智慧如雨后春笋般涌现，如今我们很难找到一家企业技术供应商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。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未来十年内构建人工智能的方式
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。
对于那些坚持语言和技术纯粹主义的人来说，边缘计算是在物联网设备上发生的一种现象，因此这两个术语并不完全相同。尽管需要提供具体的背景和必要的解释，但我们现在可以将人工智能应用到边缘设备中，也就是说，我们的智慧城市的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
可以选择部署不包含DMP（数据管理平台）的基础传感器，它们只是简单地收集数据并以原始格式输出，然后需要通过外部工具进行分析。尽管基础传感器需要开发人员进行更多工作才能获得所需的输出，但它们提供了“自己动手”的模型，而不是依赖于嵌入式人工智能在智能设备上的限制
今天我们看到了两种方法。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。这两种传感器方法在成本、效率、可扩展性和灵活性方面各有优劣。然而，在边缘环境中，需要一种边缘计算基础设施来解决这些位置的挑战
智能传感器的要求包括处理大量生成的数据、持续或接近持续的互联网连接，以及可能需要巨大电力的情况。对于能够实时生成数据的基础传感器来说，还需要将生成的数据完全发送到次要位置进行处理
在实施边缘人工智能时，还需要解决除传感器本身之外的挑战。其中包括信息技术（IT）和运营技术（OT）技能之间的脱节。实际操作现场的人员与开发人工智能模型的人员是不同的，每个角色都有不同的优先级和专业知识。这两个团队必须合作才能成功在边缘实施人工智能
在处理技术挑战时，为了在异构环境和大规模变化的条件下管理在现实世界中部署AI/ML所带来的复杂性，就需要为AI工具提供一致的交付机制，这就要求实施模型和边缘计算基础设施
目前，许多边缘人工智能项目都还处于实验室或有限的现场试验阶段。随着企业开始考虑在数十万个地点进行全面的生产部署，他们必须建立在一个编排基础上，该基础可以应对各种不同的边缘挑战，如多样性、安全性和资源限制，并且能够完全了解现场性能，以应对可能出现的不准确分析或其他问题
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，示例中的数据将会被人工智能模型处理，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撰写完整的报告。技术人员不再需要亲自前往现场进行分析，从而降低了人身安全风险
当我们努力将更多物联网边缘的人工智能连接到企业网络中，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、身份等因素，并且要考虑其稳定性
在一些情况下，我们可能会依赖设备本身做出重要的决策，但是我们仍然需要人工智能来实现自动化、集成和协调
以上是为什么人工智能仍然面临挑战和限制的详细内容。更多信息请关注PHP中文网其他相关文章！
