Innodisk：边缘人工智能的内存和存储解决方案白皮书

 执 行 摘 要 

人工智能（AI）和物联网（IoT）正在融入我们所定义的AIoT。通过边缘计算，计算能力正在向物联网设备收集数据的边缘转移。人工智能是高效数据处理和降低延迟的下一个合乎逻辑的步骤，同时为边缘领域的创新解决方案打开了大门。 

发生这种人工智能计算的边缘条件是不同的，任何设备都必须考虑到这一点。本文根据这些人工智能边缘应用对优化存储和内存解决方案的需求，解释了这些趋势。

 介 绍 

我们正进入技术创新的新时代。物联网的概念已经存在很长一段时间了，特别是在我们快速发展的技术背景下。物联网融合了物理和数字融合的精神；数据是从越来越多的设备中收集的，然后被聚合成通常所称的大数据。这些设备的数量继续增长，预计到2020年将达到惊人的500亿台。

这些设备收集的数据在试图传输到集中位置（如云端）时经常会遇到延迟的问题。尽管连接速度在稳步增长，但无法跟上数据的成倍增长。如果不处理，这意味着延迟将增加，整个系统性能将受到影响。

这是人工智能可以做出重大贡献的领域之一。此外，它还开启了新的技术创新，如将城市交通简化为公共安全和加强金融服务。

从根本上说，AIoT需要能够处理边缘的挑战性和多样性条件的组件。这些场景可以是任何东西，从车载车辆和飞机到工厂或沙漠中的石油设施。这需要一种灵活的、适应性强的零部件制造方法。人工智能还承诺在决策时减少人为因素的影响。这给系统集成商带来了更大的压力，因为去除了人为因素，就不一定有明显的罪魁祸首，他们要确保质量控制，以避免发生人工智能事故。

 背 景 

     让我们首先来定义一下物联网、人工智能和边缘计算的概念：

/  物联网（IoT）/

物联网是指“事物”通过网络（通常是互联网）互联的趋势。在这种情况下，“事物”不一定指单独的电子设备；它们也可以指可穿戴电子设备，甚至是穿戴或植入了医疗设备的人。基本上，每个设备都可以以某种方式在网络中传输数据。

/  人工智能（AI） /

我们所指的人工智能符合“狭义人工智能”的概念。这指的是能够执行一组特定任务的程序或系统，而不需要任何直接的人为输入，这跟我们在科幻小说里熟悉的恐怖片段“通用人工智能”不同。“狭义AI”的当前示例是通过机器学习实现的文本，图片和语音识别。这样的人工智能系统已经经历了数千甚至数百万的不同数据，并学会了如何区分不同的输入。

但不管它的预测变得多么复杂，它仍然局限于它所训练过的这个狭窄的功能。如果有任何东西超出了这个范围，那么人工智能将显得无用武之地。接受过识别手写数字训练的人工智能可以学习它的任务，并很容易取代人类的能力，但在给定任务（如识别字母）时，它将完全无用。

/  边缘计算（Edge Computing） /

物联网的最初想法是将数据发送到一个中心位置或云，以进行处理和分析。然而，随着设备数量呈指数级增长，许多应用程序已到达一个模块，在该模块中来回传输的大量数据会导致严重的延迟问题。

边缘计算通过在边缘处理更多的数据来解决这个问题。通过这种方式，设备可以自行决定哪些内容需要发送到云端，哪些内容可以被过滤掉。这个概念仅仅意味着将计算能力转移到“边缘”，在那里互联网连接到各种设备，即实际收集的位置数据。

（边缘计算为边缘位置添加了一个额外的模块以减少延迟）

挑 战 

01

物联网的局限

物联网的结构只收集很少或部分计算的数据。这意味着数据会被批量发送到云端进行分析。然而，所有数据的价值并不相同。以安全录像为例，有价值的是有人或物体在移动的镜头，而背景不变的静止镜头则不那么有价值。在这种情况下，将所有数据发送到云端进行分析将浪费可能用于其他应用程序的大量带宽。

02

计算能力和恶劣环境

边缘的人工智能可能需要大量的计算能力来确保足够的性能。但是，标准的存储和内存组件可能提供所需的性能，但在特定场景下无法处理恶劣条件。例如，路侧交通监测将经历从白天到晚上、从夏季到冬季的温度循环，车内系统必须与冲击和振动相抗衡，工业环境的污染水平也有所提高等。

 解 决 方 案 

01

人工智能平台

在谈到AIoT时，我们通常指的是位于边缘的人工智能平台。这通常采用小型工控机和内置工业级CPU的形式。对于实时数据分析，这种CPU需要以闪存和DRAM的形式提供足够的支持。

02

工业级内存和存储组件

工业级内存和存储组件对于解决在边缘实现人工智能的问题至关重要。要解决的主要问题是探索和识别数据收集的每个位置存在的风险。

然后，可以定制组件以满足应用程序的特定需求。让我们来看看在现实场景中如何实现这一点的一些例子：

2.1 城市交通监控

我们的城市通过向外和向上扩展（通过建筑物的高度增长）在三维空间中发展。然而，道路仍然主要局限于平面，这导致随着城市规模的扩大，交通拥堵加剧。

基于实时数据监控和改变交通流量，可以显著提高效率，减少拥堵。这可以通过在整个城市战略部署监视装置来实现。

第一步分析由边缘的本地人工智能平台处理。这包括车辆识别和交通流量评估。因此，每个装置都可以自行决定如何根据分析处理数据，即车辆数量是否增加，是否存在拥挤的风险？任何必要的数据都可以发送到一个集中的平台（云端），在那里可以根据数据采取诸如重定向流量、改变速度限制和调整交通灯等措施。

2.2 车队管理和人工智能

人工智能可以显著优化车队管理操作。监控一个庞大的车队可能很困难，但有许多方法来处理运营：降低燃油成本、车辆维护、缓解不安全驾驶行为等。

目前的定位系统大多依靠GPS，无法解决某些问题。例如，进入隧道会使GPS变得毫无用处，系统将不知道车辆的位置。当在建筑物内或卫星覆盖率较差的其他区域内行驶时，城市也会发生这种情况。系统也很难确定车辆的高度。

但是，还有其他的数据来源可以给我们提供一个关于车辆位置的指针：首先，可以持续监控和记录车辆的速度和转弯率。车载人工智能平台可以通过这些参数补偿不完整的GPS数据来计算车辆在任何时间点的位置。这项技术被称为汽车航位推算，或DR（Dead Reckoning）。最后，数据可以通过无线网络传输回运营商。

2.3 自动输送机器人

当我们将人为因素从车辆中去除时，我们遇到的主要问题是不断变化的交通状况，其中充满了意想不到的因素。因此，自主车辆必须能够在其路径发生任何突然变化的情况下进行分秒决策。机器人拥有许多传感器，它们收集各种数据，这些数据必须在任何时候被处理成整体情况的连贯图像。在这种情况下，依赖云是没有希望的，因为延迟肯定意味着在数据准备好并做出决定时，已经太迟了。

处理这些复杂计算的机载人工智能平台依赖于在任何天气和物理条件下工作而性能没有任何下降的组件。为避免涉及自动驾驶车辆的事故，谨慎的做法是，设备运行时故障概率最小，并有足够的备用设备。

 总 结 

人工智能将继续存在，随着其在物联网中的作用的增长，我们必须寻找智能解决方案来缓解这种转变。此外，在许多场景中，人工智能将取代人类操作员，进一步强调需要能够处理任何相关环境问题的强大系统。

通过工业级内存和存储解决方案为人工智能平台供电是确保硬件能够完成任务的方法，也是构建未来物联网的关键组件之一。