


Apakah yang boleh dilakukan oleh kecerdasan buatan tepi (Edge AI) untuk kita?
- Kecerdasan Buatan (AI) ialah sejenis pengkomputeran terdesentralisasi yang membolehkan peranti membuat keputusan dipacu data pada titik interaksi terdekat dengan pengguna.
- Faedah teknologi ini termasuk privasi yang dipertingkatkan dan penjimatan kos, tetapi data biasanya dibuang selepas diproses.
- Kemajuan akan datang, termasuk teknologi 5G dan cip pemprosesan kos rendah, akan menjadikan AI kelebihan semakin berguna untuk aplikasi tertentu—daripada peranti rumah pintar kepada teknologi perubatan.
Bayangkan anda mahu termostat pintar baharu anda dapat meningkatkan suhu dengan cepat supaya rumah anda hangat apabila anda pulang dari kerja pada hari yang luar biasa sejuk. Anda menyambung dari telefon pintar anda dan memintanya untuk mengambil tindakan. Anda tidak akan mengetahuinya, tetapi operasi mungkin mengambil masa beberapa saat kerana ia menghantar permintaan anda ke awan dan menerima arahan kembali.
Sekarang bayangkan bahawa kereta pandu sendiri yang anda naiki tiba-tiba merasakan seekor anjing berlari ke atas jalan di hadapan anda. Kereta perlu bertindak balas dalam milisaat untuk mengelakkan bencana. Respons ini memerlukan kecerdasan buatan (AI) kelebihan - teknologi yang boleh membuat keputusan pada titik interaksi yang paling dekat dengan pengguna, dan dalam kes ini, penderia kereta adalah penting. Ini adalah definisi keputusan sekejab.
Data Dinamik
Dengan Internet Perkara (IoT) hari ini, data sentiasa bergerak. Ia mengalir daripada sistem warisan ke awan, sehingga ke peranti pinggir, dan melangkaui sistem organisasi kepada rakan kongsi dan pelanggan. Jawapan perlu dihantar dalam masa nyata, jadi menggunakan kuasa pengkomputeran terpusat tidak selalunya cekap apabila data boleh diproses melalui peranti tepi. Apabila kereta pandu sendiri hanya mempunyai milisaat untuk bertindak balas, ia tidak mempunyai masa untuk menunggu awan membuat keputusan.
Tidak kira di mana peranti itu berada, sejumlah besar data boleh dimasukkan ke dalam algoritma AI di tepi, dan faedahnya banyak. Data dinamik boleh menyampaikan maklumat pesakit yang penting kepada doktor, memendekkan barisan di taman hiburan, memberi amaran kepada syarikat kuasa tentang kemungkinan gangguan bekalan elektrik, dan membolehkan kereta pandu sendiri bertindak balas tepat pada masanya untuk mengelakkan tragedi.
Edge AI membolehkan peranti membuat keputusan ini sendiri di peringkat peranti. Ia tidak semestinya perlu disambungkan ke Internet untuk memproses data. Pertimbangkan jam tangan yang memantau corak tidur anda, tetapi bukannya menolak data ke awan untuk penyimpanan dan pemprosesan, jam tangan itu merekodkan data pada jam tangan itu sendiri untuk diproses.
Peranti AI berdaya tepi juga termasuk permainan video, pembesar suara pintar, dron dan robot. Kamera keselamatan juga boleh mendayakan keupayaan tepi – kamera di tingkat kilang mencari kecacatan produk semasa proses pembuatan dan boleh mengenal pasti produk mana yang perlu dikeluarkan dengan segera. Apabila kelajuan menyelamatkan nyawa, edge AI juga boleh digunakan untuk menganalisis imej untuk rawatan perubatan kecemasan. Semakin dekat keupayaan pemprosesan, semakin cepat masa tindak balas.
Walaupun teknologi edge tidak akan menggantikan awan, data pengguna yang hanya milik anda (seperti corak tidur atau data permainan anda) boleh diproses dalam peranti berdaya tepi. Desentralisasi data ini menyelesaikan kebimbangan privasi, yang merupakan isu penting dalam pasaran IoT. EDGE
AI boleh memberikan kemudahan tanpa menjejaskan privasi. Dan, dalam beberapa kes, ia mungkin lebih murah—satu syarikat sedang membangunkan peralatan rumah terkawal suara, seperti mesin basuh dan mesin basuh pinggan mangkuk, menggunakan mikropemproses kecil yang berharga beberapa dolar setiap satu.
“Apabila bercakap tentang alat di rumah saya, saya benar-benar berharap mereka kurang pintar.” - Clive Thompson, WiredSebagai contoh, ucapan mesin kopi pengiktirafan AI hanya perlu mengenali kira-kira 200 perkataan, semuanya berkaitan dengan tugas membuat kopi. Fikirkanlah, kata wartawan Wired Clive Thompson: "Saya tidak memerlukan jenaka buruk atau suis lampu untuk mencapai kesedaran diri. Mereka hanya perlu mengenali "hidup" dan "mati" dan mungkin "gelap." Apabila ia datang daripada alat yang saya kongsi dengan rumah saya, saya sebenarnya lebih suka alat itu kurang pintar ”
Selain pemprosesan yang lebih pantas dan lebih murah, edge AI tidak memerlukan internet yang sentiasa berkembang. Dengan perkembangan pesat Internet Perkara, sejumlah besar data kini dikesan dan dijana di tepi - Statista menganggarkan bahawa jumlah ini akan mencapai hampir 80 zettabait menjelang 2025.
Ini sangat besar sehingga menggunakan lebar jalur internet hari ini untuk memindahkan semua data ini daripada peranti tepi ke pelayan awan untuk penyimpanan dan pemprosesan secara teknikalnya tidak dapat dilaksanakan. Walaupun lebar jalur tersedia, perlu ada sumber pusat data yang mencukupi untuk mengendalikan semua data. Keperluan lebar jalur yang kurang diterjemahkan kepada penjimatan kos. Kira-kira 10% daripada data yang dijana perusahaan dibuat dan diproses di luar pusat data terpusat tradisional atau awan. Gartner meramalkan bahawa jumlah ini akan mencapai 75% menjelang 2025. Salah satu isu yang paling membimbangkan dalam dunia IoT ialah sebilangan besar orang yang tidak mampu membeli peranti atau tinggal di kawasan luar bandar tanpa rangkaian tempatan mungkin tidak dapat mengambil bahagian dalam kesan kepada perubahan kehidupan seharian kita. Sejarah kapasiti rangkaian terhad boleh menjadi kitaran ganas. Rangkaian tepi tidak mudah dibina dan boleh mahal. Negara membangun mungkin semakin ketinggalan dalam keupayaan mereka memproses data melalui peranti tepi yang memerlukan teknologi yang lebih baharu. Oleh itu, pertumbuhan pengkomputeran tepi adalah satu lagi cara ketidaksamaan struktur boleh meningkat, terutamanya yang berkaitan dengan kebolehcapaian kecerdasan buatan dan peranti IoT yang mengubah kehidupan. Satu lagi risiko dengan edge AI ialah data mungkin dibuang selepas diproses – dengan sifatnya yang "di tepi", ini bermakna ia mungkin tidak sampai ke awan untuk penyimpanan. Peranti boleh diarahkan untuk membuang maklumat untuk menjimatkan kos. Walaupun terdapat keburukan pada pemprosesan dan penyimpanan pusat, kelebihannya ialah data itu ada apabila anda memerlukannya. Kecerdasan Buatan (AI) memberi kesan kepada setiap aspek masyarakat – rumah, perniagaan, sekolah dan juga ruang awam. Tetapi apabila teknologi berkembang pesat, kerjasama pelbagai pihak diperlukan untuk mengoptimumkan akauntabiliti, ketelusan, privasi dan keadilan. Platform Forum Ekonomi Dunia untuk membentuk masa depan tadbir urus teknologi: Kepintaran buatan dan pembelajaran mesin menghimpunkan pelbagai perspektif untuk memacu inovasi dan membina kepercayaan. Jika hanya anda dan kereta pandu sendiri anda yang memandu di jalan kosong, jumlah data yang besar itu mungkin tidak kelihatan penting, tetapi fikirkan semula. Banyak yang boleh dipelajari daripada data di jalan kosong ini, termasuk maklumat tentang keadaan jalan raya dan bagaimana kenderaan dan lain-lain seperti itu berkelakuan dalam keadaan tersebut. Akhir sekali, apabila ia berkaitan dengan pengkomputeran tepi, kes perniagaan yang jelas mesti diteliti untuk memastikan kos rangkaian seimbang dengan nilai yang dicipta. Namun, walaupun terdapat ketidaksamaan atau kehilangan data, dan dengan kemajuan dalam teknologi 5G dan cip pemprosesan yang lebih murah, adalah mudah untuk melihat betapa "terutama" berada di sini untuk kekal - sama ada anda itu Kereta pandu sendiri itu juga pembuat kopi anda, menyediakan anda untuk berulang-alik. Mengimbangi risiko dan ganjaran
Kecerdasan Buatan, Pembelajaran Mesin, Teknologi
Bagaimanakah Forum Ekonomi Dunia memastikan pembangunan kecerdasan buatan memberi manfaat kepada semua pihak berkepentingan?
Atas ialah kandungan terperinci Apakah yang boleh dilakukan oleh kecerdasan buatan tepi (Edge AI) untuk kita?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
