陕西悟空云｜边缘人工智能的开放标准制定迫在眉睫！

政府和行业应该积极合作，尽快制定和推广人工智能在分析和处理边缘捕获数据的开放标准。

想象一下，由于道路十字突发的交通事故，双向的行人和车辆同时在停止线前等待绿灯，因为双向的交通灯都临时额外增加了15秒的红灯时间。

道路周边的相机通过视觉分析可以实时的感知当前的车辆流量，从而可以智能、安全地即时调整红绿灯的时长，以便让车辆尽可能快速的驶离；或者探测到目前处于交通繁忙或车辆超速行驶，也可以进一步延长交通灯时间以保障交通安全。

这是就是边缘人工智能应用的一个简单例子，这也是政府及各行业都在积极研究、部署边缘智能的原因。通过人工智能技术能够提高民用、军用服务或产品的安全性，避免设备中断、优化体验，或者进行预测并采取对应的方案行动。

然而在现阶段，由于缺乏开放标准，边缘的人工智能发展受到阻碍。不同的边缘设备使用不同且可能不兼容的软件，从而阻碍了互操作性。

此外不同硬件制造商的捕获数据方式不同、数据格式差异，这些都会加剧信息分析的难度。而新的技术变革一旦来临，目前的边缘部署都将过时或面临代价高昂的修补。我们呼吁政府和行业应该积极合作，尽快落实开放标准的制定和广泛推广，为边缘构建人工智能的未来奠定坚实的基础。

开放标准为 AI 带来更加确定的未来

作为一项新兴技术，人工智能的解决方案通常是围绕专业设计构建的。除了专业人士，对于普通大众来说是难以理解和操作的，这限制了人工智能技术应用的探索。

同样重要的另一个问题是：边缘智能的解决方案容易受到技术迭代的影响。比如系统可能操控着数以万计台的物联网设备，每次升级就需要更新这数以万计台边缘设备中的AI软件系统以适应最新技术，这样的操作可能既耗时又昂贵。

为所有边缘供应商和研发机构提供一套人工智能解决方案的开放标准能够解决上述问题，并为未来人工智能的发展增添巨大的优势。它几乎可以充当一个虚拟化层，让机构可以插入并重用 AI 代码；将使人工智能解决方案准备就绪，并允许机构专注于数据捕获和分析，而不是不断更新人工智能软件。

可移植性与可重用性能够提高效率并节省成本

设计人工智能解决方案以利用通用数据格式和容器化将进一步利用这些优势。容器化的微服务架构将使人工智能解决方案具有可重用性、可移植性和使用寿命。微服务非常适合边缘应用程序，因为它们减少了功耗，以及特定用途边缘设备上的软件占用空间。

此外，复杂的边缘部署，特别是对于军事而言，可能涉及用于收集广泛数据的多个应用程序。通常，这些应用程序根本无法一起工作。但是通过开放标准和微服务，机构可以在边缘集成这些应用程序，以结合他们做出快速、准确决策所需的数据。

同样，为服务网格（通过网络进行服务到服务通信的基础设施层）进行设计，可以实现对大型物联网设备生态系统的一键更新。这对于快速解决新出现的安全问题尤为重要。

可解释性是在 AI 模型中建立公众信任的关键

人工智能的解决方案可能涉及非常大的数据集，它们可以执行数据分析，推动相应的后续决策。这就要求用户和公众必须能够理解 AI 模型并信任他们的采集和输出。

因此，可解释性是关键。

可解释性超越了与基础设施相关的标准和可移植性问题，而主要在于 AI 模型的设计方式。限制使用的智能类型可以使 AI 模型更易于理解和信任，它还可以最大限度地减少所需的硬件，这在边缘是有益的，在边缘，低成本、高效率和小尺寸是至关重要的。

更重要的是，许多潜在的人工智能应用程序都是“棕地”机会，其数据已经被捕获，如交通信号灯示例。边缘人工智能的一些应用几乎不需要额外的硬件。简单的逻辑回归、线性回归或其他标准机器学习模型可以在边缘进行决策，而无需拆除和替换现有的基础设施。

基于标准的数据收集如何推动人工智能发展

机构已经在许多领域收集边缘数据，例如基础设施、建筑、环境监测等。人工智能可以应用于这些场景，例如机器设备的预测性维护；对用水量和野火风险等公共安全问题进行实时管理；持续评估道路、桥梁和港口。

基于标准的数据收集将更容易利用这些已捕获数据，基于标准的人工智能分析将更容易识别实时动态、快速决策并实施动作。所有这些优势都可以在尚未对高度专业化的技术和数据科学家进行大量投资的情况下实现。

这并不是说开放标准、可移植性和可解释性本身就很容易实现。他们需要政府和行业之间的承诺和合作。但开放标准将刺激投资，并为更多政府应用带来人工智能的承诺，这些应用可以推进任务并造福于公众。