物聯網（IOT）通過將虛擬和現實融為一體，將世界變得更智能、更具響應性。在過去的幾年里，物聯網在廣泛的應用領域呈現出指數級增長。根據麥肯錫的一項研究，到2025年，物聯網將產生4到11萬億美元的經濟影響。邊緣設備將變得更加智能，廠家也正在競相支持更多互聯和智能的端點設備。

在安全的云基礎設施的支持下，智能互聯設備具有許多優勢，持有成本、資源效率、靈活以及方便使用。然而，在設備和云之間來回傳輸數據的過程，會帶來額外的數據延遲和隱私風險。對于非實時、低延遲要求的應用來講，這通常不是問題，但對于依賴實時分析并需要在事件發生時快速響應的業務來說，這會造成性能的瓶頸。

想象一下，在一個工廠中，通過實時數據分析和智能化設備進行感應通信，可以顯著優化整體運營、物流和供應鏈。這種工業傳感器產生的數據和為之響應的控制設備對工廠操作人員幫助很大，通過預防性的異常檢測避免生產事故，確保工作場所的安全。

這也體現出了執行本地化機器學習和分析的現實需求，縮短關鍵應用程序的響應延遲，防止數據泄露，并有效管理物聯網產生的數據。那么就要將數據的計算下放到離數據采集更近的地方，即所謂“端點”，而不是將數據統統發送回云端的數據中心進行處理。

將高性能物聯網設備與人工智能相結合，創造出新的應用場景，就是所謂的AIoT。AIoT——邊緣設備上人工智能——釋放無限可能。例如：助聽器利用算法從談話中過濾背景噪音，智能家居設備依靠人臉和聲音識別來切換用戶的個性化設置。正因為端點人工智能，這些個性化的感知、決策和預測成為可能。

Endpoint AI是人工智能領域一個新的前沿技術，它將人工智能的處理能力帶到了網絡邊緣。這是一種在本地設備上管理信息、搜集數據和做出決策的革命性方式。換言之，它為用于數據計算的物聯網設備賦予了人工智能，即實時決策的能力。目標是讓基于機器學習的智能決策在物理上更接近數據源。如下圖所示，預先訓練好的AI/ML模型可以有效地部署在端點，從而實現比傳統云連接的物聯網系統更高的系統效率。

傳統物聯網vs人工智能物聯網

Endpoint AI基于在本地邊緣設備上運行機器學習算法來做出決策，而不必向云服務器發送信息（至少減少發送的信息量）。

借助從物聯網設備收集的大量實時數據，智能機器學習算法可以高效地從實時數據中獲取最有價值的洞察能力。然而，這些機器學習算法可能很復雜，因為它們需要更高的計算能力和更大的內存。此外，在龐大的數據集中進行模式識別并做出準確決策所需的時間可能相當長。

過去，在資源受限的微控制器等設備上采用高效的機器學習算法是不可行的，但隨著TinyML技術的進步，一切變得可能。TinyML已經成為許多嵌入式應用的規則改變者，因為它允許用戶直接在微控制器上運行ML算法。它能帶來更高效的能源管理、數據保護、更快的響應時間以及能在端點上運行的優化算法。

此外，新一代通用微控制器提供了足夠的計算能力、智能的省電外設，最重要的是，強大的安全引擎來支持設備對數據隱私的要求。這為AIoT領域的新應用以及新型數據處理、延遲和安全解決方案創造了條件，并支持離線或者在線運行。

讓我們簡單了解一下Endpoint AI（端點人工智能）的優勢。

隱私和安全-這是先決條件

在對隱私和安全非常重視的環境，通常是來自法規和商業需求的壓力，數據的搜集和分析是endpoint AI的核心。Endpoint AI從根本上來講它更加安全。數據不被發送到云端，而是由端點本身來處理。根據F-Secure報告，物聯網中的端點設備是“2019年網絡攻擊的首要目標”，另一項研究表明，物聯網設備平均每月遭受5200次攻擊。這些攻擊大多發生在數據從物聯網設備傳輸到云端的過程。那么，數據不出本地就能進行數據分析，可以大大提高抵御黑客攻擊的能力。

高效的數據傳輸

數據的集中處理需要將數據從數據源轉發到處理中心，以便對其進行分析。傳輸數據的時間可能會很長，也存在數據出錯的風險，尤其是傳輸路徑上環境發生重大變化的情況下。

Endpoint AI將數據從設備、傳感器和機器傳輸到邊緣數據中心或云，大大減少了決策執行的時間，提高了“數據傳輸處理-決策”這個周期的效率。

一些數據處理可以在分散的邊緣設備上完成，有效減少網絡流量，提高準確性，同時降低成本。

最短等待時間

1500毫秒（1.5秒）的延遲是電子商務網站要取得類似實體店用戶體驗的極限。用戶不會容忍更長的延遲，他們會選擇放棄，從而導致電子商務營收的減少。有了Endpoint AI，通過將數據轉發到更接近數據源的位置來減少延遲。軟件和硬件解決方案部署下去能夠實現無等待的用戶體驗。

關鍵的可靠性

Endpoint AI的另一個關鍵優勢是可靠性，因為從根本上來說，它更少依賴于云，從而提高了整體系統性能，降低了數據丟失的風險。

它可確保您的信息始終可用，并且不會離開本地，從而實現獨立、實時的決策。同時決策必須準確并立刻執行。實現這一點的唯一方法是在邊緣設備部署AI。

多合一設備

Endpoint AI支持集成多種AI/ML模型，有助于增強系統性能、功能以及最重要的穩健性。例如，語音+視覺功能組合，特別適合基于人工智能的免提視覺系統。語音識別可激活對物體和人臉的識別，用于智能監控或免提視訊會議系統等應用。視覺人工智能識別還可用于許多商業或工業應用中來監控操作員行為、控制關鍵操作，或者識錯管理和風險檢測。

可持續并且可行

將AI和ML功能與高性能計算設備相集成，可以開發出高度可持續的解決方案。這些技術的融合可以提供更便攜、智能、節能、更經濟的設備。，在很多應用中AI可以幫助改善它們對環境的影響可。例如，人工智能參與的分布式清潔電網、精準農業、可持續供應鏈、環境監測以及天氣和災害的預測和響應。

Renesas根據各種應用和系統的需求，積極參與AI/ML解決方案的提供。它與其合作伙伴一起，在硬件和軟件方面提供全面和高度優化的可運行在端點設備上的AI/ML多功能解決方案。

人工智能不僅僅存在于云中；它將無處不在。本地設備的智能化、縮短的延遲、數據完整性、更快的執行力、可擴展性等等都是Endpoint AI的優勢所在，這使得它在人工智能領域創造出更多的可能和機遇。

現在，是時候讓開發人員、產品經理和業務相關人員抓住這個巨大的商機，構建更好的AIoT系統，解決現實世界中的難題，并產生新的業務營收。

審核編輯：郭婷