用?
石油開發企業部署人員定位系統的必要性及方案解析

PDM產品數據管理系統的必要性分析 PDM如何助力企業提升競爭力
解讀UL認證:了解440V變220V單相UL變壓器出口的必要性

淺析中低壓系統母線裝設弧光保護的必要性及應用

工業工程軟件在企業導入中的重要性與必要性
AD603輸入阻抗很小,輸入端用電容耦合的必要性在哪里?
智能開關柜一鍵順控的必要性有哪些?

評論