AIoT智聯(lián)網(wǎng)是AI（人工智能）和IoT（物聯(lián)網(wǎng)）技術在實際應用中的落地融合。近年來，智聯(lián)網(wǎng)AIoT一詞熱度劇增，她正在以極快的速度從襁褓中的嬰兒長大成人。
昨天，All inAIoT還是單個企業(yè)的市場宣言；今天，AIoT in All已經(jīng)成為各行各業(yè)嘗試轉型以及尋找下一增長點的主力。
根據(jù)中國信息通信研究院統(tǒng)計預測數(shù)據(jù)顯示，2020年全球人工智能市場將達到6800億元人民幣。據(jù)研究機構Markets and Markets在2019年發(fā)布的報告稱，2019年全球AIoT市場規(guī)模為51億美元。到2024年，這一數(shù)字將增長至162億美元，復合年增長率為26.0%。
AIoT的成熟，一方面需要企業(yè)的重視與投入，另一方面需要技術的支撐與迭代。上周，我們談到阿里投百億加速AIoT布局的“大手筆”；這周，我們來看看AIoT的領域吹起的技術“新風向”。
在文章《一文讀懂即將引爆的TinyML：在邊緣側實現(xiàn)超低功耗機器學習》中，我曾經(jīng)介紹過一個新趨勢：TinyML，并提到將會持續(xù)追蹤TinyML的進展。
TinyML是指在毫瓦（mW）功率范圍以下的設備上，實現(xiàn)機器學習的方法、工具和技術。這里的關鍵詞是“毫瓦功率范圍以下的設備”。TinyML功耗極低，不僅適用于邊緣硬件，還可用于物聯(lián)網(wǎng)終端設備，支持各種不同的電池驅動的設備，和需要始終在線的應用。
這些設備包括智能攝像頭、遠程監(jiān)控設備、可穿戴設備、音頻采集硬件以及各種傳感器等…TinyML是一個新興領域，是快速增長的機器學習技術和應用，是一片巨大的、未被充分開發(fā)的藍海。
最近TinyML與AutoML正在快速融合，構建嵌入式自動化機器學習算法，發(fā)揮更大的效力。
AutoML全稱是Automated Machine Learning，自動化機器學習，這是2014年以來，機器學習和深度學習領域最炙手可熱的領域之一。
我們都知道，機器學習的應用需要大量的人工干預，這些人工干預表現(xiàn)在：特征提取、模型選擇、參數(shù)調節(jié)等各個方面。AutoML試圖將這些與特征、模型、優(yōu)化、評價有關的重要步驟進行自動化地學習，使得機器學習模型無需人工干預即可被應用。
就在今年3月，谷歌證明了AutoML可以走得更遠。根據(jù)谷歌已將代碼開源的AutoML-Zero，如今有可能僅使用基本的數(shù)學運算作為構建塊，就可以自動“進化”為完整的機器學習算法。
因此本文將介紹TinyML與AutoML相結合的最新進展，值得你關注的包括：
TinyML與AutoML“攜手”的最大價值體現(xiàn)在哪里？
嵌入式自動化機器學習算法的具體應用場景有哪些？
這個領域的初創(chuàng)公司和各類資源的情況如何？
01
TinyML+ AutoML的價值何在？
21世紀最性感的工作是什么？
你可能已經(jīng)腦補了五花八門的答案，但《哈佛商業(yè)評論》（Harvard Business Review）認為是“數(shù)據(jù)科學家”。HBR在文章中寫道，“如果‘性感’意味著擁有非常搶手的稀有品質，那么數(shù)據(jù)科學家就是。”
數(shù)據(jù)科學家很難招到、工資很高、更難留住，這也許是每個試圖嘗試AI應用的物聯(lián)網(wǎng)企業(yè)都會頭疼的問題。
數(shù)據(jù)顯示，在2018年，初級數(shù)據(jù)科學家的平均工資為11.5萬美元/年，能夠管理10至15人團隊的數(shù)據(jù)科學家則可以拿到35萬美元的年薪。
2019年，全球對數(shù)據(jù)科學家的需求量是供應量的1.5倍。超過40%的公司認為招聘不到數(shù)據(jù)科學家是嚴重阻礙他們競爭力的原因之一。超過60%的公司試圖通過內(nèi)部培訓，讓現(xiàn)有員工變身成為數(shù)據(jù)科學家。
在物聯(lián)網(wǎng)領域，數(shù)據(jù)科學家除了稀有，還面臨另一個問題：在物聯(lián)網(wǎng)終端，很多AI絕技無法施展。分布最廣的物聯(lián)網(wǎng)設備往往體積很小、電量有限。它們被作為終端硬件，通過嵌入式傳感器采集各種數(shù)據(jù)；計算能力有限，對功耗極為敏感。物聯(lián)網(wǎng)領域占比超過95%以上，都是需要超低功耗、占用極少存儲空間、完成實時數(shù)據(jù)處理的場景。能夠在這類設備上實現(xiàn)機器學習的人才，更是精英中的高階精英。
TinyML與AutoML“攜手”，就是試圖讓物聯(lián)網(wǎng)領域的機器學習，突破人才稀缺和硬件受限的掣肘，讓機器學習算法在物聯(lián)網(wǎng)終端自我進化，讓非技術人員可以輕松的使用人工智能進行數(shù)據(jù)分析，讓原本“物以稀為貴”的機器學習以親民的方式“飛入百姓家”。
TinyML在《一文讀懂即將引爆的TinyML：在邊緣側實現(xiàn)超低功耗機器學習》中已有詳細介紹，此處重點來說AutoML。
02
什么是AutoML？
為了更好的理解AutoML，清華校友翟偉所在公司Qeexo通過一個有趣的對比進行了解釋。
在某種程度上，人工智能與印刷術非常相似，它們的誕生都是人類歷史上的巨大轉折，而且演進過程也有一定的可比性。
印刷術發(fā)明之前，文化的傳播主要靠手抄的書籍。手抄費時、費事，又容易抄錯、抄漏，既阻礙了文化的發(fā)展，又給文化的傳播帶來不應有的損失。
就像在人工智能誕生之前，工程師們要自己寫計算程序完成數(shù)據(jù)分析，不僅效率低而且有可能存在很多誤判。
印章和石刻給印刷術提供了直接的經(jīng)驗性啟示，用紙在石碑上墨拓的方法，直接為雕版印刷指明了方向。
雕版印刷的版料，一般選用紋質細密堅實的木材，然后把木材鋸成一塊塊木板，把要印的字寫在薄紙上，反貼在木板上，再根據(jù)每個字的筆劃，用刀一筆一筆雕刻成陽文，使每個字的筆劃突出在板上。木板雕好以后，就可以印書了。
就像在人工智能的初始階段，工程師們?yōu)槊總€用例，從零開始寫機器學習的代碼，一個用例對應一塊“雕版”，在不同用例之間代碼很難重復利用，靈活性差、對工程師的技藝要求高。
活字制版避免了雕版的不足，只要事先準備好足夠的單個活字，就可隨時拼版，大大地加快了制版時間?；钭职嬗⊥旰?，可以拆版，活字可重復使用，且活字比雕版占有的空間小，容易存儲和保管。這樣活字的優(yōu)越性就表現(xiàn)出來了。
就像隨著人工智能的發(fā)展，工程師們開始使用解耦的思維，使用現(xiàn)有的機器學習模塊與框架活用拼湊AI。這個階段開發(fā)一個上手的應用或許很簡單，但是要開發(fā)真正的產(chǎn)品卻很難，需要一個團隊的專業(yè)人士，花費幾個星期的時間完成。
而現(xiàn)在，我們每個人都知道如何使用電腦打字，并使用打印機將文稿印出。
AutoML就是試圖將人工智能也帶入到同樣階段的做法，讓一位非專業(yè)人士，花費幾分鐘的時間，即可完成多個人工智能模型。在這個階段，合適的AutoML工具是關鍵。
谷歌最近發(fā)布了一篇論文名為《AutoML-Zero：從零開始的自動機器學習》，AutoML-Zero:Evolving Machine Learning Algorithms From Scratch。
AutoML-Zero這個名字難免讓人產(chǎn)生聯(lián)想。當年AlphaGo戰(zhàn)勝了人類最強棋手，但前提是它先學會了人類棋譜，離不開人類指導。接著谷歌又推出了AlphaGo Zero，只讓AI知道圍棋規(guī)則，從零開始學下棋，結果再次登上棋藝頂峰。
AutoML-Zero似乎想要證明，既然AI能從零學習圍棋，也可以從零開始摸索機器學習算法。
谷歌這篇論文的全文可以通過文末的提示下載閱讀。
現(xiàn)在谷歌已將AutoML-Zero的開源程序提交到GitHub，普通電腦只需5分鐘就能體驗一下它的實際效果。GitHub網(wǎng)址：
https://github.com/google-research/google-research/tree/master/automl_zero
03
應用場景有哪些？
目前一些智能可穿戴設備，包括智能耳機和智能手表已經(jīng)在使用相關技術。通過加速度傳感器和陀螺儀輔以相應的嵌入式自動化機器學習算法，可以更好的分析用戶行為，并且支持自定義手勢創(chuàng)建、情境感知、活動分類、步態(tài)分析，提供更加貼合用戶自身的服務。
智能家居也是應用場景之一。智能水壺和智能灶臺可以通過聲學傳感器和算法，檢測水是否燒開、燒開的水是否溢出、壺和鍋的溫度有沒有過高。還可以監(jiān)測智能微波爐中的玉米花是否爆開，以便及時關閉設備。
當然，你也許會想，這些場景都是“小兒科”，只有在最復雜的工業(yè)場景中實現(xiàn)應用，才能驗證“TinyML+AutoML”嵌入式自動化機器學習算法真正有效。如你所料，有些企業(yè)正在將嵌入式機器學習自動算法用于預測性維護。
對于預測性維護（PDM）的發(fā)展階段進行簡單劃分，可分為4個階段：
PDM 1.0—反應性維護：當問題出現(xiàn)時再來解決它，例如救火。
PDM 2.0—預防性維護：包括外觀檢測，以及能夠提供更具體、更客觀的有關機器或系統(tǒng)狀況相關信息的定期資產(chǎn)檢測。
PDM 3.0—基于規(guī)則的預測性維護：也就是“狀態(tài)監(jiān)測”。傳感器持續(xù)收集來自設備的數(shù)據(jù)，并根據(jù)預先設定的規(guī)則，包含在預先設定的臨界值出現(xiàn)時發(fā)出警報。
PDM 4.0—基于機器學習的預測性維護：依靠大量的歷史數(shù)據(jù)或者測試數(shù)據(jù)，結合為不同情境定制的機器學習算法，預測錯誤出現(xiàn)的時間和位置，然后發(fā)出警報。
PDM 4.0是通過先進的分析技術對資產(chǎn)的技術條件、使用、環(huán)境、維修歷史、其他類似設備以及任何可能與之相關的大數(shù)據(jù)進行分析，預測未來將會發(fā)生的故障，并最終制定出最有效的預防措施。
在這個過程中，聽聲能力很重要，就像維護維修專家能夠通過汽車引擎的聲音，來診斷車輛的問題一樣，工業(yè)設備如果擁有了一雙遠程的“順風耳”，結合振動分析，就可以讓PDM方案更精確。聲音同樣還能被用于診斷液體泄露、管道腐蝕和液位測量。
PDM4.0還面臨一個規(guī)?；瘧玫木骄?，由于每個設備的安裝條件、載重性能和外部環(huán)境都不相同，單一的AI模型可能無法在類似的電機上批量復制。
TinyML+AutoML使用時間序列傳感器，包括模擬和數(shù)字麥克風，可以自適應的創(chuàng)建AI模型。通過聲音傳感與分析，有助于識別預測性維護應用的問題。
04
初創(chuàng)公司&各類資源
關于TinyML+AutoML，有很多現(xiàn)成的工具和軟件可以使用，物聯(lián)網(wǎng)企業(yè)不需要招聘昂貴的數(shù)據(jù)科學家，也不需要擴充團隊，就可以初步嘗試。
這里介紹比較有代表性的初創(chuàng)公司和資源，包括QEEXO、MindsDB和Cartesiam。
QEEXO
這家公司成立于2012年，總部位于加利福尼亞州山景城，機器學習的研發(fā)團隊位于賓夕法尼亞州匹茨堡，在北京和上海擁有工程師團隊。
目前已經(jīng)有260多種硬件平臺，超過3億臺設備，搭載了QEEXO的機器學習引擎。
知名的包括在華為手機中嵌入的指關節(jié)操作技術。
指關節(jié)操作功能通過使用指關節(jié)在屏幕上敲擊或勾畫，快速調用系統(tǒng)功能，支持利用指關節(jié)雙擊全屏截屏、敲擊并畫圈局部截屏、敲擊并畫字母S滾動截屏、雙指關節(jié)雙擊錄屏、直線分屏等5種手勢操作。今年5月，榮耀發(fā)布了新機榮耀X10，指關節(jié)操作功能首次下放給了“千元機”。
QEEXO與瑞薩電子等領先硬件廠商進行合作，完成了多種硬件的適配。QEEXO可支持Arm Cortex – M0到M4核的單片機，如瑞薩RA6M3組單片機產(chǎn)品。
據(jù)悉，QEEXO的自動機器學習算法將在亞馬遜AWS上架，以SaaS年度訂閱的方式提供服務，并將在下周周一，6月8日進行全球商用版Qeexo AutoML的正式發(fā)布。
MindsDB
MindsDB公司成立于2017年，總部位于加利福尼亞州伯克利，源自美國加州大學伯克利分校的研究項目，其同名服務已在GitHub上發(fā)布開源版本。GitHub網(wǎng)址：
https://github.com/mindsdb/mindsdb#mindsdb
最近MindsDB完成了一筆300萬美元的融資，用于擴充團隊和驗證商業(yè)模式。
Cartesiam
Cartesiam公司創(chuàng)立于2016年，總部位于法國土倫，商務運營中心位于巴黎和紐約，主要實現(xiàn)讓普通的ARM微控制器都能運行的無監(jiān)督學習AI。
今年2月，Cartesiam發(fā)布了一個名為NanoEdge AI Studio的軟件系統(tǒng)，該系統(tǒng)能夠安全地生成AI算法，并且生成的算法只需兩分鐘就可在ARM微處理器上運行，容量大小僅為4~16KB RAM。
法國的工業(yè)電子制造商Eolane與Cartesiam合作推出了一款名為Bob Assistant的溫度/振動傳感器，主要用于預測工業(yè)維修。目前，該解決方案已經(jīng)被許多歐洲客戶所采用，成為首個大規(guī)模部署的工業(yè)4.0預測性維護解決方案。
5月19日，Cartesiam發(fā)布了針對STM32開發(fā)板優(yōu)化的新版NanoEdge AI Studio軟件工具。STM32是意法半導體開發(fā)的微控制器。新版提供一個新的硬件平臺選項，讓開發(fā)者可以直接選擇意法半導體的Nucleo-F401RE或Nucleo-L432KC開發(fā)板。在選擇之后，用戶可以解鎖設計流程的最后一步，下載可在所選硬件平臺上立即運行的自定義機器學習庫。
----寫在最后----
看似微小的TinyML和自我進化的AutoML蘊含大機會，物聯(lián)網(wǎng)企業(yè)需要轉變的首先是思維，積極擁抱和勇于嘗試，或許就會開辟一番新天地。
