來源：內容由半導體行業觀察（ID：icbank）翻譯自「forbes」，作者Mohanbir Sawhney，謝謝。
傳統上人工智能是部署在雲上，因爲AI算法處理大量數據並消耗大量計算資源。但人工智能並不只存在于雲端，在許多情況下，基于人工智能的數據處理和決策需要在接近網絡邊緣設備的本地上進行。
邊緣的AI可以更快、更可靠、更安全地做出關鍵任務和時間敏感的決策。智能手機、智能手表以及安裝在機器和基礎設施上的傳感器等等，這些在網絡邊緣的智能設備的迅速增長推動了將人工智能推向邊緣的熱潮。
本月早些時候，蘋果斥資2億美元收購了Xnor，這是一家總部位于西雅圖的人工智能初創公司AI專注于低功耗機器學習軟件和硬件。而微軟提供了一個名爲Azure IoT Edge的綜合工具包，允許人工智能工作負載轉移到網絡邊緣。
人工智能會繼續向邊緣移動嗎?與雲中的人工智能相比，邊緣的人工智能有什麽優點和缺點?要理解人工智能的未來，有必要回顧一下計算的曆史，以及在四種計算範式下，鍾擺是如何從集中式智能轉向分散式智能。
集中與分散的
從計算的早期開始，設計的挑戰之一就是智能應該存在于網絡中。正如我2001年在《哈佛商業評論》上發表的一篇文章中所觀察到的，有一種從集中情報到分散情報的“情報遷移”——一個現在正在重複的循環。
計算機的第一個時代是大型機，智能集中在一個擁有所有計算能力的大型中央計算機上。在網絡的另一端是終端，它們基本上由一個綠色的屏幕和一個本身沒什麽智能的鍵盤組成，因此它們被稱爲“啞終端”。
計算的第二個時代是桌面計算機或個人計算機(PC)，它將大型機範式顛倒了過來。pc包含了本地存儲和計算的所有智能，甚至不需要連接到網絡。這種去中心化的智能帶來了計算的民主化，並導致了微軟和英特爾的崛起，其願景是讓每一個家庭和每一張桌子上都有一台個人電腦。
第三個計算時代稱爲客戶機-服務器計算，它在兩個極端的智能之間提供了一個折衷方案。大型服務器在後端完成繁重的工作，“前端智能”被收集並存儲在聯網的客戶端硬件和軟件上。
計算的第四個時代是雲計算範式，由亞馬遜的Amazon Web服務、Salesforce.com的SaaS(軟件即服務)産品和微軟的Azure雲平台等公司開創。雲提供了大規模的計算能力和非常便宜的內存和存儲。人工智能應用程序被安置在雲裏是有道理的，因爲在2012年到2019年間，人工智能算法的計算能力增加了30萬倍，每三個半月就翻一番。
鍾擺又擺動了
然而，基于雲的人工智能也有它的問題。首先，基于雲的人工智能會遭遇延遲——數據轉移到雲上進行處理，結果通過網絡傳輸回本地設備時的延遲。在許多情況下，延遲會産生嚴重的後果。例如，當一家化工廠的傳感器預測即將發生爆炸時，該工廠需要立即關閉。機場或工廠的安全攝像頭必須識別入侵者並立即做出反應。當人工智能算法預測即將發生碰撞時，自動駕駛汽車甚至不能等待十分之一秒來啓動緊急制動。在這些情況下，人工智能必須位于邊緣，在邊緣處可以更快地做出決策，而不需要依賴網絡連接，也不需要在網絡上來回移動大量數據。
鍾擺再次擺動，從集中到分散的智能，正如我們看到40年前從主機計算到桌面計算的轉變。
然而，正如我們在個人電腦上發現的那樣，要想轉到邊緣並不容易。相機、傳感器或智能手機的計算能力是有限的。此外，網絡邊緣的許多設備沒有連接電源，這就帶來了電池壽命和散熱問題。特斯拉、ARM和英特爾等公司正在應對這些挑戰，因爲它們正在開發更高效的處理器和更精簡的算法，不需要使用那麽多的電力。
但人工智能在雲中的表現仍有好一些的時候。當決策需要巨大的計算能力，不需要實時做出決定時，人工智能應該留在雲中。例如，當人工智能被用于解釋核磁共振掃描或分析農場上空無人機收集的地理空間數據時，我們可以利用雲的全部力量，即使我們必須等待幾分鍾或幾個小時才能做出決定。
訓練與推理
判斷人工智能應該存在于何處的一種方法是，理解人工智能算法中的訓練和推理之間的區別。當人工智能算法被建立和訓練時，這個過程需要大量的數據和計算能力。要教會一輛自動駕駛汽車識別行人或紅綠燈，你需要向算法輸入數百萬張圖像。然而，一旦該算法被訓練，它可以執行“推斷”——局部觀察一個對象，以確定它是否是行人。在推理模式下，該算法利用其訓練在網絡邊緣做出較少計算密集型的決策。
雲中的人工智能可以與邊緣的人工智能協同工作。考慮一下像特斯拉這樣的人工智能汽車。邊緣的人工智能能實時做出無數決定，比如刹車、轉向和換道。晚上，當汽車停好並連接到Wi-Fi網絡時，數據會上傳到雲端，以進一步訓練算法。然後，更智能的算法可以通過雲端下載到車上，這是一個良性循環，特斯拉已經通過基于雲的軟件更新重複了數百次。
擁抱“和”的智慧
雲計算將需要人工智能，就像有更多理由將人工智能置于邊緣一樣。這不是一個非此即彼的答案，而是一個“和”。人工智能將出現在它需要出現的地方，就像智能將出現在它需要出現的地方一樣。我看到人工智能正在進化成“環境智能”——分布式的、無處不在的和相互連接的。在對未來的展望中，邊緣智能將補充雲中的智能，從而更好地平衡集中式計算和本地化決策的需求。