正文

什么叫边缘人工智能（什么叫边缘人工智能）

发布时间：2023-03-19 19:03:41 稿源：创意岭阅读： 77 问大家

大家好！今天让创意岭的小编来大家介绍下关于什么叫边缘人工智能的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com

创意岭作为行业内优秀企业，服务客户遍布全国，代运营相关业务请拨打175-8598-2043，或微信：1454722008

本文目录:

1、关于人工智能
2、人工智能3.0时代是什么
3、边缘AI芯片市场火了，但大部分都是风投们点的
4、人工智能的定义是什么？

什么叫边缘人工智能（什么叫边缘人工智能）

一、关于人工智能

“人工智能”（Artificial Intelligence）简称AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能研究如何用计算机去模拟、延伸和扩展人的智能；如何把计算机用得更聪明；如何设计和建造具有高智能水平的计算机应用系统；如何设计和制造更聪明的计算机以及智能水平更高的智能计算机等。

人工智能是计算机科学的一个分支，人工智能是计算机科学技术的前沿科技领域。

人工智能与计算机软件有密切的关系。一方面，各种人工智能应用系统都要用计算机软件去实现，另一方面，许多聪明的计算机软件也应用了人工智能的理论方法和技术。例如，专家系统软件，机器博弈软件等。但是，人工智能不等于软件，除了软件以外，还有硬件及其他自动化和通信设备。

人工智能虽然是计算机科学的一个分支，但它的研究却不仅涉及到计算机科学，而且还涉及到脑科学、神经生理学、心理学、语言学、逻辑学、认知（思维）科学、行为科学和数学以及信息论、控制论和系统论等许多学科领域。因此，人工智能实际上是一门综合性的交叉学科和边缘学科。

人工智能主要研究用人工的方法和技术，模仿、延伸和扩展人的智能,实现机器智能。有人把人工智能分成两大类：一类是符号智能，一类是计算智能。符号智能是以知识为基础，通过推理进行问题求解。也即所谓的传统人工智能。计算智能是以数据为基础，通过训练建立联系，进行问题求解。人工神经网络、遗传算法、模糊系统、进化程序设计、人工生命等都可以包括在计算智能。

传统人工智能主要运用知识进行问题求解。从实用观点看，人工智能是一门知识工程学：以知识为对象，研究知识的表示方法、知识的运用和知识获取。

人工智能从1956年提出以来取得了很大的进展和成功。1976年Newell 和Simon提出了物理符号系统假设，认为物理符号系统是表现智能行为必要和充分的条件。这样，可以把任何信息加工系统看成是一个具体的物理系统，如人的神经系统、计算机的构造系统等。80年代Newell 等又致力于SOAR系统的研究。SOAR系统是以知识块(Chunking)理论为基础，利用基于规则的记忆，获取搜索控制知识和操作符，实现通用问题求解。Minsky从心理学的研究出发，认为人们在他们日常的认识活动中，使用了大批从以前的经验中获取并经过整理的知识。该知识是以一种类似框架的结构记存在人脑中。因此，在70年代他提出了框架知识表示方法。到80年代，Minsky认为人的智能，根本不存在统一的理论。1985年，他发表了一本著名的书《Society of Mind(思维社会)》。书中指出思维社会是由大量具有某种思维能力的单元组成的复杂社会。以McCarthy和Nilsson等为代表，主张用逻辑来研究人工智能，即用形式化的方法描述客观世界。逻辑学派在人工智能研究中，强调的是概念化知识表示、模型论语义、演绎推理等。 McCarthy主张任何事物都可以用统一的逻辑框架来表示，在常识推理中以非单调逻辑为中心。传统的人工智能研究思路是“自上而下”式的，它的目标是让机器模仿人，认为人脑的思维活动可以通过一些公式和规则来定义，因此希望通过把人类的思维方式翻译成程序语言输入机器，来使机器有朝一日产生像人类一样的思维能力。这一理论指导了早期人工智能的研究。

近年来神经生理学和脑科学的研究成果表明，脑的感知部分，包括视觉、听觉、运动等脑皮层区不仅具有输入/输出通道的功能，而且具有直接参与思维的功能。智能不仅是运用知识，通过推理解决问题，智能也处于感知通道。

1990年史忠植提出了人类思维的层次模型，表明人类思维有感知思维、形象思维、抽象思维，并构成层次关系。感知思维是简单的思维形态，它通过人的眼、耳、鼻、舌、身感知器官产生表象，形成初级的思维。感知思维中知觉的表达是关键。形象思维主要是用典型化的方法进行概括，并用形象材料来思维，可以高度并行处理。抽象思维以物理符号系统为理论基础，用语言表述抽象的概念。由于注意的作用，使其处理基本上是串行的.

二、人工智能3.0时代是什么

迄今为止，人工智能（AI）发展的特点是基于逻辑和计算不断迭代，从逻辑智能转向计算智能。逻辑智能的核心是基于逻辑的各种推理方法，专家系统和Lisp机是其发展的高峰。如果说逻辑智能是AI 1.0，计算智能就是AI 2.0，其始于控制论和认知计算，从20世纪80年代中期开始大规模地使用多层神经元网络，一直发展到现在的深度神经元网络，是当前人工智能的主要突破。人工智能3.0：人机与虚拟互动交互

我个人理解，AI 3.0是人机与虚拟互动交融的人工智能——“人机混合虚实互动的平行智能”，即处于边缘端的机械的、生物的智能，会产生有限的数据，再通过云端的云计算产生大数据，最后云计算把大数据变成精准的深度智能，再返回边缘端的生物体、物理体或机器人，就是Small Data-Big Data-Smart Data。这是一个循环的过程，是从边缘端的涌现到云雾端的收敛，这一“涌现收敛”也是复杂性科学的核心理念。AI 3.0的普及应用能够服务社会，而不是像某些专家宣称的那样会导致失业。它会让人类生活得更好，让人与机器各司其职——“人有人用，机有机用”，从专业分工，到人机分工，进而虚实分工，从而创造一个更加和谐的社会。例如，AI 3.0在无人驾驶中的体现就是“平行驾驶”——把有人车、遥控车、网联车、无人车等，用“平行车”统一起来。即各种实体车辆在路上行驶的同时，在平行的云端世界中，同样的虚拟车也在行驶，并通过云计算生成最优的行驶策略，从而控制实体车辆的运行。尽管有人车在速度、效率、安全性以及环境污染方面存在缺陷，注定它最终会被无人车取代，但我们不能急功近利，盲目普及无人车而付出惨痛的代价。我认为应该用二三十年的时间，从AI 2.0发展到AI 3.0，平稳过渡到无人车时代，这是普及无人车的唯一途径。未来智能的发展及真正推广应用还要解决两个问题。第一个问题是AI的可靠性，包括它的可解释性。我认为，AI的可解释性归根结底就是人工智能的可靠性。第二个问题是AI的合法性，尤其是在对个人隐私的保护方面，这已经引起了许多国家的反思和重视。当AI结合了区块链等技术，可以从技术层面解决这些问题。然而，用法律体系来规范AI系统的构建和应用才是关键，必不可少。

AI正在改变人类的未来。我们需要改变教育模式，培养面向未来的AI人才。就像传授“四书五经”的私塾教育无法培养现代工业所需要的新型人才，目前全世界的教育体制都落后于智能技术发展。对于未来的AI人才，我认为应着重培养3种思维：

首先是复杂性思维，因为AI本身就属于复杂性科学的范畴，要用整体的视角去看AI技术，这非常重要。其次是跨学科思维，因为AI要普及应用，就一定会涉及多学科、交叉学科和跨学科的知识。最后是系统化思维，AI真正要普及应用，取得可接受的可靠性、可接受的合法性，就一定要有系统思维，就像我们有“系统工程”一样,我们也要有“系统智能”

三、边缘AI芯片市场火了，但大部分都是风投们点的

本文编译自zdnet

据知名芯片分析公司Linley Group称，智能手机等边缘设备上的人工智能推理的芯片吸引了越来越多的初创公司和风险投资。

“有更多新的初创公司不断涌现，并继续试图与众不同。”Linley Group的高级分析师Mike Demler在接受 ZDNet 电话采访时表示。

在最近一次于 10 月在加州圣克拉拉举行的线上线下同步活动中，包括Flex Logix、Hailo Technologies、Roviero、BrainChip、Syntiant、Untether AI、Expedera 和 Deep AI 等初创公司分别谈论他们的芯片设计。

Demler 和团队定期编写一份题为《深度学习处理器指南》的研究报告，最新版本预计将于本月发布。 “在这个最新版本中，我统计了 60 多家芯片供应商。”他告诉 ZDNet。

Edge Cortix

边缘AI已成为一个笼统的术语，主要指不在数据中心内的所有事物，尽管它可能包括位于数据中心边缘的服务器。它的范围从智能手机到使用谷歌TinyML 框架微瓦功率级别的嵌入式设备。

Demler 说，其中功耗从几瓦到 75 瓦不等的边缘AI芯片，是市场中最拥挤的部分，通常采用可插拔 PCIe 或 M.2 卡的形式。（75 瓦是 PCI 总线限制。）

“PCIe 卡是市场的热门部分，用于工业人工智能、机器人技术、交通监控。”他解释说。 “你已经看到了 Blaize、FlexLogic 等公司——其中很多公司都在追求这一领域。”

但真正的低功耗也相当活跃。“我想说的是 tinyML 领域也很火爆，从几毫瓦到几微瓦不等。”

Hailo软件工具链

大多数器件都是专用于人工智能的“推理”阶段。

推理发生在神经网络程序经过训练之后，这意味着它的可调参数已经完全开发到足以可靠地形成预测并且可以投入应用。

Demler说，初创公司面临的最初挑战实际上是从一个漂亮的PPT到工程中实际应用。许多人从FPGA仿真开始，然后转向销售成品SoC，或者将他们的设计变为可整合到客户SoC中的IP。

“我们仍然看到许多初创公司对冲他们的赌注，或者尽可能多地追求灵活的收入模式。”Demler 说，“首先在 FPGA 上进行演示，并提供他们的核心 IP 以进行许可。一些初创公司还提供基于 FPGA 的版本作为产品。”

Roviero

市场上有数十家供应商，因此真正点亮的芯片，也面临着各种竞争与挑战。

“很难总结出各家的真正不同。”Demler说。 “我已经看了几十个宣称‘世界第一’或‘世界最好’的PPT。”

有些公司一开始采用了不同的方法，以至于他们很早就脱颖而出，但花了一些时间才结出硕果。

澳大利亚悉尼的 BrainChip Holdings 在 2011 年就开始使用芯片来处理脉冲神经网络，这是一种人工智能的神经形态方法，旨在更准确地模拟人脑的功能。

多年来，该公司展示了其技术如何执行任务，例如使用机器视觉识别赌场地板上的扑克筹码。

“BrainChip 一直在坚决低追求这种尖端架构。”Demler 说。 “它具有独特的能力，它可以真正在设备上学习”，从而进行训练和推理。

FlexLogix

从某种意义上说，BrainChip 是所有初创公司中走得最远的：它上市了。其股票在澳大利亚证券交易所上市，股票代码为“BRN”，去年秋天，该公司发行了美国存托股票，在美国场外交易市场交易，股票代码为“BCHPY”。自那以后，股票的价值已经翻了三倍多。

BrainChip 刚刚开始产生收入。该公司在 10 月份推出了适用于 x86 和 Raspberry Pi 的“Akida”处理器的迷你 PCIe 板，并于上个月宣布了新的 PCIe 板，价格为 499 美元。该公司在 12 月季度的收入为 110 万美元，高于上一季度的 10 万美元。年度总收入250 万美元，运营亏损 1400 万美元。

事实证明，其他一些奇特的方法很难在实践中实现。芯片初创公司 Mythic 成立于 2012 年，总部位于德克萨斯奥斯汀，一直在寻求使用模拟技术实现AI的新颖路线，它不是处理 1 和 0，而是通过操纵实时的模拟电信号进行计算。

“Mythic 已经生产了一些芯片，但还没有公布我们所知道的任何设计导入。”Demler观察到。“每个人都同意，理论上，模拟应该具有功率效率优势，但在商业上实现这一点要困难得多。”

ArchiTek

Demler 指出，另一家在处理器大会上展示的初创公司 Syntiant 也是以模拟芯片设计方法开始，但认为模拟没有提供足够的功耗优势，并且开发周期更长。

加州欧文市的 Syntiant 成立于 2017 年，专注于非常简单的物体识别，它可以在功能机或可穿戴式设备上以低功耗运行。

“在功能机上，您不需要应用处理器，因此 Syntiant 解决方案是完美的。”Demler说道。

Demler 表示，无论任何一家初创公司是否成功，AI的实用性都意味着AI加速将作为一种芯片技术持续存在。

“人工智能在许多领域变得如此普遍，包括汽车、嵌入式处理、物联网、移动、PC、云等，专用加速器将变得司空见惯，就像 GPU 用于图形一样。”

Expedera

尽管如此，Demler 说，在通用 CPU、DSP 或 GPU 上运行某些任务会更有效率。这就是为什么英特尔和英伟达以及其他公司正在使用特殊指令（例如矢量处理）来继续他们的架构。

只要风投市场现金充裕，养料丰富，一千朵鲜花都可以绽放，市场可以有不同的方法进行探索。

“仍然有如此多的风险投资资金进入这一市场，我对这些增量感到震惊。”Demler说。