早在1956年，Allen Newell、Cliff Shaw和Herbert Simon合力制作了一个名为「逻辑理论家（The Logic Theorist）」的计算机程序。该程序由RAND Corporation资助开发，旨在模仿人类解决问题的技能，许多人认为它是人工智能（AI）的第一个范例。
时至今日，大语言模型（Large Language Model；LLM）已成为人工智能的代言人。LLM是一种计算算法，通过密集训练来学习文本（TEXT）文档中的统计关系，从而实现通用语言生成和其他自然语言处理任务，OpenAI的ChatGPT可能是最知名的示例。
尽管LLM非常有用，但它只是人工智能其中一个小众应用；相比之下，把自动化系统收集的大量数据提供予机器学习（Machine Learning；ML）算法更加大有作为。ML是人工智能的一种应用，允许计算机在没有直接程序设计或指令的情况下进行学习，从而不断提高机器的智能。
全球互联的物联网能够让人们收集几乎无限量数据，这些数据不仅可以提供给云端的计算机，还可以用来促进ML算法，从而为物联网内数十亿联网设备提高智慧。这意味着，即使是最普通的物联网设备也能不断提升智慧，为未来的工业、商业、教育、医疗等领域带来巨大潜力。
就拿最不起眼的冰箱来说吧，全世界有数十亿台冰箱，占全球总耗电量的12%。通过不断向ML模型提供外部和内部温度数据、柜内存放食物的数量、柜门打开的频率，以及电网负荷较低时段等高级资料，智能冰箱压缩机控制器可以快速适应使用模式，以减省能源使用和碳排放，这是非常美好的愿景。目前的挑战在于如何将硬件和软件结合起来以实现无缝运行。
图一 : 通过不断向ML模型提供各种数据，智能冰箱压缩机控制器可以快速适应使用模式，以减省能源使用和碳排放。
向边缘发展
1999年，当Kevin Ashton提出「物联网（the Internet of Things）」一词时，他对网络的设想与今天的物联网略有不同。Ashton预测数十亿个廉价、小巧的传感器将其数据传送到功能强大的集中式计算资源，并进行繁重的计算操作。Ashton的预测很有远见，但也有失算之处：通过网络从许多设备发送连续数据是复杂、耗能且费用昂贵的事情。
如今，我们通过将物联网的智慧分配到边缘，最大限度地减少了网络流量。因为当代物联网设备的资源虽然难与云端计算机相比，但也已经能够独当一面，配备了专用应用处理器和充足的内存资源。这使得物联网能够支持广泛分布的计算资源，其中的单个设备均能够进行重要的边缘处理。
在最基本的层面上，边缘处理可让物联网设备对数据进行本地筛选，以确定哪些数据是不值一提，哪些数据则显示情况正在发生变化并应当转发做进一步分析。ML使得边缘设备不仅能检查数据是否超过默认阈值，还能推断出变化的含义，然后采取相应措施。
Nordic Semiconductor战略与产品管理执行副总裁Kjetil Holstad表示：「我们将这项全新功能称为边缘人工智能（Edge AI），它为物联网产品带来了一些关键优势：可在本地实时处理输入，因此无需使用带宽通过无线链路发送原始数据，同时不会浪费时间等待云端的响应。其次，本地处理相比空中发送数据耗电更少，因而物联网设备可以运行更长时间或使用更小的电池。」
监测机器轴承的温度传感器就是此类功能的示例。如果轴承温度逐渐升高，该传感器可以使用ML模型来推断这仅仅是机器在预热，无需担心；若轴承温度快速上升，则可能显示润滑出现故障，并触发传感器在发生损坏前关闭机器。
咨询公司德勤在「预测性维护（Predictive Maintenance）」定位檔中表示：「数据是任何预测性维护引擎的动力。其质素和数量是分析根本原因和提前预测故障的限制因素。物联网提供了大量精确数据，并与边缘人工智能一起为预测性维护领域带来了巨大的经济潜力。」
德勤公司指出，每年非计划性机器停机给工业制造商造成的损失估计高达500 亿美元；实施预测性维护，每年平均可节省材料成本5%至10%；设备正常运行时间可延长10%至20%；总体维护成本可降低5%至10%；维护规划时间可缩短 20%至50%。
图二 : 通过在设备中添加边缘人工智能，监测机器轴承的温度传感器可以使用ML模型来推断机器预热的状况。
工程技术挑战
利用人工智能和ML增强物联网确实好处多多，但大规模实施这种技术却充满挑战。当今许多先进的ML模型都需要大量的计算资源和功耗来执行推理（运行 ML模型并根据输入的数据做出决策）。然而，当今大量的物联网连接设备虽然能够执行一些边缘计算，但却缺乏人工智能和ML所需的资源。
Tiny Machine Learning或TinyML是一种解决方案。TinyML是ML的一个分支，它简化了ML技术，使其适用于电池供电、基于微控制器的嵌入式设备。TinyML使得小型物联网传感器能够以实时响应速度执行ML任务。
TinyML使得当今的无线SoC能够支持ML，而未来的新一代硬件将能够运行更先进的ML程序。Nordic Semiconductor投入了数百万美元经费进行研究，将这类硬件推向市场。
「我们设计了能够以优化方式运行ML的低功耗SoC，不需要专用的ML加速器。关键在于将创新工程与最大数据处理能力和最小功耗相结合。」Holstad表示：「随着物联网中人工智能和ML不断发展，对其提出的要求也会越来越高；这可能意味着未来超低功耗嵌入式设备将配备专用ML加速器内核。但现在，我们的高效SoC和SiP展示优化的力量，毋须加速器也可实现先进的ML。」
他以Nordic双核nRF5340和新型第五代无线SoC产品nRF54H20为例，这些 SoC采用Edge Impulse的TinyML软件。Holstad解释道：「凭借nRF53和nRF54系列，Nordic成功地打破了处理能力和功耗之间的折衷权衡。这意味着开发人员可以立即获得在电池供电SoC上支持高级ML所需的高处理能力和低功耗特性。Nordic还提供开展ML项目所需的全部开发工具和软件。」
ML大放异彩
尽管面临严峻的工程技术挑战，但开发人员已经开始将带有ML的物联网产品引入商业领域。挪威公司Sensorita就是一个示例，该公司推出的智慧废物管理解决方案基于Nordic公司nRF9160 SiP蜂巢物联网产品和挪威生命科学大学研究的雷达技术，用于评估大型垃圾箱的装载水平和内容物。
Sensorita执行长Ulrikke Lien表示：「客户移动废物处理箱，或者弃置与分类标示不同的废物，使得废物处理公司无法知道垃圾箱有多满、里面装了什么或何时应该取走。这给物流和生产计划带来了问题，而且不必要的回收操作也增加了二氧化碳排放量。」
Sensorita已借助一款结合雷达和GPS的坚固传感器解决了这一问题。传感器每小时多次获取垃圾箱内部的雷达图像，然后将这些图像发送到Sensorita云平台进行分析。通过利用在数百万幅雷达图像上训练出来的ML算法，传感器能够估算出垃圾箱的满载程度以及所装载的主要垃圾类型。
nRF9160 SiP使用蜂巢网络定位数据和GNSS三角测量法记录每个垃圾箱的精确位置，并通过其LTE-M/NB-IoT调制解调器将传感器数据传输到Sensorita云平台。
Sensorita还利用ML优化卡车在城市中清空垃圾箱的路线，结果节省燃料、减少工时，并且降低碳排放。
更高效的冰箱、预测性维护和垃圾箱优化固然重要，但都属于小众产品。当ML在网络中广泛部署时，成果将无比巨大，例如对医疗保健的影响。像Nordic的nRF54H20这样的无线SoC支持具有各种传感器（如心率、心率变异性、温度、呼吸频率、血氧、压力、疲劳和其他生理迹象传感器）的穿戴式设备。这种穿戴式设备不仅适用于健身爱好者，还适用于老年人、成年人和儿童。
有了ML和蜂巢物联网连接，穿戴式设备能够同时持续监测多种生命体征。如果某些或所有生命体征出现变化迹象，穿戴式设备的ML模型就能判断这种趋势是微不足道的，还是严重的紧急医疗情况。例如血氧水平、心率、血压和呼吸的突然变化显示心脏问题迫在眉睫。如果情况严重，穿戴式设备还能够通知急救人员，同时在其到达之前提供重要的数据。
这类设备可以减少医院就诊次数，同时优化对真正需要人士的护理，从而节省紧张的医疗预算，这将为全球节省数千亿美元。
在依靠电池运行的低功耗嵌入式设备上执行ML的能力，将会改变物联网，促使网络变得更加智能、强大和灵活，还将带来先前不可能实现的新型产品和应用。未来将会十分精彩，并且比人们想象的更快来临，敬请大家拭目以待。
