為了使機器學習達到“人類級”能力，則需要許多訓練迭代和標記數據。這需要大量資源，例如GPU和存儲，只需點擊每個云提供商的按鈕即可使用。結果，機器學習主要在云上發展，但這并不意味著它需要留在那里。如今，一個名為 tinyML 的機器學習新領域使得在微型、電池供電的物聯網 (IoT) 設備上運行機器學習模型成為可能。

物聯網

物聯網是一個物理對象（事物）的網絡，嵌入了傳感器、軟件和其他用于數字化和自動化的技術。這些設備的范圍從普通的家用物品到復雜的工業設備不等。所有物聯網設備的一個共同特征是，它們連接到一個平臺，有時相互連接，以執行某種功能。室外物聯網設備通常通過蜂窩網絡實現連接，而在室內或人口密集的市區，則可以使用 WiFi、LPWAN 或藍牙。這個龐大的市場擁有超過 70 億臺設備，并且正在不斷增長。一些行業專家預測，到 2025 年，這個數字將增長到 220 億。毫無疑問，淘金熱出現了。

物聯網設備的機器學習

絕大多數物聯網設備的計算能力不及云計算。然而，機器學習（ML）的最新突破甚至允許最小的物聯網設備也能執行特定的ML任務。這個新興的機器學習領域被稱為 tinyML。微型物聯網設備上的這種ML組合是將智能從云端轉移到“邊緣設備”這一更大概念的一部分。它通常被稱為“邊緣人工智能”。

tinyML 在物聯網設備上的一些開創性應用包括：

• Alexa 和 Siri 等語音命令
• 具有物體和面部識別功能的智能攝像頭
• 實時健康和活動監測
• 智慧城市停車，自動計費

智慧城市應用

以智慧城市停車為例。優化停車的一種方法是在每個街角放置一個攝像頭（類似于監控攝像頭），并監測誰在何時何地停車。這使市政當局可以自動啟動停車位的計費流程，并讓人們知道空閑車位的位置。傳統上，這需要將實時視頻發送到云端進行處理。這造成了一個巨大的隱私問題：市政當局只需要知道汽車的牌照號碼就可以開始計費流程。但是，實時視頻包含很多信息，例如誰和誰一起坐車，這造成了巨大的隱私問題。這正是 tinyML 發揮作用的地方：tinyML 讓您可以在資源受限的現場設備上實時處理視頻，而無需將其發送到云端。在這種情況下，唯一會被發送到云端的是車牌號碼，有了它，隱私問題就不存在了。而原始視頻永遠不會離開攝像頭。

人工智能進化的環境影響

物聯網和 tinyML 的結合還將在幫助組織實現環境、社會和治理 (ESG) 目標方面發揮核心作用。環境監測項目利用物聯網技術來收集現場數據，如空氣質量、水質、噪音水平等。傳統上，掃描異常事件的數據需要將數據傳輸到云端并應用異常檢測算法。借助 tinyML，這些電池供電的物聯網設備可以在現場執行異常檢測和其他機器學習任務。這消除了將數據傳輸到云端進行分析而帶來的延遲，并延長了設備的電池壽命。

總結

在過去，將機器學習應用于這些微型設備幾乎是不可能的，因此，它只能在云中進行。隨著 tinyML 技術的成熟，數十億臺微型物聯網設備現在可以利用機器學習。物聯網和機器學習的融合為各種行業的許多新應用打開了大門。這反過來將增加物聯網技術的采用，并推動城市和其他傳統行業(如關鍵基礎設施、環境監測和交通)的數字化。（編譯：iothome）