物聯(lián)網(wǎng) （IoT） 被吹捧為下一次工業(yè)革命，它具有普遍的連接性和它可以產(chǎn)生的洞察力，為查看和管理物理世界提供了一個(gè)新的數(shù)字鏡頭。但除了物聯(lián)網(wǎng)預(yù)期的切實(shí)流程效率和生活質(zhì)量改善之外，它也是人類歷史上最偉大成就的墊腳石：人工智能 （AI）。

在許多方面，人工智能和物聯(lián)網(wǎng)的技術(shù)進(jìn)步是交織在一起的。物聯(lián)網(wǎng)將提供推動(dòng)我們數(shù)據(jù)驅(qū)動(dòng)型經(jīng)濟(jì)的信息，而人工智能則是消耗它的引擎。盡管這兩種范式仍處于起步階段，但每個(gè)范式的成功都取決于另一個(gè)：如果沒(méi)有自動(dòng)處理大型異構(gòu)數(shù)據(jù)集的機(jī)制，物聯(lián)網(wǎng)永遠(yuǎn)無(wú)法發(fā)揮其潛力，就像人工智能在沒(méi)有大量數(shù)據(jù)的情況下無(wú)法擴(kuò)展一樣。

然而，與許多其他支持物聯(lián)網(wǎng)的技術(shù)一樣，人工智能研究和開(kāi)發(fā)在很大程度上僅限于 IT 領(lǐng)域，因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò) （CNN）、隱馬爾可夫模型 （HMM）、自然語(yǔ)言處理和其他學(xué)科的復(fù)雜性在機(jī)器學(xué)習(xí)算法和深度神經(jīng)網(wǎng)絡(luò) （DNN） 的創(chuàng)建需要通常只能在數(shù)據(jù)中心規(guī)模上訪問(wèn)的存儲(chǔ)和計(jì)算資源。同樣，編程方法已針對(duì) IT 開(kāi)發(fā)人員進(jìn)行了調(diào)整， R、Python、SQL、Excel、RapidMiner、Hadoop、Spark 和 Tableau 等工具是AI 領(lǐng)域的數(shù)據(jù)分析師和計(jì)算機(jī)科學(xué)家最廣泛使用的工具（圖 1 ）。

【圖1 | 2016 年對(duì)數(shù)據(jù)分析師和科學(xué)家的民意調(diào)查顯示，R、Python 和 SQL 作為機(jī)器學(xué)習(xí)的軟件工具和庫(kù)繼續(xù)受到關(guān)注。圖表由 KDnuggets 提供。］

物理/數(shù)字交換中人工智能和數(shù)據(jù)收集之間的差距是物聯(lián)網(wǎng)的常見(jiàn)并發(fā)癥，物聯(lián)網(wǎng)剛剛開(kāi)始推動(dòng) IT 和運(yùn)營(yíng)技術(shù) （OT） 的集成。盡管如此，這是一個(gè)必須彌合的鴻溝。

嵌入式物聯(lián)網(wǎng)的人工智能

2014 年，隨著NVIDIA Jetson TK1 平臺(tái)的發(fā)布，AI 最早涉足 OT 領(lǐng)域之一?；?a href="http://www.www27dydycom.cn/tags/te/" target="_blank">Tegra K1 片上系統(tǒng) （SoC）及其 192 核 Kepler GPU 和四核 ARM Cortex-A15， Jetson TK1 為計(jì)算機(jī)視覺(jué)、機(jī)器人和汽車應(yīng)用帶來(lái)了數(shù)據(jù)中心級(jí)的計(jì)算性能，同時(shí)也為嵌入式工程師提供了CUDA 深度神經(jīng)網(wǎng)絡(luò) （cuDNN） 庫(kù)的開(kāi)發(fā)平臺(tái)。cuDNN 原語(yǔ)支持 DNN 訓(xùn)練和推理所需的激活函數(shù)、前向和后向卷積、歸一化和張量變換等操作，并且該技術(shù)與 Jetson TK1 的 10 W 功率包絡(luò)相結(jié)合意味著深度學(xué)習(xí)框架，如Caffe和Torch可以在較小的 OT 設(shè)備上訪問(wèn)和執(zhí)行。

今天，這一基礎(chǔ)工作得到了擴(kuò)展，作為 Jetson TK1 的繼任者，Jetson TX1 模塊系統(tǒng) （SoM）包含 256 個(gè) CUDA 內(nèi)核、一個(gè) ARM Cortex-A57 CPU，并且能夠提供 1 TFLOPS 的性能。機(jī)器學(xué)習(xí)工具和庫(kù)也可以通過(guò)NVIDIA JetPack 2.3得到更廣泛的使用，它是原始 cuDNN 庫(kù)集的演變，通過(guò)打包CUDA Toolkit 8開(kāi)發(fā)環(huán)境以使用 C 和 C++ 構(gòu)建基于 GPU 的應(yīng)用程序，更好地服務(wù)于 OT 開(kāi)發(fā)人員；相機(jī)和 Video4Linux2 （V4L2） API；TensorRT推理引擎和 cuDNN 5.1，它現(xiàn)在支持循環(huán)神經(jīng)網(wǎng)絡(luò) （RNN） 和長(zhǎng)短期記憶 （LSTM） 網(wǎng)絡(luò)。如圖 2 所示，NVIDIA 基準(zhǔn)測(cè)試表明，Jetson TX1 和 JetPack 2.3 中的優(yōu)化與運(yùn)行類似深度學(xué)習(xí)工作負(fù)載的 CPU 相比，能效提高了 20 倍，同時(shí)在典型負(fù)載下仍保持 8-10 W 功耗TX1。

【圖2 | 在運(yùn)行類似的 GoogleNet 深度學(xué)習(xí)推理負(fù)載時(shí)，NVIDIA Jetson TX1 可以提供高達(dá)英特爾酷睿 i7 處理器 20 倍的能效。］

從未停止學(xué)習(xí)

隨著物聯(lián)網(wǎng)為人工智能革命產(chǎn)生數(shù)據(jù)，監(jiān)控機(jī)器學(xué)習(xí)技術(shù)進(jìn)展的需求也變得很明顯。這不僅可以確保具有學(xué)習(xí)能力的智能系統(tǒng)正確地追求其教育目標(biāo)，而且還可以確保人類開(kāi)發(fā)人員正確地改進(jìn)機(jī)器學(xué)習(xí)所基于的底層框架和庫(kù)，以實(shí)現(xiàn)預(yù)期目標(biāo)。

審核編輯：郭婷