引言
IoT是(Internet of Things)的简称，也就是人们常说的物联网；随着智能硬件的发展和推广，制造成本也随之下降，很多的厂家也慢慢地拥抱网络互联，逐步实现设备互联，也就进入了人们常说的万物互联时代。虽然现在的设备能根据设定的逻辑实现设备控制，但是这类逻辑是已经定死，就像"专家系统"一样，都是靠专家的知识来判断，导致设备联动较为简单，用户的使用体验远远不能满足。
很久之前深度学习和机器学习的理论就已经被提出来，但由于受到算力和数据的限制，并没有得到良好的发展。随着GPU等计算力的突破，算力得到了满足，并且也碰上了大数据时代，所以人工智能发展在当前时代得到了历史性的大爆发。在IOT行业的发展中也积累了很多的数据，如果把这些数据注入到人工智能模型中，对于设备联动，设备检测等方面也可以提高系统的智能力。
目前在自然语言处理领域，微软推出来ChatGPT系列模型，这类模型提供了超强的语义理解。它可以理解语言的含义，并且能根据对话的上下文来提出更好的建议。比如当回到家里，说一下，今天好累呀，ChatGPT就可以帮忙你打开屋内的灯光，关闭窗帘、调节空调温度。今天应该怎么准备晚餐呢？，它可以帮你调节厨房的灯光，温度，生成菜谱。
在IOT存在两个角色：边端、云端，那如果在引入AI时，边端和云端需要做好那些工作呢？
云计算和边缘计算
如上图所示是一张云端、边端交互示意图。边端可以直接和设备实现有线互联，可以实现有线连接、而云端需要通过互联网进行连接。
根据和设备交互方式的不同，其处理的场景也存在差别，对于边端是有线连接，其没有网络延迟，可以提供实时、智能、高质量的应用，比如现在智能汽车上的自动驾驶系统就对实时处理有着非常高的要求，除了网络的需求，其对自身的计算和处理能力也要求极高，因此该方案的成本也非常的高。
如果对于实时性要求并不高，使用云端计算是另一种降本的方式，因为云端拥有极为丰富的存储资源，可配置的算力，其使用成本远低于边端芯片的成本，比如对于天气预测，或者用户自己使用设备的习惯，这些都可以在云端计算好，再推给设备，有效降低了边端计算的压力；而且，边端计算往往只能管理本地信息，使用的资源也非常有限。因此对于一个AIOT系统，需要根据使用的场景整合云端和边端的算力。
结语
综上所述：
云端可以深入全球大数据分析，适应对延迟不敏感的数据处理场景，而边端专注于本地、小规模、实时和按需任务。云边缘终端协作实现终端设备，充分利用边端和云中心的计算资源，最大限度地减少服务延迟。
6001
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
