為什麼人工智慧仍然面臨挑戰和限制

智慧如雨後春筍般湧現，如今我們很難找到一家企業技術供應商沒有使用新的生成式人工智慧（gen-AI）和機器學習（ML）來擴展其核心平台。生成式人工智慧及其使用大型語言模型（LLM）、創建向量資料庫等可靠的新技術趨勢正在悄悄影響未來十年內建立人工智慧的方式

#邊緣等於物聯網

#當我們談論運算邊緣時，我們通常指的是存在於物聯網(IoT)領域的運算設備。從遠端智慧城市和工業設備感測器、攝影機、加速度計和陀螺儀測量設備，再到機場自助報到終端登記電腦、銷售點設備，以及所有具有網路和資料庫連接或儲存能力的設備。並處理資訊以供以後檢索和分析，或兩者兼而有之。

對於那些堅持語言和技術純粹主義的人來說，邊緣運算是在物聯網設備上發生的一種現象，因此這兩個術語並不完全相同。儘管需要提供具體的背景和必要的解釋，但我們現在可以將人工智慧應用到邊緣設備中，也就是說，我們的智慧城市的智慧設備實際上變得越來越聰明

圍繞人工智慧的對話越來越多地談論邊緣人工智慧。任何可以連接的東西都將在邊緣生成，並且已經生成大量數據。這種情況的規模迅速超過了，將所有這些數據上傳到雲端的可用網路頻寬，並且由於當今的網路不是針對上傳而是針對下載進行優化，這一事實加劇了這種情況。再加上成本、延遲、安全性和隱私等其他挑戰，將要求人工智慧資源轉移到資料上，而不是相反地

我們可以以不同的方式在邊緣部署人工智慧。在某些情況下，企業會部署整合了運算資源的智慧感測器，包括數位運動處理器(DMP)等技術，這些技術能夠自動執行不同程度的分析

可以選擇部署不包含DMP（資料管理平台）的基礎感測器，它們只是簡單地收集資料並以原始格式輸出，然後需要透過外部工具進行分析。儘管基礎感測器需要開發人員進行更多工作才能獲得所需的輸出，但它們提供了「自己動手」的模型，而不是依賴嵌入式人工智慧在智慧型裝置上的限制

裝置內外分析方法

今天我們看到了兩種方法。無論是哪種類型的感測器，都需要在感測器附近或內部運行高級數據分析和人工智慧軟體。這兩種感測器方法在成本、效率、可擴展性和靈活性方面各有優劣。然而，在邊緣環境中，需要一種邊緣運算基礎設施來解決這些位置的挑戰

智慧感測器的要求包括處理大量生成的數據、持續或接近持續的互聯網連接，以及可能需要巨大電力的情況。對於能夠即時產生資料的基礎感測器來說，還需要將產生的資料完全發送到次要位置進行處理

在實施邊緣人工智慧時，還需要解決感測器本身以外的挑戰。其中包括資訊科技（IT）和營運技術（OT）技能之間的脫節。實際操作現場的人員與開發人工智慧模型的人員是不同的，每個角色都有不同的優先順序和專業知識。這兩個團隊必須合作才能成功在邊緣實施人工智慧

在處理技術挑戰時，為了在異質環境和大規模變化的條件下管理在現實世界中部署AI/ML所帶來的複雜性，就需要為AI工具提供一致的交付機制，這就要求實施模型和邊緣運算基礎設施

目前，許多邊緣人工智慧專案都還處於實驗室或有限的現場試驗階段。隨著企業開始考慮在數十萬個地點進行全面的生產部署，他們必須建立在一個編排基礎上，該基礎可以應對各種不同的邊緣挑戰，如多樣性、安全性和資源限制，並且能夠完全了解現場效能，以應對可能出現的不準確分析或其他問題

總結

如今，我們可以看到許多成功地在分散式環境中部署專案的行業，如各種零售商店、太陽能發電場和製造設施，一些企業使用基礎感測器將資料發送到邊緣節點，甚至在感測器內嵌入軟體。

在實現自動化之後，範例中的資料將會被人工智慧模型處理，並即時提供給全球各地的分析師。他們可以在一小時內分析並撰寫完整的報告。技術人員不再需要親自前往現場進行分析，從而降低了人身安全風險

當我們努力將更多物聯網邊緣的人工智慧連接到企業網路中，以用於影響工作和家庭生活的在應用時，我們需要考慮可擴展性、安全性、身分等因素，並且要考慮其穩定性

在某些情況下，我們可能會依賴設備本身做出重要的決策，但是我們仍然需要人工智慧來實現自動化、整合和協調

以上是為什麼人工智慧仍然面臨挑戰和限制的詳細內容。更多資訊請關注PHP中文網其他相關文章！