边缘人工智能的采用在众多行业中呈上升趋势。随着这种趋势的持续下去，其将不仅为企业而且为社会带来变革。
边缘计算的去中心化方法减轻了数据拥塞、连接故障和传输成本等限制。这极大地提高了人工智能应用程序的性能，从而可以更快、更可靠地做出决策。
边缘人工智能的优势在于后勤和技术。在难以到达的位置，如石油钻井平台，边缘人工智能可以识别表明风险增加的模式，并做出相应的反应，以防止潜在的危险情况。在农业方面，通过使机器能够根据环境条件自主决策，农民将能够最大限度地提高产量。
社会也将从中获益。想象一下，无人机群能够在崎岖的山区进行搜索和救援行动，使用多个传感器来检测形状、声音、热量或运动，识别生命迹象。
随着边缘计算的普及，人工智能的应用也随之增长。但如果边缘人工智能要蓬勃发展，还有许多技术障碍需要克服。
边缘的障碍
也许边缘人工智能的最大限制因素来自边缘设备通常很小，计算能力有限。其性能与数据中心甚至强大的桌面GPU的性能相差甚远。然而，通过使用特殊的人工智能技术，如模型缩小和量化，适合小型设备的有限模型可以提供许多有用的功能。
其他挑战来自边缘计算项目通常在难以到达或远程位置操作的事实。为这些设备提供电源和连接可能很困难，并且满足物联网标准以确保这些设备可以相互通信并不总是那么简单。
第三个挑战是，虽然边缘人工智能本身对互联网的依赖有限，但许多个人边缘设备，如可穿戴设备，将希望支持需要一定云连接的应用，这带来了风险因素。
然而，这些挑战并非不可克服。一系列电源和连接解决方案可以提供帮助，包括长寿命电池、5G连接和低功耗硬件架构。
AI芯片挑战
边缘人工智能项目面临的主要障碍是人工智能芯片的成本、性能和功耗要求。在某些工业场景中，所涉及的物联网设备数量可能会将芯片需求扩展到数十万个，从而导致项目成本飙升。
如此大规模的部署需要对成本-性能比进行细致的评估，以目前的价格，这可能是令人望而却步的。在看到这些人工智能计算因素的显著改善之前，我们可能只会看到解决问题能力有限的小规模模型。
实现教育优势
另一个重大挑战是找到一种方法来训练所有这些自主人工智能设备。生成式人工智能(GAI)的最新发展表明，GPT等系统正在互联网上提供的超大数据集上进行训练。这需要付出大量努力来收集和处理数据。为了在边缘做出明智的决策，需要满足对足够数量的数据的需求。
然而，如果我们再次审视GAI最近的发展，解决方案可能已经显现出来。一种方法可能是利用生成模型的能力，根据提供的一些示例生成大量合成训练数据，然后使用这些数据更快地训练较小的模型。另一种方法，也许更进一步，是直接在实时训练数据(如果可用)上训练大型生成模型，然后用其来训练较小的边缘人工智能模型。
这种方法已经取得了成果，正如Orca 13B所见，这是一个较小的模型，可以从中学习更大的基础模型，例如GPT-4，并且正在产生非常相似的结果。许多近期人工智能发展的观察家声称，我们正处于小型专用人工智能模型“寒武纪大爆炸”的边缘。这些可以嵌入到边缘设备中，为特定任务提供卓越的能力。
机器对机器学习
更快学习的另一个途径是从集中式系统管理一组相互连接、自我改进的人工智能边缘设备。在许多情况下，一个可行的解决方案是拥有可以在“执行任务”时增量训练的模型，并且可以共享重要的发现。
与在企业或行业中共享最佳实践类似，机器可以帮助识别指导行为的模式。
由智能中央实体控制的自主机器舰队的概念可能类似于反乌托邦科幻小说故事。因此，与涉及人工智能的任何事情一样，需要施加行为参数。
在不远的将来，自动化边缘设备完全有可能具有相互学习的能力。这将使其有能力代表我们做出越来越明智的决策，这将对行业和社会产生变革性影响。
