人工智能技術的復興，主要歸功于過去幾年以來以IT為代表的計算能力的顯著提升。在與圖形處理單元（GPU）以及云計算資源的彈性特征配合使用的情況下，在機器學習與自然語言處理實例當中，AI提出的計算資源需求對于企業而言終于不再是可望而不可及的奢求。

盡管如此，還有另一種不那么廣受關注但又同樣重要的AI復興趨勢，即AI技術被應用于物聯網與邊緣計算場景當中。根據StorCentric公司CEO Mihir Shah所言，這樣的趨勢代表著大數據的工作“對速度有著嚴格的要求，同時又必須配合良好的穩定性。”

而所有這一切，都必須通過存儲底層來支撐——換言之，除了計算能力之外，存儲已經成為AI在數據生態系統當中發揮重要作用的另一支柱。存儲對于AI技術之所以不可或缺，是因為AI巨大的計算量需要對數據進行大規模快速訪問，而這方面要求在邊緣計算與備份等實際場景中又顯得更加現實且突出。

當配合理想的存儲容量時，AI的計算速度才能夠為諸多有利于智能物聯網（IIoT）的前沿邊緣計算用例提供助力。

人臉識別

智能物聯網的存儲要求主要體現在邊緣計算應用當中。比如，美國國防部目前正在利用人臉識別等AI技術對偏遠地區進行管理，用以驗證進出設施的具體人員。很明顯，涉及高級機器學習、卷積神經網絡以及統計認知計算等因素的人臉識別技術對存儲設備提出了特殊的要求，而這，也是確保其正常運作的基礎所在。Shah在提到國防部部署人臉識別方案時表示：“他們更傾向于使用直接附加存儲方案，旨在提升數據流通速度。這類方案具有便攜性、速度性以及易于使用等優勢。”

在這個特定用例當中，人臉識別的實現在很大程度上依賴于存儲對邊緣計算的支持。Shah提到，“邊緣位置的這些人臉識別系統就位于服務器旁邊。該服務器直接連接至設備。當有人走進來時，設備會掃描他們的面部并整理出他們的生物識別指標。而服務器則會即刻進行處理，并與存儲設備中的信息進行比對。”

AI在邊緣

在之前提到的示例與其它邊緣AI部署方案當中，存儲單元往往面臨著一系列特定要求。一般來講，縮小設備尺寸對于實現物聯網而言至關重要。因此，尺寸成為了邊緣位置下，附加存儲設備的核心設計因素，而在這樣的設計下，同時還要保證其在“瘦身”之后仍然有能力處理AI所需要的數據規模。StorCentric公司CTO Rod Harrison觀察到，用于支持邊緣計算用例的某些尺寸較小的存儲單元能夠容納大約70 TB數據。另外，這種存儲設備必須具備用戶友好特性，從而滿足遠程環境當中非技術用戶的操作需要。Shah指出，“在這樣的環境中，因為沒有太多IT專業人員，所以對設備的易用性及速度都提出了要求，為此，我們在設備上配備了Thunderbolt連接端口。”

移動邊緣計算

此外，便攜性的重要性同樣在不斷攀升，除了邊緣存儲之外，包括邊緣計算本身也在強調便攜性。目前最典型的案例，就是大量智能手機正在持續生成傳感器數據。盡管與智能物聯網中的IT資產相比，智能手機可能并沒有那么大的存儲需求，但它也從另一個方面強調了便攜性的優勢。另一個典型例子是部署在偏遠地區的軍用戰斗車輛上的存儲單元。“這是一種本地存儲，操作人員可以將設備帶回基地，并下載至中央服務器。”此外，在發生故障的情況下，操作者也能夠輕松更換這種存儲單元以實現業務連續性。Shah強調，“因為整套系統非常易于使用，所以即使沒有IT工作小組，一旦某塊驅動器發生故障或者出現了其它意外狀況，身在現場的任何士兵都可以彈出這塊損壞的驅動器并立刻插入新的驅動器。”

智能邊緣

存儲對于智能物聯網的提升至關重要，它使得相關設備能夠根據需要卸下數據、按需訪問數據，并支持由部署在云端的AI提出的計算要求。如此一來，AI技術的可行性將不僅延伸至認知計算，現時也將延伸至物聯網領域。此外，便捷而可靠的存儲對于集中部署的AI方案同樣必不可少，并直接為我們帶來了當前各類常見的AI實現成果。“在我看來，AI與物聯網技術的融合首先將在一系列大型企業當中實現;但隨著時間的推移，這方面成果最終將滲透到更多中小型企業之內。”Shah表示。