環(huán)顧四周，你會(huì)看到廣泛佩戴健康和健身可穿戴傳感器設(shè)備的身影，例如Fitbit、Garmin、小米或其他設(shè)備。

許多人不知道的是，我們還使用傳感器來監(jiān)測(cè)橋梁和建筑物的結(jié)構(gòu)完整性，以及跟蹤昆蟲和其他動(dòng)物的活動(dòng)。

隨著物聯(lián)網(wǎng)( IoT )的迅速發(fā)展，預(yù)計(jì)未來十年將會(huì)有數(shù)百億個(gè)物聯(lián)網(wǎng)傳感器設(shè)備連接起來。這些連網(wǎng)的傳感器設(shè)備將自動(dòng)化各個(gè)經(jīng)濟(jì)領(lǐng)域的流程，從制造工廠到醫(yī)療保健管理等等，從而提高生產(chǎn)力，并改善生活質(zhì)量。

這些傳感器設(shè)備將部署在廣泛的應(yīng)用領(lǐng)域，它們都具有微處理器、存儲(chǔ)器、有線或無線通信接口，以及電池或其他能源。

每個(gè)應(yīng)用程序和物聯(lián)網(wǎng)設(shè)備都將迎來自己獨(dú)特的環(huán)境，例如其位置、周圍環(huán)境的條件以及該地區(qū)人們的行為，個(gè)別設(shè)備將觀察并適應(yīng)其獨(dú)特環(huán)境。

[[247963]]

加入人工智能

那么，當(dāng)我們將人工智能( AI )引入到這個(gè)組合中會(huì)發(fā)生什么呢?有了人工智能，這些設(shè)備可以根據(jù)不斷變化的環(huán)境來優(yōu)化它們的行為，就像生物如何根據(jù)周圍環(huán)境優(yōu)化它們的行為一樣，即使是我們周圍較小的物聯(lián)網(wǎng)設(shè)備也可以運(yùn)行人工智能功能，并隨著時(shí)間推移進(jìn)化它們的系統(tǒng)。

想想便攜式移動(dòng)設(shè)備，例如智能手表或智能手機(jī)，通常提供大量適用于所有用戶的功能和應(yīng)用程序。

要對(duì)其進(jìn)行個(gè)性化設(shè)置，用戶必須單獨(dú)手動(dòng)配置每個(gè)應(yīng)用程序，并隨著時(shí)間推移不斷更新這些配置。

如果設(shè)備本身可以通過觀察我們的使用模式來了解我們的偏好，會(huì)怎么樣?這有助于個(gè)性化過程的自動(dòng)化。

那么，對(duì)于我們?cè)O(shè)備還沒有經(jīng)歷過的情況呢?該設(shè)備是否有可能了解我們?cè)谖粗闆r下的偏好?

這是人工智能設(shè)備可以通過彼此分享信息來幫助彼此更快、更有效地學(xué)習(xí)的地方，從而對(duì)這些設(shè)備的學(xué)習(xí)速度產(chǎn)生倍增效應(yīng)。

會(huì)說話的智能手機(jī)

舉例來說，我們已經(jīng)展示了彼此靠近的智能手機(jī)如何既能運(yùn)行自己的人工智能模塊，又能分享程序中的邏輯塊，以加速學(xué)習(xí)如何保持電池壽命。

這些好處背后有兩個(gè)原因。首先，每部手機(jī)都是獨(dú)立學(xué)習(xí)，開發(fā)自己的程序邏輯遺傳材料——各種各樣的進(jìn)化。

這在進(jìn)化計(jì)算中被稱為“島嶼模式”。在物聯(lián)網(wǎng)中，每臺(tái)設(shè)備都成為自己的“孤島”，有時(shí)，這些設(shè)備會(huì)分享它們學(xué)到的知識(shí)。

這增加了它們遺傳庫的多樣性，這對(duì)學(xué)習(xí)或進(jìn)化的系統(tǒng)是有益的，這也意味著兩個(gè)設(shè)備都知道如何更好地對(duì)其他協(xié)作設(shè)備最初可能觀察到的新環(huán)境做出反應(yīng)。

動(dòng)物跟蹤提供了物聯(lián)網(wǎng)設(shè)備中協(xié)作人工智能(AI)的類似驅(qū)動(dòng)程序，設(shè)備經(jīng)常被放置在項(xiàng)圈或耳標(biāo)上，以跟蹤牲畜、寵物或野生動(dòng)物的位置和活動(dòng)。

為了提供準(zhǔn)確的跟蹤信息，每臺(tái)設(shè)備都需要了解它正在跟蹤動(dòng)物的具體運(yùn)動(dòng)特征——例如物種、年齡和性別——這是人工智能可以幫助的。

然后，當(dāng)兩個(gè)或更多動(dòng)物相遇時(shí)，物聯(lián)網(wǎng)設(shè)備可以分享它們對(duì)動(dòng)物運(yùn)動(dòng)的了解，這可以加快其他設(shè)備對(duì)具有相似特征動(dòng)物的學(xué)習(xí)過程。

預(yù)測(cè)故障

物聯(lián)網(wǎng)中共享學(xué)習(xí)的好處不僅限于動(dòng)物和人的設(shè)備，還可以用于監(jiān)控橋梁或道路結(jié)構(gòu)健康狀況的設(shè)備。

在許多情況下，由于成本高昂和位置偏遠(yuǎn)，這些設(shè)備無法與網(wǎng)絡(luò)有效鏈接，但是它們可以在本地收集信息，并學(xué)習(xí)觀測(cè)到傳感器數(shù)據(jù)中可能預(yù)測(cè)故障的特定模式。

由于故障相對(duì)較少，因此與相鄰設(shè)備共享學(xué)習(xí)提供了更大的資源庫，用于培訓(xùn)可能尚未遇到故障的物聯(lián)網(wǎng)設(shè)備，以及需要注意的事項(xiàng)。

在實(shí)現(xiàn)物聯(lián)網(wǎng)設(shè)備共享學(xué)習(xí)的道路上，仍有一些懸而未決的問題，比如，如果設(shè)備參與共享學(xué)習(xí)環(huán)境，它是否會(huì)損害其所有者的隱私?答案是，這取決于人工智能方法是否共享具有內(nèi)在意義的信息，例如遺傳編程。

物聯(lián)網(wǎng)設(shè)備還需要確保在學(xué)習(xí)如何應(yīng)對(duì)新情況時(shí)繼續(xù)完成日常任務(wù)。更需要設(shè)計(jì)適當(dāng)?shù)陌踩刂拼胧鐚?duì)設(shè)備可以學(xué)習(xí)什么，以及為了響應(yīng)學(xué)習(xí)而不應(yīng)該改變的內(nèi)容設(shè)置嚴(yán)格限制。

另一個(gè)問題是，在決定與哪些設(shè)備協(xié)作時(shí)，設(shè)備如何知道信任哪些相鄰設(shè)備?如果惡意實(shí)體進(jìn)入網(wǎng)絡(luò)，目的是將破壞性邏輯注入共享物聯(lián)網(wǎng)學(xué)習(xí)環(huán)境，會(huì)怎么樣?因此，仍然需要?jiǎng)?chuàng)建方法來全面解決這些問題。

那么，我們?cè)谀睦锟梢哉业娇梢韵嗷W(xué)習(xí)的物聯(lián)網(wǎng)設(shè)備呢?雖然它們的應(yīng)用仍被認(rèn)為處于初級(jí)階段，但潛在的機(jī)會(huì)還是值得我們關(guān)注、辯論和調(diào)查。