物聯網 (IoT) 在我們生活的各個領域造成了廣泛的破壞。物聯網的發展不受獨特技術領域進步的影響；相反，一系列新興技術和創新趨勢匯聚在一起，創造了對無處不在世界的統一體驗。邊緣計算、5G/6G 革命和云計算的出現引入了一套架構模式，以最大限度地減少延遲、網絡帶寬要求，并允許系統擴展超出限制。在“新常態”的世界中，商業和社會轉型帶來的無限機遇將物聯網應用融入我們的日常生活，數十億個傳感器相互無縫交互。
暴露無孔不入的(de)(de)渠道(dao)和部署智能自動化(hua)的(de)(de)快速(su)擴張為 21 世紀(ji)數字化(hua)轉(zhuan)型的(de)(de)未來帶來了嚴峻(jun)挑(tiao)戰(zhan)。AI 和 ML 有前途的(de)(de)應用(yong)(yong)大(da)多在(zai)集中(zhong)式(shi)云生態系統中(zhong)執行，遠離行動點。這種(zhong)情(qing)報并非旨在(zai)從作戰(zhan)環境中(zhong)獲(huo)得態勢感知(zhi)。利用(yong)(yong)捕獲(huo)和分析時間數據以及在(zai)運營周期的(de)(de)活動窗口內及時解(jie)釋感官事(shi)件的(de)(de)好處正在(zai)成為獲(huo)得戰(zhan)略優(you)勢和解(jie)決網絡安全問(wen)題的(de)(de)關鍵當務之急。隨著傳感器和應用(yong)(yong)程序(xu)的(de)(de)多樣性呈指數增長(chang)。
在工業自動化的背景下，以邊緣為中心的設計應用并不新鮮。基于目的的控制系統旨在記錄異常和邏輯驅動的切換功能以管理企業資產。邊緣架構的現代設計需要自主操作，并支持直觀的工作流程，而人工干預有限或無需人工干預。圍繞自動駕駛汽車、機器人手術、遠程患者監控、智能家庭能源自動化、智能電網監控、智慧城市基礎設施等的炒作，都是依靠邊緣節點來模仿專家的思維和像人類一樣有意識的行為。通常的 AI/ML 模型通過處理大量歷史數據的大規模計算來增強可操作的洞察力。
計算密集型迭代訓練隨著時間的推移提高了模型性能。此類功能通常部署為離線流程，以執行更深入的分析并提取預測/規范趨勢。在邊緣智能的當前和未來實施范圍內，我們見證了三個需要解決的關鍵問題或變化：
預定義(yi)規則/定制驗證(zheng)的限(xian)制可以通過可擴展(zhan)且(qie)直(zhi)觀(guan)的 AI/ML 模型(xing)來(lai)解(jie)決(jue)，該模型(xing)能夠從(cong)離散的感官反饋(kui)/事件中提取可操作的見解(jie)。但是(shi)，此類功(gong)能與遠程云基礎設施(shi)建立了強耦合。
無法通過實時聚合(he)入站數(shu)據和事件來開發需要(yao)(yao)自適(shi)應知(zhi)(zhi)識豐(feng)富能力(li)的(de)態勢(shi)感(gan)知(zhi)(zhi)。這種(zhong)上下(xia)文(wen)感(gan)知(zhi)(zhi)對于擴展自主(zhu)操作、抑制災難性(xing)故(gu)障以及(ji)在對云(yun)的(de)依(yi)賴(lai)最(zui)小(xiao)化(hua)的(de)情況下(xia)開發邊緣(yuan)到邊緣(yuan)協作至(zhi)關(guan)重(zhong)要(yao)(yao)。
通過推斷(duan)第 2 點，邊緣運行時系統應通過縮短響應時間或采(cai)取預防措施，最大限度地減少分布式物(wu)聯網資產對網絡(luo)安全威脅的(de)暴露。此(ci)外(wai)，應在(zai)行動(dong)點識別侵入式請求/命令和勒索(suo)軟件(jian)攻擊的(de)模(mo)式。
因此，新興的物聯網系統打算繼承一種新的智能，可以在事件生命周期的最短窗口內感知、決定和處理物理事件。認知人工智能與分布式物聯網系統的融合有望提供一站式解決方案，以解決智能邊緣原生平臺的戰略需求，并實現下一代物聯網系統的工業 4.0 基準。
認(ren)知(zhi)模(mo)(mo)型旨在復制(zhi)人類行為和(he)(he)推理(li)模(mo)(mo)式，以理(li)解預(yu)測性和(he)(he)規范性趨勢。認(ren)知(zhi) AI 模(mo)(mo)型的(de)(de)基于語義的(de)(de)學習對歷史(shi)數據的(de)(de)依賴性最小，并(bing)且隨(sui)著時(shi)間(jian)的(de)(de)推移具有(you)內在的(de)(de)增量知(zhi)識開(kai)發能(neng)力(li)。這(zhe)樣的(de)(de)運(yun)行時(shi)非常適合邊緣節點(dian)上(shang)的(de)(de)任何直觀操作，這(zhe)些(xie)操作受限于有(you)限的(de)(de)處理(li)和(he)(he)持久性能(neng)力(li)。隨(sui)著時(shi)間(jian)的(de)(de)推移重新(xin)訓(xun)練模(mo)(mo)型，無法實現(xian)獲(huo)得運(yun)營成(cheng)熟度(du)和(he)(he)響(xiang)應自動化的(de)(de)系(xi)統化過程。認(ren)知(zhi)成(cheng)熟度(du)的(de)(de)提高應通(tong)過逐步獲(huo)取信(xin)息和(he)(he)進行時(shi)間(jian)點(dian)分析來實現(xian)。
此外(wai)，發展認(ren)知(zhi)智能(neng)、感知(zhi)和神經運(yun)動能(neng)力的過程(cheng)主要(yao)是通過無監督學(xue)習的自(zi)適(shi)應過程(cheng)來完成的。通過認(ren)知(zhi) AI 圍繞自(zi)我學(xue)習、權衡上下文和分(fen)析沖突證(zheng)據的能(neng)力提高了物(wu)聯網系(xi)統智能(neng)邊緣運(yun)行時的運(yun)營(ying)智能(neng)、可擴展性(xing)和可擴展性(xing)。
移動邊緣計算(suan)和(he) Cloudlets 的進步趨勢正在將基于(yu)邊緣的智能傳播到(dao)連(lian)接(jie)和(he)更受控制(zhi)的企(qi)業系統(tong)中。然(ran)而，在普遍的網(wang)絡物理生態系統(tong)的多樣(yang)性中，離散邊緣節點(dian)的自主(zhu)性將需要在最少監督的情況下獲得運營智能。
認(ren)知計(ji)(ji)算智能的(de)(de)新(xin)興創新(xin)揭示了(le)引(yin)入當代基于軟計(ji)(ji)算的(de)(de)算法、架構重新(xin)思考(kao)和(he)下一代物聯網系統(tong)的(de)(de)漸進式系統(tong)設計(ji)(ji)的(de)(de)巨大潛(qian)力。認(ren)知物聯網系統(tong)粉碎(sui)了(le)軟件(jian)和(he)硬件(jian)子系統(tong)的(de)(de)孤島和(he)相互(hu)依賴(lai)之間的(de)(de)強(qiang)烈(lie)劃分。邊(bian)緣原生 AI 組件(jian)的(de)(de)靈活性足以識別物理環境的(de)(de)變(bian)化(hua)并實時(shi)動態調整分析結果。因此，人機或機器與機器之間的(de)(de)交互(hu)變(bian)得更加(jia)動態、可互(hu)操作并且與任何操作的(de)(de)時(shi)間和(he)范圍相關。
結論
隨(sui)著我們將注意力轉移到新(xin)(xin)范式，認(ren)知邊(bian)緣運行時的(de)(de)(de)實時模式識(shi)別和異(yi)常(chang)檢(jian)測功能顯(xian)著降(jiang)低了分布(bu)式物聯(lian)(lian)網應用程序和網絡的(de)(de)(de)脆(cui)弱性。這種保護性智(zhi)能可以(yi)補充不太安全的(de)(de)(de)現(xian)有自(zi)動化(hua)，也可以(yi)成為未來實施的(de)(de)(de)一(yi)部分。因此，認(ren)知人工智(zhi)能與邊(bian)緣計(ji)算的(de)(de)(de)融合將通過克(ke)服新(xin)(xin)興的(de)(de)(de)面向邊(bian)緣的(de)(de)(de)設計(ji)模式的(de)(de)(de)固有局限性，繼(ji)續顛(dian)覆物聯(lian)(lian)網系統(tong)的(de)(de)(de)創新(xin)(xin)。由于嵌入式設備上計(ji)算和存儲(chu)能力的(de)(de)(de)快速發(fa)展，兩(liang)種新(xin)(xin)興技術趨勢之(zhi)間的(de)(de)(de)聯(lian)(lian)系將繼(ji)續加強。
