試想，一輛正在急速前進(jìn)的自動(dòng)駕駛汽車(chē)，前方突然遇到障礙需要緊急剎車(chē)，這時(shí)它不可能把相關(guān)信息送到云端處理再反饋，否則等剎車(chē)指令下達(dá)的時(shí)候很可能已經(jīng)發(fā)生撞車(chē)事故了。

　　類(lèi)似的，在軋鋼這樣的工業(yè)場(chǎng)景中，軋機(jī)需要依靠多個(gè)伺服電機(jī)協(xié)同驅(qū)動(dòng)軋制過(guò)程，電機(jī)不能出現(xiàn)絲毫的偏差，否則可能導(dǎo)致整塊鋼板報(bào)廢。為了保證軋制精度，需要以毫秒級(jí)的數(shù)據(jù)采集頻率來(lái)監(jiān)測(cè)電機(jī)的運(yùn)轉(zhuǎn)是否正常，實(shí)時(shí)數(shù)據(jù)上云顯然也是來(lái)不及的。

　　除了時(shí)延，隱私安全近年來(lái)也成為個(gè)人和企業(yè)越發(fā)關(guān)注的問(wèn)題。比如，在傳統(tǒng)的人臉識(shí)別場(chǎng)景下，智能終端需要將收集到面部信息上傳到云服務(wù)器進(jìn)行處理，從而為數(shù)據(jù)泄露或被濫用埋下了隱患。而對(duì)企業(yè)來(lái)說(shuō)，商業(yè)隱私甚至關(guān)乎其生死存亡，因此大多數(shù)企業(yè)都不愿意把核心數(shù)據(jù)放在云平臺(tái)廠商的服務(wù)器上。

　　出于對(duì)時(shí)延和隱私的需求，邊緣智能的概念在近年來(lái)受到越來(lái)越高的認(rèn)同。正是看到了如此廣闊的市場(chǎng)機(jī)遇，包括互聯(lián)網(wǎng)廠商、IT企業(yè)、工業(yè)巨頭在內(nèi)的玩家紛紛入局該領(lǐng)域，Edge AI相關(guān)解決方案也在各行各業(yè)落地開(kāi)花。

　　然而，想搞邊緣智能容易，想搞好邊緣智能卻很難，想用邊緣智能創(chuàng)造出可觀的商業(yè)價(jià)值更是難上加難。

　　在此前的2021聯(lián)想創(chuàng)新科技大會(huì)上，聯(lián)想大腦Edge AI正式發(fā)布。近日，物聯(lián)網(wǎng)智庫(kù)等媒體和聯(lián)想集團(tuán)副總裁、聯(lián)想研究院人工智能實(shí)驗(yàn)室負(fù)責(zé)人范建平博士以及聯(lián)想商用IoT業(yè)務(wù)總經(jīng)理王磊就Edge AI的構(gòu)成機(jī)制、行業(yè)價(jià)值和布局思路進(jìn)行了深入溝通。

　　通過(guò)他們的分享，我們知道，要想讓Edge AI真正賦能千行百業(yè)，需要踩過(guò)技術(shù)、場(chǎng)景、商業(yè)等數(shù)個(gè)“大坑”，尤其要摒棄“拿著錘子找釘子”的行為。

　　踩過(guò)“技術(shù)”的坑：從云端到邊緣

　　通俗來(lái)講，傳統(tǒng)的云計(jì)算很像是自來(lái)水廠的供水模式，雖然需要計(jì)算資源的時(shí)候擰開(kāi)“水龍頭”就能按需取用，但是“集中式統(tǒng)一供水模式”也會(huì)存在很多問(wèn)題。

　　首先，每家每戶用水量的增加（數(shù)據(jù)量激增）使得水廠（云端）有些不堪重負(fù)；其次，水從水廠流到水龍頭需要一定的延遲時(shí)間（時(shí)延）；最后，一旦供水廠出現(xiàn)問(wèn)題，就會(huì)影響到整張供水網(wǎng)絡(luò)的運(yùn)作（隱私安全）。而邊緣智能則很像在靠近家庭水龍頭的地方安裝了一個(gè)“應(yīng)急水箱”，來(lái)應(yīng)對(duì)云端負(fù)載、時(shí)延和隱私等方面帶來(lái)的挑戰(zhàn)。

　　據(jù)范博士所述，Edge AI的部署需要先在云端預(yù)訓(xùn)練模型（Pre-train model），然后再下發(fā)到邊緣側(cè)，這就會(huì)涉及第一個(gè)技術(shù)難題——當(dāng)把在云端預(yù)訓(xùn)練的模型部署在邊緣側(cè)時(shí)，預(yù)訓(xùn)練模型和邊緣設(shè)備之間可能不是完全匹配。

　　形象點(diǎn)兒來(lái)說(shuō)，云端“水廠”的儲(chǔ)量很大，邊緣側(cè)“水箱”的儲(chǔ)量很小，部署Edge AI的過(guò)程需要涉及模型的量化、壓縮等操作。

　　至于模型和硬件相匹配的問(wèn)題，據(jù)悉，基于智能推薦算法，聯(lián)想如今已經(jīng)可以通過(guò)Edge AI平臺(tái)，給客戶提供最優(yōu)的AI模型和與硬件相匹配的方案，將硬件和軟件進(jìn)行良好的適配，讓軟硬件之間實(shí)現(xiàn)真正的協(xié)同。由此，客戶在開(kāi)發(fā)過(guò)程中甚至可以不用真正的硬件，而是通過(guò)仿真軟件去實(shí)現(xiàn)軟硬件的適配。

　　當(dāng)模型被部署到邊緣側(cè)以后，第二個(gè)技術(shù)難題又不約而來(lái)。這是因?yàn)椋茖W(xué)家在云端預(yù)訓(xùn)練模型的時(shí)候，收集的都是歷史數(shù)據(jù)，但實(shí)際應(yīng)用場(chǎng)景卻是千變?nèi)f化的。也就是說(shuō)，訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)可能完全不一樣，模型的訓(xùn)練環(huán)境和實(shí)際的運(yùn)行環(huán)境也可能完全不相同——如何在邊緣側(cè)更新模型成了關(guān)鍵。

　　顯然，任何模型的更新都需要數(shù)據(jù)作為支撐，但糟糕的是，在邊緣側(cè)卻往往很難收集到足夠多有效的樣本數(shù)據(jù)。以智能工廠的瑕疵檢測(cè)場(chǎng)景為例，我們不能指望產(chǎn)線80%都是廢品，如果這樣工廠早倒閉了。實(shí)際的廢品率可能只有千分之一甚至萬(wàn)分之一，所以模型能拿到的缺陷樣本數(shù)是非常少的。在這種情況下，AI必須能夠像人一樣，從小樣本中去學(xué)習(xí)。

　　為了解決這個(gè)問(wèn)題，聯(lián)想創(chuàng)新地將“數(shù)據(jù)增強(qiáng)”和“元學(xué)習(xí)”結(jié)合，打造了“小樣本終身學(xué)習(xí)技術(shù)”。

　　舉個(gè)通俗易懂的例子，學(xué)開(kāi)車(chē)。比如，你會(huì)開(kāi)小轎車(chē)，但需要學(xué)習(xí)開(kāi)大卡車(chē)。兩者雖然存在不少差異，但會(huì)開(kāi)小轎車(chē)的話，學(xué)開(kāi)大卡車(chē)總比從零開(kāi)始學(xué)更容易，因?yàn)橛行┗A(chǔ)可以借鑒。這就是meta learning（元學(xué)習(xí)）的原理。通過(guò)借鑒不同任務(wù)的相似之處，來(lái)實(shí)現(xiàn)任務(wù)層面的學(xué)習(xí)能力泛化，提升模型不斷適應(yīng)新任務(wù)的能力。

　　此外，聯(lián)想還通過(guò)原始樣本空間增強(qiáng)、模型特征空間中數(shù)據(jù)擴(kuò)充、風(fēng)格遷移等方式，擴(kuò)充了樣本容量，豐富了數(shù)據(jù)分布，進(jìn)一步提升了模型的學(xué)習(xí)能力，從而實(shí)現(xiàn)終身學(xué)習(xí)。

　　踩過(guò)“場(chǎng)景”的坑：摒棄“拿著錘子找釘子”

　　解決了技術(shù)上的問(wèn)題，并不意味著高枕無(wú)憂，甚至很多做技術(shù)的企業(yè)還會(huì)陷入“拿著錘子找釘子”的誤區(qū)——也就是拿著技術(shù)去找場(chǎng)景，這顯然是一種本末倒置的行為。工業(yè)領(lǐng)域存在很多典型的應(yīng)用場(chǎng)景，只要能切實(shí)解決客戶的痛點(diǎn)，幫助其提質(zhì)增效，就不愁沒(méi)有人買(mǎi)單。

　　而在場(chǎng)景方面，聯(lián)想天然具備優(yōu)勢(shì)。作為一家智能制造企業(yè)，聯(lián)想打造了全球化的生產(chǎn)基地布局，集團(tuán)在全球擁有35家制造工廠。過(guò)去幾年，聯(lián)想的各個(gè)工廠致力推進(jìn)產(chǎn)線的自動(dòng)化和數(shù)字化，積累了豐富的實(shí)踐經(jīng)驗(yàn)，這正是Edge AI落地最好的土壤。

　　范博士也分享了一些聯(lián)想的實(shí)踐案例。

　　在聯(lián)想深圳工廠為微軟生產(chǎn)服務(wù)器的時(shí)候，客戶的一個(gè)基本要求是生產(chǎn)區(qū)域不能有外部人員隨意進(jìn)入。傳統(tǒng)的做法是依靠人工坐在門(mén)口進(jìn)行監(jiān)控，但這種做法顯然費(fèi)時(shí)費(fèi)力，而且人總會(huì)有疲憊和需要休息的時(shí)候。Edge AI的解決方案則能輕易替代人工，實(shí)時(shí)監(jiān)控是否有非授權(quán)的人員進(jìn)入，而且由于數(shù)據(jù)保留在本地，也不會(huì)侵犯員工的隱私安全。

　　除了聯(lián)想自己的工廠，越來(lái)越多的客戶也正受益于此。例如，為保障印刷業(yè)的領(lǐng)軍企業(yè)高斯中國(guó)的順暢運(yùn)行，聯(lián)想從以前只賣(mài)PC，到后來(lái)提供邊緣計(jì)算設(shè)備，以及Leap IoT平臺(tái)等，實(shí)現(xiàn)了高斯中國(guó)的遠(yuǎn)程云管理，使得其設(shè)備故障率降低了50%，高斯員工的出差成本降低了65%，售后服務(wù)的客戶滿意度提升了80%。

　　“是歷史機(jī)遇選擇了聯(lián)想，而不是聯(lián)想在做選擇?！狈恫┦咳绱诵稳萋?lián)想在邊緣智能的布局。

　　根據(jù)Gartner的預(yù)測(cè)顯示，截止到2025年將會(huì)有75%的數(shù)據(jù)在數(shù)據(jù)中心和云之外的邊緣側(cè)產(chǎn)生。同時(shí)，未來(lái)邊緣計(jì)算市場(chǎng)規(guī)模將超萬(wàn)億，成為與云計(jì)算平分秋色的新興市場(chǎng)。在這樣的背景下，聯(lián)想入局邊緣智能恰逢其時(shí)——這是“天時(shí)”。

　　其次，聯(lián)想作為制造企業(yè)，自己有很多應(yīng)用場(chǎng)景，客戶也有很多應(yīng)用場(chǎng)景，聯(lián)想在服務(wù)客戶的過(guò)程中積累了許多洞察與經(jīng)驗(yàn)——這是“地利”。

　　最后，以范博士為代表的科學(xué)家團(tuán)隊(duì)始終專(zhuān)注于AI技術(shù)的研究，正如范博士所說(shuō)，“我們不是最聰明的一群人，也不是配置的最高的一群人，但是我們確實(shí)始終以客戶為己任。”——這是“人和”。

　　“天時(shí)地利人和”，賦予了聯(lián)想做好Edge AI的底氣。

　　踩過(guò)“商業(yè)”的坑：破解碎片化難題

　　有了技術(shù)并且找到了合適的場(chǎng)景，就意味著萬(wàn)事大吉嗎？答案依然是否定的。

　　即使是同一臺(tái)設(shè)備，在不同工況下其劣變程度都有可能不同，更何況是“隔行如隔山”的千行百業(yè)呢。邊緣智能的場(chǎng)景碎片化程度很強(qiáng)，需求非常復(fù)雜，隨定制化而變化，導(dǎo)致很多邊緣解決方案的通用性和復(fù)用性不夠強(qiáng)。

　　“如果一個(gè)場(chǎng)景一個(gè)場(chǎng)景（case by case）的去做，一定是死路一條?！狈恫┦恐毖裕奥?lián)想破解碎片化難題的做法是80%的底層技術(shù)依靠平臺(tái)實(shí)現(xiàn)，剩下20%左右是場(chǎng)景化的東西?！?/p>

　　從這個(gè)角度來(lái)說(shuō)，Edge AI更像是一個(gè)應(yīng)用商店，其中包含各種算法和模型，客戶可以靈活選擇，極大地減少開(kāi)發(fā)、設(shè)計(jì)等人力成本。

　　面向?qū)I技術(shù)本身有一定了解的客戶，聯(lián)想為其提供人員檢測(cè)、車(chē)流監(jiān)測(cè)、語(yǔ)音識(shí)別等基本模塊，開(kāi)發(fā)人員能夠以拖拽的方式如同搭積木一般快速組合自己的解決方案；面向沒(méi)有AI背景知識(shí)的客戶，集成商只需將自己的預(yù)算和場(chǎng)景輸入平臺(tái)，形成約束條件，平臺(tái)依然可以自動(dòng)生成相應(yīng)的解決方案。

　　換言之，聯(lián)想提供的只是底層的基礎(chǔ)能力，上層的應(yīng)用還需要生態(tài)系統(tǒng)里的萬(wàn)千客戶去依據(jù)需求構(gòu)建。

　　王磊則從另一個(gè)角度闡述了如何從定制化走向通用化：“最開(kāi)始我們?cè)谧鲰?xiàng)目，在做項(xiàng)目的過(guò)程中會(huì)有一些工具產(chǎn)生，當(dāng)把這樣的工具用于更多的項(xiàng)目時(shí)，工具就會(huì)變成通用的產(chǎn)品。產(chǎn)品再往上迭代，就是平臺(tái)了?？蛻綦m然是不同的，但我們會(huì)把共性的東西抽象出來(lái)，形成平臺(tái)和生態(tài)?！?/p>

　　目前，聯(lián)想Edge AI平臺(tái)已經(jīng)通過(guò)聯(lián)想企業(yè)科技集團(tuán)實(shí)現(xiàn)了產(chǎn)品化，推出了LiCO AI、AI一體機(jī)等功能強(qiáng)大的AI產(chǎn)品與解決方案，被廣泛應(yīng)用于人工智能數(shù)據(jù)中心、智能制造、工業(yè)物聯(lián)網(wǎng)、智慧城市、智能零售、智能音箱和智能家居等各個(gè)方面。在自動(dòng)駕駛領(lǐng)域，可以做到行人識(shí)別、車(chē)輛識(shí)別、信號(hào)燈識(shí)別等。

　　結(jié)語(yǔ)

　　智能化轉(zhuǎn)型非一朝一夕之事，更不能憑一己之力扭轉(zhuǎn)乾坤。聯(lián)想憑借商用IoT生態(tài)、聯(lián)合行業(yè)合作伙伴的力量，以及自身在硬件的定制化優(yōu)勢(shì)，通過(guò)Edge AI平臺(tái)算法能力和強(qiáng)大的服務(wù)體系，可以幫助用戶以更快、更好、更低成本的商業(yè)模式和技術(shù)形態(tài)，加速各行各業(yè)的邊緣智能化轉(zhuǎn)型，進(jìn)而全面撬動(dòng)數(shù)智新時(shí)代！