主要转换技术是由简单的变化的角度来看,和现在有一个情况。
很长时间以前,我是一个学生在麻省理工学院,编程与卡片组在APL IBM大型机和学习人工智能类从帕特里克•温斯顿(接任从传奇马文,麻省理工学院人工智能实验室)。我把课本提醒世界会去哪里。四泰坦尼克号转变,大型机/卡片组变成了VAX / VT100,那里IBM PC和PC客户端通过以太网对公司服务器。智能手机革命冲击,计算你的手掌,没有真正个人不大。
这段旅程的各个阶段,大,基本转变,通过半导体创新和永不停歇的小型化的副产品,改善制程良率、工具的进步和加工效率,始于70年代。我相信他们将携带到遥远的未来。
但最大的转换技术也由简单的角度的变化。智能手机厂商没有看到只是一个方便的电话你可以车;他们设想计算你想去的地方。这是一个不同的视角。
所以今天,我们正在见证另一个观点的改变。计算设备周围的人,在家里,在路上,在工作中可以做完全不同的事比帮助我们上网冲浪或者短信的朋友。新视角是技术可以了解我们,可以推动我们的汽车,它可以监控我们的家庭,让我们和我们的数据安全威胁世界。随着其功能的增加,边缘计算有能力承担一系列的适应性和智能机器学习(毫升)和人工智能工作负载,将提供巨大的价值。
IDC在刚发表的报告中,全球支持技术和半导体2018 - 10大趋势,AI-driven边缘计算实际上是两个10个关键的预测。第一,2018是人工智能在边缘的开始,第二个是AI-optimized SoC的解决方案将会出现移动和边缘应用程序。
作者写道:
“今年,供应商急于把现有产品或添加新的元素来处理人工智能工作负载和编程框架。臂优化其领先一代的CPU和GPU IP核心执行AI-inferencing任务更有效率。高通瑞,联发科,谷歌和其他半导体供应商转向DSP内核加速计算机视觉和其他人工智能任务集成在他们的通用应用程序处理器或协同处理器。”
人工智能工作负载转移到边缘原因简单:延迟和安全。在旧的模式,我们获取的数据在边缘和分流的回到前一个数据中心处理的答案被发送回一个设备。这个需要时间和总消耗大量的电力。移动计算更接近的数据捕获和机器学习算法解决了这个问题,使运行的计算在这地方最有效的应用。
例如,语音识别在智能演讲者会更好如果所有的处理都是在设备上。将工作得更快,使数据更安全,不会必须依靠良好的无线信号。同样,面部识别解锁运行智能手机是最明智的实际产品。甚至一个摄像头捕捉g的数据都将受益。而不是流的所有数据到云,在设备上运行毫升将过滤掉错误的信息所以只有可疑数据发送到云为进一步分析或触发警报。
分布式计算,在我们眼前已初具规模。我们去年在这里写的一个例子,Lumo Bodytech的衣物(边缘设备)运行一些机器学习软件来优化佩戴者的行为。它只会变得更有趣和具有挑战性的我们从超过80亿的世界连接设备有1万亿。
现在这是一个不可阻挡的趋势,它将导致数十亿毫升在使用设备边缘计算能力增长。
但AI和毫升不是唯一的地区,今年将是很有趣的,根据IDC市场角度看报告。毫不奇怪,安全仍然是一个优先级,还有很多其他引人注目的2018年预测,从无线和汽车电子发展趋势对中国扩大到数据中心动力作用。
有趣的是看到我的年轻学术生活四十年来的现实。我的类自然语言处理,机器学习,机器视觉,对象检测和解释是最终实现大规模生产。
这是一个不断变化的角度来看问题。我爱它。
阅读更多关于这份报告,访问我们的着陆页。
|
|
|
|
|
|
|
|
|
|
留下一个回复