物聯(lián)網(wǎng)近年來吸引了人們的大量關(guān)注，但對于大多數(shù)應用來說，有兩個重要的問題。一是安全，從物聯(lián)網(wǎng)設(shè)備流過網(wǎng)絡(luò)的數(shù)據(jù)以及對設(shè)備本身的控制，在很大程度上依賴于網(wǎng)絡(luò)安全。由于威脅不斷演變，要求物聯(lián)網(wǎng)開發(fā)人員不斷提高警惕性。與此同時，由于系統(tǒng)和數(shù)據(jù)的安全存在不確定性，許多潛在用戶都推遲了對物聯(lián)網(wǎng)技術(shù)的使用。

限制物聯(lián)網(wǎng)應用的第二個問題是將數(shù)據(jù)發(fā)送到云進行處理所需高昂的帶寬成本。隨著已安裝設(shè)備數(shù)量的增加和所涉及數(shù)據(jù)量的增加，物聯(lián)網(wǎng)部署正受到數(shù)據(jù)收集所涉及的帶寬資源和成本的約束。隨著人工智能成為從所有數(shù)據(jù)中提取價值的一個越來越重要的元素，這變得更加令人擔憂。

人工智能在數(shù)據(jù)處理中的重要性大幅提升，因為傳統(tǒng)的數(shù)據(jù)處理技術(shù)變得越來越繁瑣。開發(fā)和編碼從大量數(shù)據(jù)中提取有用信息的有效算法需要時間，許多潛在用戶缺乏的應用專業(yè)知識。它還可能導致軟件脆弱，隨著需求的變化難以維護和修改。人工智能，尤其是機器學習，允許處理器根據(jù)訓練開發(fā)自己的算法以達到預期的結(jié)果，而不是依賴于專家分析和軟件開發(fā)。此外，通過額外的訓練，人工智能算法可以很容易地適應新的要求。

人工智能向邊緣移動的最新趨勢是將這兩種技術(shù)結(jié)合在一起。從物聯(lián)網(wǎng)數(shù)據(jù)中提取信息目前主要發(fā)生在云端，但如果可以在本地提取大部分或全部信息，帶寬和安全性問題就不那么重要了。隨著人工智能在物聯(lián)網(wǎng)設(shè)備中運行，幾乎不需要通過網(wǎng)絡(luò)發(fā)送大量原始數(shù)據(jù)，只需要傳達最終結(jié)論。由于通信流量較少，網(wǎng)絡(luò)安全性更容易增強和維護。本地AI甚至可以通過檢查傳入流量是否有篡改跡象，來幫助提高設(shè)備的安全性。

[[433373]]

▲工業(yè)機械的預測性維護是AI和IoT的融合將不斷演進的一種應用

AIoT似乎遵循了類似于1980年代微處理器發(fā)展方式的發(fā)展路徑。開始于處理不同任務的獨立設(shè)備：通用處理器、存儲器、串行接口外圍設(shè)備、并行接口外圍設(shè)備等。這些最終將設(shè)備任務集成到單芯片微控制器中，然后演變?yōu)獒槍μ囟☉玫膶Ｓ梦⒖刂破鳌IoT也在遵循相同的路徑。

目前，AIoT設(shè)計使用輔以通用AI加速和AI中間件的處理器。搭載AI加速的處理器也開始亮相。如果歷史要重演，AIoT的下一階段將是針對特定應用量身定制的AI增強型處理器的演進。

為了使定制設(shè)備在經(jīng)濟上可行，它需要滿足一系列應用的共同需求。這樣的應用已經(jīng)開始變得可見，其中一個主題是預測性維護。人工智能與工業(yè)機械上的物聯(lián)網(wǎng)傳感器相結(jié)合，正在幫助用戶識別振動和電流消耗中的異常模式，這些模式是設(shè)備故障的先兆。將AI置于傳感器設(shè)備本地的好處包括減少數(shù)據(jù)帶寬和延遲，以及將設(shè)備響應與其網(wǎng)絡(luò)連接隔離的能力。專門的預測性維護AIoT設(shè)備將服務于一個巨大的市場。

第二個主題是語音控制。語音助手的流行促使消費者要求在各種設(shè)備中具有語音控制功能，專用的語音控制AIoT設(shè)備將有助于解決帶寬和延遲問題。如今，這種設(shè)備的潛在用途數(shù)量驚人。

專門的AIoT設(shè)備還有其他的主題需要解決，如工業(yè)安全和建筑管理的環(huán)境傳感、化學過程控制、自動駕駛汽車系統(tǒng)、識別特定目標的攝像頭等。

人工智能技術(shù)將繼續(xù)存在下去，而下一步的發(fā)展將是為主要市場開發(fā)專門的設(shè)備。除此之外，該行業(yè)最有可能發(fā)展可配置的人工智能加速器，可以根據(jù)其應用進行定制，從而使AIoT可以有效地覆蓋更多、更細分的市場。