物聯網近年來吸引了人們的大量關注，但對于大多數應用來說，有兩個重要的問題。一是安全，從物聯網設備流過網絡的數據以及對設備本身的控制，在很大程度上依賴于網絡安全。由于威脅不斷演變，要求物聯網開發人員不斷提高警惕性。與此同時，由于系統和數據的安全存在不確定性，許多潛在用戶都推遲了對物聯網技術的使用。

限制物聯網應用的第二個問題是將數據發送到云進行處理所需高昂的帶寬成本。隨著已安裝設備數量的增加和所涉及數據量的增加，物聯網部署正受到數據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據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。

人工智能在數據處理中的重要性大幅提升，因為傳統的數據處理技術變得越來越繁瑣。開發和編碼從大量數據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，允許處理器根據訓練開發自己的算法以達到預期的結果，而不是依賴于專家分析和軟件開發。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結合在一起。從物聯網數據中提取信息目前主要發生在云端，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網設備中運行，幾乎不需要通過網絡發送大量原始數據，只需要傳達最終結論。由于通信流量較少，網絡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，來幫助提高設備的安全性。

[[433373]]

▲工業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年代微處理器發展方式的發展路徑。開始于處理不同任務的獨立設備：通用處理器、存儲器、串行接口外圍設備、并行接口外圍設備等。這些最終將設備任務集成到單芯片微控制器中，然后演變為針對特定應用的專用微控制器。AIoT也在遵循相同的路徑。

目前，AIoT設計使用輔以通用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。

為了使定制設備在經濟上可行，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。人工智能與工業機械上的物聯網傳感器相結合，正在幫助用戶識別振動和電流消耗中的異常模式，這些模式是設備故障的先兆。將AI置于傳感器設備本地的好處包括減少數據帶寬和延遲，以及將設備響應與其網絡連接隔離的能力。專門的預測性維護AIoT設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備中具有語音控制功能，專用的語音控制AIoT設備將有助于解決帶寬和延遲問題。如今，這種設備的潛在用途數量驚人。

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

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