試想,，一輛正在急速前進(jìn)的自動(dòng)駕駛汽車,，前方突然遇到障礙需要緊急剎車,，這時(shí)它不可能把相關(guān)信息送到云端處理再反饋,，否則等剎車指令下達(dá)的時(shí)候很可能已經(jīng)發(fā)生撞車事故了,。
類似的,，在軋鋼這樣的工業(yè)場景中,，軋機(jī)需要依靠多個(gè)伺服電機(jī)協(xié)同驅(qū)動(dòng)軋制過程，電機(jī)不能出現(xiàn)絲毫的偏差,，否則可能導(dǎo)致整塊鋼板報(bào)廢,。為了保證軋制精度，需要以毫秒級的數(shù)據(jù)采集頻率來監(jiān)測電機(jī)的運(yùn)轉(zhuǎn)是否正常,，實(shí)時(shí)數(shù)據(jù)上云顯然也是來不及的,。
除了時(shí)延，隱私安全近年來也成為個(gè)人和企業(yè)越發(fā)關(guān)注的問題,。比如,，在傳統(tǒng)的人臉識(shí)別場景下，智能終端需要將收集到面部信息上傳到云服務(wù)器進(jìn)行處理,，從而為數(shù)據(jù)泄露或被濫用埋下了隱患,。而對企業(yè)來說，商業(yè)隱私甚至關(guān)乎其生死存亡,，因此大多數(shù)企業(yè)都不愿意把核心數(shù)據(jù)放在云平臺(tái)廠商的服務(wù)器上,。
出于對時(shí)延和隱私的需求，邊緣智能的概念在近年來受到越來越高的認(rèn)同,。正是看到了如此廣闊的市場機(jī)遇,，包括互聯(lián)網(wǎng)廠商、IT企業(yè),、工業(yè)巨頭在內(nèi)的玩家紛紛入局該領(lǐng)域,，Edge AI相關(guān)解決方案也在各行各業(yè)落地開花,。
然而，想搞邊緣智能容易,，想搞好邊緣智能卻很難,，想用邊緣智能創(chuàng)造出可觀的商業(yè)價(jià)值更是難上加難,。
在此前的2021聯(lián)想創(chuàng)新科技大會(huì)上,，聯(lián)想大腦Edge AI正式發(fā)布。近日,，物聯(lián)網(wǎng)智庫等媒體和聯(lián)想集團(tuán)副總裁,、聯(lián)想研究院人工智能實(shí)驗(yàn)室負(fù)責(zé)人范建平博士以及聯(lián)想商用IoT業(yè)務(wù)總經(jīng)理王磊就Edge AI的構(gòu)成機(jī)制、行業(yè)價(jià)值和布局思路進(jìn)行了深入溝通,。
通過他們的分享,，我們知道，要想讓Edge AI真正賦能千行百業(yè),，需要踩過技術(shù),、場景、商業(yè)等數(shù)個(gè)“大坑”,，尤其要摒棄“拿著錘子找釘子”的行為,。
踩過“技術(shù)”的坑：從云端到邊緣
通俗來講，傳統(tǒng)的云計(jì)算很像是自來水廠的供水模式,，雖然需要計(jì)算資源的時(shí)候擰開“水龍頭”就能按需取用,，但是“集中式統(tǒng)一供水模式”也會(huì)存在很多問題。
首先,，每家每戶用水量的增加（數(shù)據(jù)量激增）使得水廠（云端）有些不堪重負(fù),；其次，水從水廠流到水龍頭需要一定的延遲時(shí)間（時(shí)延）,；最后,，一旦供水廠出現(xiàn)問題，就會(huì)影響到整張供水網(wǎng)絡(luò)的運(yùn)作（隱私安全）,。而邊緣智能則很像在靠近家庭水龍頭的地方安裝了一個(gè)“應(yīng)急水箱”,，來應(yīng)對云端負(fù)載、時(shí)延和隱私等方面帶來的挑戰(zhàn),。
據(jù)范博士所述,，Edge AI的部署需要先在云端預(yù)訓(xùn)練模型（Pre-train model），然后再下發(fā)到邊緣側(cè),，這就會(huì)涉及第一個(gè)技術(shù)難題——當(dāng)把在云端預(yù)訓(xùn)練的模型部署在邊緣側(cè)時(shí),，預(yù)訓(xùn)練模型和邊緣設(shè)備之間可能不是完全匹配。
形象點(diǎn)兒來說,，云端“水廠”的儲(chǔ)量很大,，邊緣側(cè)“水箱”的儲(chǔ)量很小,，部署Edge AI的過程需要涉及模型的量化、壓縮等操作,。
至于模型和硬件相匹配的問題,，據(jù)悉，基于智能推薦算法,，聯(lián)想如今已經(jīng)可以通過Edge AI平臺(tái),，給客戶提供最優(yōu)的AI模型和與硬件相匹配的方案，將硬件和軟件進(jìn)行良好的適配,，讓軟硬件之間實(shí)現(xiàn)真正的協(xié)同,。由此，客戶在開發(fā)過程中甚至可以不用真正的硬件,，而是通過仿真軟件去實(shí)現(xiàn)軟硬件的適配,。
當(dāng)模型被部署到邊緣側(cè)以后，第二個(gè)技術(shù)難題又不約而來,。這是因?yàn)?，科學(xué)家在云端預(yù)訓(xùn)練模型的時(shí)候，收集的都是歷史數(shù)據(jù),，但實(shí)際應(yīng)用場景卻是千變?nèi)f化的,。也就是說，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)可能完全不一樣,，模型的訓(xùn)練環(huán)境和實(shí)際的運(yùn)行環(huán)境也可能完全不相同——如何在邊緣側(cè)更新模型成了關(guān)鍵,。
顯然，任何模型的更新都需要數(shù)據(jù)作為支撐,，但糟糕的是,，在邊緣側(cè)卻往往很難收集到足夠多有效的樣本數(shù)據(jù)。以智能工廠的瑕疵檢測場景為例,，我們不能指望產(chǎn)線80%都是廢品,，如果這樣工廠早倒閉了。實(shí)際的廢品率可能只有千分之一甚至萬分之一,，所以模型能拿到的缺陷樣本數(shù)是非常少的,。在這種情況下，AI必須能夠像人一樣,，從小樣本中去學(xué)習(xí),。
為了解決這個(gè)問題，聯(lián)想創(chuàng)新地將“數(shù)據(jù)增強(qiáng)”和“元學(xué)習(xí)”結(jié)合,，打造了“小樣本終身學(xué)習(xí)技術(shù)”,。
舉個(gè)通俗易懂的例子，學(xué)開車。比如,，你會(huì)開小轎車,，但需要學(xué)習(xí)開大卡車。兩者雖然存在不少差異,，但會(huì)開小轎車的話,，學(xué)開大卡車總比從零開始學(xué)更容易，因?yàn)橛行┗A(chǔ)可以借鑒,。這就是meta learning（元學(xué)習(xí)）的原理,。通過借鑒不同任務(wù)的相似之處，來實(shí)現(xiàn)任務(wù)層面的學(xué)習(xí)能力泛化,，提升模型不斷適應(yīng)新任務(wù)的能力,。
此外,，聯(lián)想還通過原始樣本空間增強(qiáng),、模型特征空間中數(shù)據(jù)擴(kuò)充、風(fēng)格遷移等方式,，擴(kuò)充了樣本容量,，豐富了數(shù)據(jù)分布，進(jìn)一步提升了模型的學(xué)習(xí)能力,，從而實(shí)現(xiàn)終身學(xué)習(xí),。
踩過“場景”的坑：摒棄“拿著錘子找釘子”
解決了技術(shù)上的問題，并不意味著高枕無憂,，甚至很多做技術(shù)的企業(yè)還會(huì)陷入“拿著錘子找釘子”的誤區(qū)——也就是拿著技術(shù)去找場景,，這顯然是一種本末倒置的行為。工業(yè)領(lǐng)域存在很多典型的應(yīng)用場景,，只要能切實(shí)解決客戶的痛點(diǎn),，幫助其提質(zhì)增效，就不愁沒有人買單,。
而在場景方面,，聯(lián)想天然具備優(yōu)勢。作為一家智能制造企業(yè),，聯(lián)想打造了全球化的生產(chǎn)基地布局,，集團(tuán)在全球擁有35家制造工廠。過去幾年,，聯(lián)想的各個(gè)工廠致力推進(jìn)產(chǎn)線的自動(dòng)化和數(shù)字化,，積累了豐富的實(shí)踐經(jīng)驗(yàn)，這正是Edge AI落地最好的土壤,。
范博士也分享了一些聯(lián)想的實(shí)踐案例,。
在聯(lián)想深圳工廠為微軟生產(chǎn)服務(wù)器的時(shí)候，客戶的一個(gè)基本要求是生產(chǎn)區(qū)域不能有外部人員隨意進(jìn)入。傳統(tǒng)的做法是依靠人工坐在門口進(jìn)行監(jiān)控,，但這種做法顯然費(fèi)時(shí)費(fèi)力,，而且人總會(huì)有疲憊和需要休息的時(shí)候。Edge AI的解決方案則能輕易替代人工,，實(shí)時(shí)監(jiān)控是否有非授權(quán)的人員進(jìn)入,，而且由于數(shù)據(jù)保留在本地，也不會(huì)侵犯員工的隱私安全,。
除了聯(lián)想自己的工廠,，越來越多的客戶也正受益于此。例如,，為保障印刷業(yè)的領(lǐng)軍企業(yè)高斯中國的順暢運(yùn)行,，聯(lián)想從以前只賣PC，到后來提供邊緣計(jì)算設(shè)備,，以及Leap IoT平臺(tái)等,，實(shí)現(xiàn)了高斯中國的遠(yuǎn)程云管理，使得其設(shè)備故障率降低了50%,，高斯員工的出差成本降低了65%,，售后服務(wù)的客戶滿意度提升了80%。
“是歷史機(jī)遇選擇了聯(lián)想,，而不是聯(lián)想在做選擇,。”范博士如此形容聯(lián)想在邊緣智能的布局,。
根據(jù)Gartner的預(yù)測顯示,，截止到2025年將會(huì)有75%的數(shù)據(jù)在數(shù)據(jù)中心和云之外的邊緣側(cè)產(chǎn)生。同時(shí),，未來邊緣計(jì)算市場規(guī)模將超萬億,，成為與云計(jì)算平分秋色的新興市場。在這樣的背景下,，聯(lián)想入局邊緣智能恰逢其時(shí)——這是“天時(shí)”,。
其次，聯(lián)想作為制造企業(yè),，自己有很多應(yīng)用場景,，客戶也有很多應(yīng)用場景，聯(lián)想在服務(wù)客戶的過程中積累了許多洞察與經(jīng)驗(yàn)——這是“地利”,。
最后,，以范博士為代表的科學(xué)家團(tuán)隊(duì)始終專注于AI技術(shù)的研究，正如范博士所說,，“我們不是最聰明的一群人,，也不是配置的最高的一群人，但是我們確實(shí)始終以客戶為己任?！薄@是“人和”,。
“天時(shí)地利人和”，賦予了聯(lián)想做好Edge AI的底氣,。
踩過“商業(yè)”的坑：破解碎片化難題
有了技術(shù)并且找到了合適的場景,，就意味著萬事大吉嗎？答案依然是否定的,。
即使是同一臺(tái)設(shè)備,，在不同工況下其劣變程度都有可能不同，更何況是“隔行如隔山”的千行百業(yè)呢,。邊緣智能的場景碎片化程度很強(qiáng),，需求非常復(fù)雜，隨定制化而變化,，導(dǎo)致很多邊緣解決方案的通用性和復(fù)用性不夠強(qiáng),。
“如果一個(gè)場景一個(gè)場景（case by case）的去做，一定是死路一條,?！狈恫┦恐毖裕奥?lián)想破解碎片化難題的做法是80%的底層技術(shù)依靠平臺(tái)實(shí)現(xiàn),，剩下20%左右是場景化的東西?！?/p>
從這個(gè)角度來說,，Edge AI更像是一個(gè)應(yīng)用商店，其中包含各種算法和模型,，客戶可以靈活選擇,，極大地減少開發(fā)、設(shè)計(jì)等人力成本,。
面向?qū)I技術(shù)本身有一定了解的客戶,，聯(lián)想為其提供人員檢測、車流監(jiān)測,、語音識(shí)別等基本模塊,，開發(fā)人員能夠以拖拽的方式如同搭積木一般快速組合自己的解決方案；面向沒有AI背景知識(shí)的客戶,，集成商只需將自己的預(yù)算和場景輸入平臺(tái),，形成約束條件，平臺(tái)依然可以自動(dòng)生成相應(yīng)的解決方案,。
換言之,，聯(lián)想提供的只是底層的基礎(chǔ)能力，上層的應(yīng)用還需要生態(tài)系統(tǒng)里的萬千客戶去依據(jù)需求構(gòu)建。
王磊則從另一個(gè)角度闡述了如何從定制化走向通用化：“最開始我們在做項(xiàng)目,，在做項(xiàng)目的過程中會(huì)有一些工具產(chǎn)生,，當(dāng)把這樣的工具用于更多的項(xiàng)目時(shí)，工具就會(huì)變成通用的產(chǎn)品,。產(chǎn)品再往上迭代,，就是平臺(tái)了?？蛻綦m然是不同的,，但我們會(huì)把共性的東西抽象出來，形成平臺(tái)和生態(tài),?！?/p>
目前，聯(lián)想Edge AI平臺(tái)已經(jīng)通過聯(lián)想企業(yè)科技集團(tuán)實(shí)現(xiàn)了產(chǎn)品化,，推出了LiCO AI,、AI一體機(jī)等功能強(qiáng)大的AI產(chǎn)品與解決方案，被廣泛應(yīng)用于人工智能數(shù)據(jù)中心,、智能制造,、工業(yè)物聯(lián)網(wǎng)、智慧城市,、智能零售,、智能音箱和智能家居等各個(gè)方面。在自動(dòng)駕駛領(lǐng)域,，可以做到行人識(shí)別,、車輛識(shí)別、信號燈識(shí)別等,。
結(jié)語
智能化轉(zhuǎn)型非一朝一夕之事,，更不能憑一己之力扭轉(zhuǎn)乾坤。聯(lián)想憑借商用IoT生態(tài),、聯(lián)合行業(yè)合作伙伴的力量,，以及自身在硬件的定制化優(yōu)勢，通過Edge AI平臺(tái)算法能力和強(qiáng)大的服務(wù)體系,，可以幫助用戶以更快,、更好、更低成本的商業(yè)模式和技術(shù)形態(tài),，加速各行各業(yè)的邊緣智能化轉(zhuǎn)型,，進(jìn)而全面撬動(dòng)數(shù)智新時(shí)代！
