試想，一輛正在急速前進的自動駕駛汽車，前方突然遇到障礙需要緊急剎車，這時它不可能把相關(guān)信息送到云端處理再反饋，否則等剎車指令下達的時候很可能已經(jīng)發(fā)生撞車事故了。
類似的，在軋鋼這樣的工業(yè)場景中，軋機需要依靠多個伺服電機協(xié)同驅(qū)動軋制過程，電機不能出現(xiàn)絲毫的偏差，否則可能導(dǎo)致整塊鋼板報廢。為了保證軋制精度，需要以毫秒級的數(shù)據(jù)采集頻率來監(jiān)測電機的運轉(zhuǎn)是否正常，實時數(shù)據(jù)上云顯然也是來不及的。
除了時延，隱私安全近年來也成為個人和企業(yè)越發(fā)關(guān)注的問題。比如，在傳統(tǒng)的人臉識別場景下，智能終端需要將收集到面部信息上傳到云服務(wù)器進行處理，從而為數(shù)據(jù)泄露或被濫用埋下了隱患。而對企業(yè)來說，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)放在云平臺廠商的服務(wù)器上。
出于對時延和隱私的需求，邊緣智能的概念在近年來受到越來越高的認(rèn)同。正是看到了如此廣闊的市場機遇，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)價值更是難上加難。
在此前的2021聯(lián)想創(chuàng)新科技大會上，聯(lián)想大腦Edge AI正式發(fā)布。近日，物聯(lián)網(wǎng)智庫等媒體和聯(lián)想集團副總裁、聯(lián)想研究院人工智能實驗室負(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)成機制、行業(yè)價值和布局思路進行了深入溝通。
通過他們的分享，我們知道，要想讓Edge AI真正賦能千行百業(yè)，需要踩過技術(shù)、場景、商業(yè)等數(shù)個“大坑”，尤其要摒棄“拿著錘子找釘子”的行為。
踩過“技術(shù)”的坑：從云端到邊緣
通俗來講，傳統(tǒng)的云計算很像是自來水廠的供水模式，雖然需要計算資源的時候擰開“水龍頭”就能按需取用，但是“集中式統(tǒng)一供水模式”也會存在很多問題。
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間（時延）；最后，一旦供水廠出現(xiàn)問題，就會影響到整張供水網(wǎng)絡(luò)的運作（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“應(yīng)急水箱”，來應(yīng)對云端負(fù)載、時延和隱私等方面帶來的挑戰(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)，這就會涉及第一個技術(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，預(yù)訓(xùn)練模型和邊緣設(shè)備之間可能不是完全匹配。
形象點兒來說，云端“水廠”的儲量很大，邊緣側(cè)“水箱”的儲量很小，部署Edge AI的過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題，據(jù)悉，基于智能推薦算法，聯(lián)想如今已經(jīng)可以通過Edge AI平臺，給客戶提供最優(yōu)的AI模型和與硬件相匹配的方案，將硬件和軟件進行良好的適配，讓軟硬件之間實現(xiàn)真正的協(xié)同。由此，客戶在開發(fā)過程中甚至可以不用真正的硬件，而是通過仿真軟件去實現(xiàn)軟硬件的適配。
當(dāng)模型被部署到邊緣側(cè)以后，第二個技術(shù)難題又不約而來。這是因為，科學(xué)家在云端預(yù)訓(xùn)練模型的時候，收集的都是歷史數(shù)據(jù)，但實際應(yīng)用場景卻是千變?nèi)f化的。也就是說，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)可能完全不一樣，模型的訓(xùn)練環(huán)境和實際的運行環(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場景為例，我們不能指望產(chǎn)線80%都是廢品，如果這樣工廠早倒閉了。實際的廢品率可能只有千分之一甚至萬分之一，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)。
為了解決這個問題，聯(lián)想創(chuàng)新地將“數(shù)據(jù)增強”和“元學(xué)習(xí)”結(jié)合，打造了“小樣本終身學(xué)習(xí)技術(shù)”。
舉個通俗易懂的例子，學(xué)開車。比如，你會開小轎車，但需要學(xué)習(xí)開大卡車。兩者雖然存在不少差異，但會開小轎車的話，學(xué)開大卡車總比從零開始學(xué)更容易，因為有些基礎(chǔ)可以借鑒。這就是meta learning（元學(xué)習(xí)）的原理。通過借鑒不同任務(wù)的相似之處，來實現(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)想還通過原始樣本空間增強、模型特征空間中數(shù)據(jù)擴充、風(fēng)格遷移等方式，擴充了樣本容量，豐富了數(shù)據(jù)分布，進一步提升了模型的學(xué)習(xí)能力，從而實現(xiàn)終身學(xué)習(xí)。
踩過“場景”的坑：摒棄“拿著錘子找釘子”
解決了技術(shù)上的問題，并不意味著高枕無憂，甚至很多做技術(shù)的企業(yè)還會陷入“拿著錘子找釘子”的誤區(qū)——也就是拿著技術(shù)去找場景，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)用場景，只要能切實解決客戶的痛點，幫助其提質(zhì)增效，就不愁沒有人買單。
而在場景方面，聯(lián)想天然具備優(yōu)勢。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，集團在全球擁有35家制造工廠。過去幾年，聯(lián)想的各個工廠致力推進產(chǎn)線的自動化和數(shù)字化，積累了豐富的實踐經(jīng)驗，這正是Edge AI落地最好的土壤。
范博士也分享了一些聯(lián)想的實踐案例。
在聯(lián)想深圳工廠為微軟生產(chǎn)服務(wù)器的時候，客戶的一個基本要求是生產(chǎn)區(qū)域不能有外部人員隨意進入。傳統(tǒng)的做法是依靠人工坐在門口進行監(jiān)控，但這種做法顯然費時費力，而且人總會有疲憊和需要休息的時候。Edge AI的解決方案則能輕易替代人工，實時監(jiān)控是否有非授權(quán)的人員進入，而且由于數(shù)據(jù)保留在本地，也不會侵犯員工的隱私安全。
除了聯(lián)想自己的工廠，越來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)高斯中國的順暢運行，聯(lián)想從以前只賣PC，到后來提供邊緣計算設(shè)備，以及Leap IoT平臺等，實現(xiàn)了高斯中國的遠程云管理，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%。
“是歷史機遇選擇了聯(lián)想，而不是聯(lián)想在做選擇。”范博士如此形容聯(lián)想在邊緣智能的布局。
根據(jù)Gartner的預(yù)測顯示，截止到2025年將會有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，未來邊緣計算市場規(guī)模將超萬億，成為與云計算平分秋色的新興市場。在這樣的背景下，聯(lián)想入局邊緣智能恰逢其時——這是“天時”。
其次，聯(lián)想作為制造企業(yè)，自己有很多應(yīng)用場景，客戶也有很多應(yīng)用場景，聯(lián)想在服務(wù)客戶的過程中積累了許多洞察與經(jīng)驗——這是“地利”。
最后，以范博士為代表的科學(xué)家團隊始終專注于AI技術(shù)的研究，正如范博士所說，“我們不是最聰明的一群人，也不是配置的最高的一群人，但是我們確實始終以客戶為己任。”——這是“人和”。
“天時地利人和”，賦予了聯(lián)想做好Edge AI的底氣。
踩過“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景，就意味著萬事大吉嗎？答案依然是否定的。
即使是同一臺設(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。邊緣智能的場景碎片化程度很強，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。
“如果一個場景一個場景（case by case）的去做，一定是死路一條。”范博士直言，“聯(lián)想破解碎片化難題的做法是80%的底層技術(shù)依靠平臺實現(xiàn)，剩下20%左右是場景化的東西。”
從這個角度來說，Edge AI更像是一個應(yīng)用商店，其中包含各種算法和模型，客戶可以靈活選擇，極大地減少開發(fā)、設(shè)計等人力成本。
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、車流監(jiān)測、語音識別等基本模塊，開發(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；面向沒有AI背景知識的客戶，集成商只需將自己的預(yù)算和場景輸入平臺，形成約束條件，平臺依然可以自動生成相應(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)里的萬千客戶去依據(jù)需求構(gòu)建。
王磊則從另一個角度闡述了如何從定制化走向通用化：“最開始我們在做項目，在做項目的過程中會有一些工具產(chǎn)生，當(dāng)把這樣的工具用于更多的項目時，工具就會變成通用的產(chǎn)品。產(chǎn)品再往上迭代，就是平臺了?？蛻綦m然是不同的，但我們會把共性的東西抽象出來，形成平臺和生態(tài)。”
目前，聯(lián)想Edge AI平臺已經(jīng)通過聯(lián)想企業(yè)科技集團實現(xiàn)了產(chǎn)品化，推出了LiCO AI、AI一體機等功能強大的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方面。在自動駕駛領(lǐng)域，可以做到行人識別、車輛識別、信號燈識別等。
結(jié)語
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，通過Edge AI平臺算法能力和強大的服務(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，進而全面撬動數(shù)智新時代！
