邊緣人工智能的采用在眾多行業中呈上升趨勢。隨著這種趨勢的持續下去，其將不僅為企業而且為社會帶來變革。

邊緣計算的去中心化方法減輕了數據擁塞、連接故障和傳輸成本等限制。這極大地提高了人工智能應用程序的性能，從而可以更快、更可靠地做出決策。

邊緣人工智能的優勢在于后勤和技術。在難以到達的位置，如石油鉆井平臺，邊緣人工智能可以識別表明風險增加的模式，并做出相應的反應，以防止潛在的危險情況。在農業方面，通過使機器能夠根據環境條件自主決策，農民將能夠最大限度地提高產量。

社會也將從中獲益。想象一下，無人機群能夠在崎嶇的山區進行搜索和救援行動，使用多個傳感器來檢測形狀、聲音、熱量或運動，識別生命跡象。

隨著邊緣計算的普及，人工智能的應用也隨之增長。但如果邊緣人工智能要蓬勃發展，還有許多技術障礙需要克服。

邊緣的障礙

也許邊緣人工智能的最大限制因素來自邊緣設備通常很小，計算能力有限。其性能與數據中心甚至強大的桌面GPU的性能相差甚遠。然而，通過使用特殊的人工智能技術，如模型縮小和量化，適合小型設備的有限模型可以提供許多有用的功能。

其他挑戰來自邊緣計算項目通常在難以到達或遠程位置操作的事實。為這些設備提供電源和連接可能很困難，并且滿足物聯網標準以確保這些設備可以相互通信并不總是那么簡單。

第三個挑戰是，雖然邊緣人工智能本身對互聯網的依賴有限，但許多個人邊緣設備，如可穿戴設備，將希望支持需要一定云連接的應用，這帶來了風險因素。

然而，這些挑戰并非不可克服。一系列電源和連接解決方案可以提供幫助，包括長壽命電池、5G連接和低功耗硬件架構。

AI芯片挑戰

邊緣人工智能項目面臨的主要障礙是人工智能芯片的成本、性能和功耗要求。在某些工業場景中，所涉及的物聯網設備數量可能會將芯片需求擴展到數十萬個，從而導致項目成本飆升。

如此大規模的部署需要對成本-性能比進行細致的評估，以目前的價格，這可能是令人望而卻步的。在看到這些人工智能計算因素的顯著改善之前，我們可能只會看到解決問題能力有限的小規模模型。

實現教育優勢

另一個重大挑戰是找到一種方法來訓練所有這些自主人工智能設備。生成式人工智能(GAI)的最新發展表明，GPT等系統正在互聯網上提供的超大數據集上進行訓練。這需要付出大量努力來收集和處理數據。為了在邊緣做出明智的決策，需要滿足對足夠數量的數據的需求。

然而，如果我們再次審視GAI最近的發展，解決方案可能已經顯現出來。一種方法可能是利用生成模型的能力，根據提供的一些示例生成大量合成訓練數據，然后使用這些數據更快地訓練較小的模型。另一種方法，也許更進一步，是直接在實時訓練數據(如果可用)上訓練大型生成模型，然后用其來訓練較小的邊緣人工智能模型。

這種方法已經取得了成果，正如Orca 13B所見，這是一個較小的模型，可以從中學習更大的基礎模型，例如GPT-4，并且正在產生非常相似的結果。許多近期人工智能發展的觀察家聲稱，我們正處于小型專用人工智能模型“寒武紀大爆炸”的邊緣。這些可以嵌入到邊緣設備中，為特定任務提供卓越的能力。

機器對機器學習

更快學習的另一個途徑是從集中式系統管理一組相互連接、自我改進的人工智能邊緣設備。在許多情況下，一個可行的解決方案是擁有可以在“執行任務”時增量訓練的模型，并且可以共享重要的發現。

與在企業或行業中共享最佳實踐類似，機器可以幫助識別指導行為的模式。

由智能中央實體控制的自主機器艦隊的概念可能類似于反烏托邦科幻小說故事。因此，與涉及人工智能的任何事情一樣，需要施加行為參數。

在不遠的將來，自動化邊緣設備完全有可能具有相互學習的能力。這將使其有能力代表我們做出越來越明智的決策，這將對行業和社會產生變革性影響。