InnoTalks | 研华对话英伟达:边缘AI的力量

全球的物联网设备连接数量逐年呈现线性增长趋势，人工智能与物联网在实际应用中相辅相成，这其中必然产生了大量的数据。云计算已经不能满足海量数据所需要的宽带和低延迟的要求。边缘计算应运而生——在数据源附近进行数据计算和处理。边缘AI即指在边缘硬件设备上进行的AI算法。

人工智能和人工神经网络的概念已经出现很久，可以追溯到60多年前，但最近几年的技术进步使人工智能的实际部署也越来越清晰。

图形处理单元（GPU）最初是为了提高计算机图形性能而开发的。随着GPU的功能越来越强大，人们发现GPU的大规模并行计算能力非常适合人工神经网络的处理要求。

与此同时，随着边缘云计算技术和商业模式的成熟，简化了构建和部署人工智能应用程序的过程。通过相关领域的强强合作，人工智能技术的发展，开始从理论走向实践。

Adam 讲解了近几年AI技术的发展中重要的三件事：1. 并行计算爆发式发展，GPU技术得到进步；2. 大量数据支持训练神经网络模型；3. 算法开发的寒武纪爆发，尤其在神经网络和深度学习方面，取得了极大的进步。

理解人工智能的概念是为了更好地理解人工智能的应用，首先需要理解神经网络和GPU的基本概念。

人工神经网络是根据我们对人类思维的理解建立的。人工神经网络由成百上千个为数学函数优化的小型计算核心组成，这些核心被安排成层。层与层之间的连接不是用传统的编码方法编程的，它们是经过“训练”的。这种训练是通过提供标记的数据集来完成的。例如，“猫”的图片信息可以作为一个数据。通过迭代训练过程，核心之间的连接关系会自我优化，直到网络能够正确识别每个标记的训练数据。一旦创建了经过训练的模型，就可以将其应用于新的、未标记的数据。由于GPU是专门为以并行处理方式处理大型数据集而开发的，因此它们非常适合这种类型的并行计算。

“在视频分析的领域，摄像机已被证明是“终极传感器”，它们提供了丰富的数据集” Adam解释说。在工业环境中使用时，它们是非侵入性的，适应性很强。

在实际的工业环境里，一些现场不支持人员亲临采集数据，但可以为特定的应用程序（如项目计数）部署新的应用程序，使用摄像机可以轻松地将新应用程序添加到现有系统中，如瑕疵检测或人员安全监测。

摄像机视野内的任何东西都会创建成为信息数据保存，可用于为视频分析。因此，摄像机非常适合测量各种场馆的空间或资产利用率，以提高运营效率和安全性。在交通方面，可以减少道路拥堵，提高道路安全性；在零售店，摄像机可用于了解客户的行走路线，从而规划店内的购物路线；还可以规划如何更快到达机场、登机口，更快登机，以及飞机如何快速周转等与管理、操作效率和安全有关的问题，都可以利用AI视频监控来解决。

AI边缘计算

对于那些刚开始布局AI应用的伙伴来说，利用合作伙伴生态系统是加速视频分析AI成功部署的一种方式。不仅支持视频分析的技术和解决方案提供商的生态系统大幅增长，而且用于创建或配置视频分析解决方案的工具集也已经成熟。凭借强大的生态系统和成熟的开发和配置工具，基于人工智能的视频分析不再需要大量的数据科学家来利用这项技术。

随着人工智能的不断发展和成熟，它将越来越多地被打包并与其他功能集成，而不是作为一个独立的解决方案。我们还将开始看到更多的“多模式”AI，它集成了来自多个传感器的数据流和数据源，如视频和音频，以创建越来越丰富和适应性更强的应用程序。而且，与大多数技术趋势类似，在技术、准确性和易操作性方面的不断进步将使AI应用程序更容易为所有人所使用。

在工控领域有着30多年丰富经验的研华，推出了MIC系列多种人工智能平台。高度集成的系统为智能城市，自动化制造，医疗成像，管理和零售应用程序快速构建独特的AI解决方案。

研华边缘AI明星产品