智联网时代智能系统通达内外

2018-06-11贾缙陈笑冰

机器人产业 2018年3期

□文/贾缙、陈笑冰

机器人、沉浸式现实、人工智能，以及互联设备，这些黑科技在现实世界中已逐步走向成熟。但现有的技术基础设施无力支撑这些应用真正进入爆发期，不能依靠昨日的旧有架构来孵化明日的创新。要想真正发挥新一代的智能技术威力，企业需要对基础设施进行彻底改造。要想使企业能够感知周边世界，就必须实现架构转型。企业需要用边缘计算补充云计算的能力，进行均衡配置，并且重新聚焦硬件。这些新的部署都将使企业更为智能地“听到”或“看到”更多讯息。

机器人、沉浸式现实、人工智能，以及互联设备，正将现实世界的技术水平推至新高度。许多企业仍认为，其现有的技术基础设施已足够支持所需的计算能力——这种想法有着潜在的巨大风险。要想真正发挥新一代智能技术的作用，企业需对基础设施进行彻底改造，均衡部署云计算和边缘计算，并重新聚焦硬件改造，从而实现即时的智能交付。

试想一下，若将具备实时分析脑电波功能的可植入式设备运用于癫痫患者的神经活动监测，那么，仅毫秒之间，该设备便能发现癫痫发作的征兆，无需接入外部系统或等待患者主诉，便能及时释放脉冲将其阻断。事实上，在患者毫无意识的情况下，该设备就已自主完成上述操作。

这并非是假想情形，而是目前真实的治疗方案。NeuroPace公司的神经刺激装置植入患者颅骨后，能够在不知不觉间自动监测并预防癫痫发作——仅一年的时间，患者发病频率就降低了44%。这种对紧急医疗状况的实时管理充分展示了智能环境的可能性：通过整合实时感应和计算技术，实现即时有效的响应。

这样的智能交付形式意味着，我们已具备对现实世界中那些复杂、不可预知的交互加以管理的能力。诚然，并非每个案例都会涉及如人体这般难以预测的环境，抑或关乎生死。但当今企业的基础架构确实普遍无法支持创建规模化智能解决方案所需的即时洞见与行动。现有的基础设施大多围绕基本假设所设计：用以支持远程应用程序的足够带宽，具备强大计算能力的远程云以及近乎无限的存储空间。然而在现实环境中，应用软件对即时响应的需求却与这些假设形成了鲜明对比。

从能够自动管理患者输液的ICU病房到具备自我维护功能的工业设备，越来越多的企业致力于智能环境的开发——从而将业务触角进一步延伸至日常管控的环境之外。在这一过程中，对实时系统的需求令硬件再次成为关注焦点：具有特定用途和可定制的硬件令网络周边的设备比以往更强大、更节能。而重塑企业的基础设施，无疑释放了大量新机遇，将业务边缘视为交付智能环境的战略资产。

一些睿智的企业早已朝着这一方向迈出了步伐。以Land O'Lakes为例，该公司所部署的半自动拖拉机在穿越农场时能够根据具体情况调整种植决策，此举令作物产量提高了三至五倍。同样，越来越多“有意识的”的监控摄像机被运用于执行识别包裹交付时间及跟踪婴儿睡眠情况，这些实体设备植入了集成分析的处理能力，无需发送海量数据进行离线处理。当摄像机能够区别接近大门的人和跑过镜头的松鼠时，也就意味着误报情况的降低、真正智能化的开启，和即时安保的响应。

交付实体智能环境需要对当前的业务基础设施进行认真反思，充分利用更广泛的设备网络和更先进的方法体系。否则，企业或将无法依托机器人、沉浸式现实、人工智能和物联网交付高端、智能的体验，而这些技术正是企业新一代战略的基础。与智能世界接轨，企业首先要进行架构转型——打造即时采取智能行动的能力。欢迎来到智联网的时代！

目标：智能，无处不在

新一代智能解决方案正被植入各行各业的实体环境，企业纷纷将战略重点落实在推动现实世界的智能化引入上——改善智能城市的交通流量；通过远程医疗追踪分析患者状况；油田灾难预警预防分析。当下，企业亟须将基础设施加以扩展，从而实现符合其预期的动态化实体环境。

当前预测表明，到2020年，智能传感器和其他物联网设备将至少产生507.5泽字节（Zb）的数据量。试图在异地完成如此繁重的计算势必难以实现。为充分释放实时智能的无限潜能，企业必须令事件驱动型分析及决策流程更贴近交互和数据生成——换言之，向网络边缘不断推进。

云将继续在企业基础架构中发挥关键作用。虽然中间设备和边缘设备可以通过处理数据来实现即时操作，但云所能提供的是更为强大的“元数据洞见”，它可随时间的推移不断改进系统，并充分利用两方面的优势重塑新业务。DS 维珍车队将这一技术带入了电动方程式赛车界。比赛过程中，通过对控制系统生成数据的实时处理，不断对车辆进行调整；赛后，车队充分利用云资源，从更庞大的数据集中汲取深入洞见。

在设计系统时，若想充分利用设备驱动型即时洞见和云端元数据洞见这两大力量，就需要围绕内存展开全新考量。企业应将数据资产明确区分为，必须加以保存的重要部分，及可因决策变动而随时删除的部分。经过标记、回传到云端的数据资产应具备明确的保留必要性，例如收集大量历史数据以完善决策；同时，仅用于在边缘进行短暂决策的数据则可抛弃。

欧洲一家国家铁路公司采用这种方法，为乘客提供了更为智能的体验，同时兼顾了车站间的数据传输量。位于车厢中的摄像头利用车载处理功能来确认座位是否被占用，然后将空座号码发送至即将到达的车站。候车乘客可以在火车抵达前使用车站的自助服务终端来预定座位；一旦座位被预定，先前“有座”的信息就不再具有任何价值，因而会被即时消除。同时，整体的上座情况和销售数据将被保留，用于日后列车时间表和路线的优化。

企业应当找寻适用自身的独特方法，在云端和边缘两处以及之间的任何地方平衡处理任务——边缘处理能力和能源效率的提高使这种模式成为了可能；而现在，随着企业迫切建立即时行动能力，其重要性更是与日俱增。

在各行各业中，新一代智能解决方案正被纷纷植入实体环境。

充分利用定制化的加速计算

经过扩展的基础设施将成为智联网的支柱。为了使其完全成熟，企业必须具备卓越的计算能力以满足智能环境之所需。这就意味着将目光重新聚焦于硬件——一时之间，企业纷纷将软件驱动型解决方案作为其首选策略。这一问题正在引起广泛关注：埃森哲《技术展望2018》调查显示，有63%的高管认为，未来两年内，利用定制硬件和硬件加速器来满足智能环境的计算需求将非常关键。企业必须立即采取行动，将此类硬件集成技能融入到员工团队中——那些秉承云优先心态的管理者可能会忽视这一需求，因而不得不面对更多的挑战。

图形处理器等硬件加速装置可以帮助企业在交互点上建立“思考”能力。

对于几乎所有的企业来说，为实现智能响应而升级基础设施，也就意味着充分利用起硬件加速器：专用硬件在完成非常特定任务时速度是极快的（请参阅“硬件加速器”）。为了满足边缘决策的计算和能耗需求，这一模式是企业的必然之选。

硬件加速器

企业若要改进处理能力并节约能耗，则必须放弃使用传统的中央处理器（CPU），转而考虑硬件加速器——如图形处理器（GPU）、现场可编程门阵列（FPGA）和专用集成电路（ASIC）。广义而言，上述加速器在计算能效方面均比CPU高出一筹（见表1）——但也需要更高成本。

尽管开发和制造成本高昂，但专用集成电路在今天仍被广泛应用。例如，微软混合现实眼镜HoloLens的全息处理单元就是一种专用集成电路的应用，这使得微软能够打造一款无需连接到计算机的头戴设备。谷歌的张量处理单元也采用了专用集成电路技术，开发人员可以访问其强大的人工智能功能，这种技术可以通过谷歌云平台、运行谷歌街景和语音搜索应用背后的机器学习技术。

其他云提供商正在设法利用先进的现场可编程门阵列，与谷歌的张量处理单元产品展开竞争。微软Project Brainwave深度学习云平台使用了英特尔的Stratix 10 现场可编程门阵列。百度也采用了类似方法，运用赛灵思（Xilinx）的现场可编程门阵列实现其基于云的人工智能产品，这正是亚马逊AWS弹性计算云F1实例所应用的技术。微软则将现场可编程门阵列作为专用的加密处理器，确保与Office 365云服务的每项连接。

当然，专用集成电路和现场可编程门阵列并非仅有的硬件加速器。长期以来，企业一直在针对特定任务重新设计图形处理单元，最终促成了通用计算图形处理单元（GPGPU）的问世。这些处理器的普遍应用（包括安装在如今销售的大多数计算机中），以及易于编程的框架——统一计算设备架构（CUDA）、开放计算语言（OpenCL）和直接计算功能（DirectCompute），使通用图形处理器（GPGPU）成为了现代硬件加速技术的主力。

表1：常见的硬件加速器

一直以来，图形处理器（GPU）都被广泛运用于企业的方方面面。这种硬件加速器被大量应用于不太注重能耗的早期智能产品。发那科（Fanuc）是工厂自动化和工业机器人领域的全球领先机构，该公司将英伟达（NVIDIA）图形处理器运用于智能边缘链接与驱动系统当中。该系统可帮助制造机器人持续学习复杂的活动，例如从箱子中挑选特定部件、检测异常情况以及预测故障。中国初创企业图森未来（TuSimple）也将英伟达（NVIDIA）图形处理器运用于其自动化导航系统的开发。图形处理器等硬件加速装置可以帮助企业在交互点上建立“思考”能力，从而在目标环境中进行实时决策。

当硬件加速程度不足，特别是运行于苛刻环境中时，企业或许会需要定制硬件。扩展现实（虚拟和增强现实体验）虽然需要庞大的计算能力才能实时运行，但这也是智联网早期成功的一则典型实例，全球增强现实和虚拟现实市场规模有望在2021年达到2150亿美元。毫无疑问，在构建或利用定制硬件解决方案方面，该行业的领军机构已领先一步。

微软全息眼镜HoloLens的最初版本“visor”需要将目镜与一台单独的计算机连接。随后，该设备进行了一些改进，将电脑置于背包中，不过仍然无法成为一款消费电子产品。通过开发定制化硬件——全息处理单元，微软最终将HoloLens简化为独立设备。现在，实时处理功能内置于可充电的便携式镜架内，运行时仅会耗用不到50%的总计算能力。

建立或利用定制硬件和专用硬件的方式，与过去十年间企业普遍采用的“统一解决方案”大相径庭。这种转变对于提高处理速度至关重要，它推动了网络边缘集成、综合的体验。与其扩大数据中心规模，谷歌专门打造了一款运行深度神经网络的计算机芯片：张量处理单元的效率比标准处理器高出30至80倍。而脸谱网、微软、亚马逊、百度等公司均在使用一系列全新的专业处理单元来训练和运行人工智能模型。

对于希望在智能环境中占领先机的企业而言，定制硬件和加速硬件是他们开展实时洞察与行动的关键要素。