跨越「AI障礙」的邊緣運算:影響範圍小至紅綠燈,大至太空探測器!

文/藍立時 圖/Pexels、CC Licensed

隨著物聯網 (IoT) 不斷擴展,在「萬物連網」時代中,生成的數據也會急遽增加,這種轉變也將產生新的需求,例如即時分析與處理數據的能力,因此「邊緣運算」 (edge computing) 變得至關重要。

究竟什麼是邊緣運算?它將如何影響我們的未來生活呢?

LeapMind,這是日本東京一家新創公司的名字,其使命是讓深度學習普及於邊緣裝置,也就是把AI帶進我們日常生活中的各種裝置中,這不只包括電腦、手機,連紅綠燈、安全攝影機等裝置都能應用AI。

LeapMind 的目標,是透過讓深度神經網路學習元件變「小」的方式,使深度學習可以應用到任何環境裡、讓 AI 在小型計算環境也得以應用,甚至在「太空」中也能幫上忙。

《彭博社》(Bloomberg)舉例,自 1985 年日本首次發射太空探測器以來,這些照片都是以相對低技術的方式拍攝的,將相機對準宇宙中的物體,不管拍攝到什麼,都傳回到地球上,並由人類從這些素材中挑選出最美麗的鏡頭。然而,這種作法相當耗費寶貴的頻寬以及電池。

因此,日本 NASA ─宇宙航空研究開發機構(JAXA)正在試驗一種更具辨別能力的智慧攝影機,它能決定哪些照片有最好的光線、角度與組成,並且只傳回這些照片。

在強大的大型電腦上使用 AI 並沒有什麼大不了,但對於有嚴重能源限制的小型太空飛行器來說,卻是一件相當困難的事情。LeapMind 開發的技術與解決方案便能在此派上用場。

LeapMind 是一家位於日本東京的邊緣運算新創公司,所謂「邊緣運算」,指的是一種分散式運算的架構,把應用程式、數據資料與服務的運算,由網路中心節點,移往網路邏輯上的邊緣節點進行處理。

由於將原本完全由中心節點處裡的大型服務加以「分解」,加上邊緣節點更接近使用者終端裝置,因此能加快資料處理與傳送速度、減少延遲,因為不用將所有資料都上傳雲端,資料運輸量大幅降低。這在處理能力有限甚至沒有網路連線能力的遠程設備上能派上很大的用場,也是將 AI 帶到我們生活各種設備的關鍵。例如:紅綠燈、安全攝影機、各種日常生活中的常見家電,甚至是上文所述的太空探測器中。

儘管「人工智慧」在現今已非什麼新鮮字眼,但要將 AI 真正「應用」、在生活卻並非一件簡單事。

因為它需要巨量的運算能力與電力,而邊緣運算就是可以使 AI 應用在小型設備或機器中的解決方案,LeapMind 只是眾多邊緣運算公司之中的一個例子。

根據 CB Insights 的統計,去年風險投資中心在邊緣運算領域的新創公司上投資了約7.5 億美元的資金,較去(2018)年大幅成長 26 %。 值得注意的是,LeapMind 曾 在2017 年獲得了一筆由英特爾(Intel)領投的 1,000 億美元資金。

邊緣運算的應用場景眾多,最初比較廣為人知的應用場景是在自駕車上,但其實在工廠、物聯網的數據運算上,也具備非常高應用的潛力。

在物聯網領域,邊緣運算可以讓日常設備接受語音命令,例如越來越流行的智慧音響、安全攝影機,甚至能讓縫在衣物上的傳感器追蹤主人的健康狀況,而這些所有的私人數據都不必上傳到雲端。

荷蘭的高速公路、水路及橋梁系統等都是透過裝設感設器,蒐集大量數據,並透過邊緣運算來進行即時分析,這能提供官員作為決策的參考,在發生洪水等緊急狀況時,提供國家機構有效判斷的關鍵要素,邊緣運算低延遲、低功耗,在安全與連網方面都發揮了至關重要的用途。

日本 JAXA 研究員嘗試開始使用LeapMind 的工具來打造智慧相機,該演算法經過照片、角度、美學等各方面的訓練後,可以區分出好照片與不好的照片,並能在單個晶片上運行,所耗費的電力甚至不超過 10瓦燈泡所需的電力。

不過,目前邊緣運算現在仍有兩大困難需要解決。Intel 副總裁 Jennifer D. Panhorst 便提出分析,指出這兩大困難,其一是將原生雲端應用部署在邊緣運算上;二是把原有的智慧運算,融入進更複雜的分散虛擬網路架構裡。

LeapMind 的創始人 Soichi Matsuda 說,若想將 AI 融入到電視、筆電或者其他任何現有裝置上,廠商可能有必要「重頭開始重新設計產品」

圖文摘自:《廣告雜誌Adm》第331期