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）」的电脑程式。该程式由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慧（AI）的第一个范例。

时至今日，大语言模型（Large Language Model；LLM）已成为人工智慧的代言人。LLM是一种计算演算法，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，但它只是人工智慧其中一个小众应用；相比之下，把自动化系统收集的大量资料提供予机器学习（Machine Learning；ML）演算法更加大有作为。ML是人工智慧的一种应用，允许电脑在没有直接程式设计或指令的情况下进行学习，从而不断提高机器的智慧。

全球互联的物联网能够让人们收集几??无限量资料，这些资料不仅可以提供给云端的电脑，还可以用来促进ML演算法，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资料、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，智慧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。目前的挑战在於如何将硬体和软体结合起来以实现无缝运行。

图一 : 通过不断向ML模型提供各种资料，智慧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，他对网路的设想与今天的物联网略有不同。Ashton预测数十亿个廉价、小巧的感测器将其资料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：通过网路从许多设备发送连续资料是复杂、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路流量。因为当代物联网设备的资源虽然难与云端电脑相比，但也已经能够独当一面，配备了专用应用处理器和充足的记忆体资源。这使得物联网能够支援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资料进行本地筛选，以确定哪些资料是不值一提，哪些资料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资料是否超过预设??值，还能推断出变化的含义，然後采取相应措施。

Nordic Semiconductor战略与产品管理执行??总裁Kjetil Holstad表示：「我们将这项全新功能称为边缘人工智慧（Edge AI），它为物联网产品带来了一些关键优势：可在本地即时处理输入，因此无需使用频宽通过无线链路发送原始资料，同时不会浪费时间等待云端的回应。其次，本地处理相比空中发送资料耗电更少，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感测器就是此类功能的示例。如果轴承温度逐渐升高，该感测器可以使用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，并触发感测器在发生损坏前关闭机器。

谘询公司德勤在「预测性维护（Predictive Maintenance）」定位档中表示：「资料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资料，并与边缘人工智慧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%；设备正常执行时间可延长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慧，监测机器轴承的温度感测器可以使用ML模型来推断机器预热的状况。

工程技术挑战

利用人工智慧和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模型并根据输入的资料做出决策）。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，但却缺乏人工智慧和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，使其适用於电池供电、基於微控制器的嵌入式设备。TinyML使得小型物联网感测器能够以即时回应速度执行ML任务。

TinyML使得当今的无线SoC能够支援ML，而未来的新一代硬体将能够运行更先进的ML程式。Nordic Semiconductor投入了数百万美元经费进行研究，将这类硬体推向市场。

「我们设计了能够以最隹化方式运行ML的低功耗SoC，不需要专用的ML加速器。关键在於将创新工程与最大资料处理能力和最小功耗相结合。」Holstad表示：

「随着物联网中人工智慧和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展示最隹化的力量，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软体。Holstad解释道：「凭藉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上支援高级ML所需的高处理能力和低功耗特性。Nordic还提供开展ML专案所需的全部开发工具和软体。」

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於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，用於评估大型垃圾箱的装载水准和内容物。

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、里面装了什麽或何时应该取走。这给物流和生产计画带来了问题，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的坚固感测器解决了这一问题。感测器每小时多次获取垃圾箱内部的雷达图像，然後将这些图像发送到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演算法，感测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使用蜂巢网路定位资料和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数据机将感测器资料传输到Sensorita云平台。

Sensorita还利用ML最隹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最隹化固然重要，但都属於小众产品。当ML在网路中广泛部署时，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支援具有各种感测器（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感测器）的穿戴式设备。这种穿戴式设备不仅适用於健身爱好者，还适用於老年人、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徵。如果某些或所有生命体徵出现变化迹象，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。例如血氧水准、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资料。

这类设备可以减少医院就诊次数，同时最隹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，促使网路变得更加智慧、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，并且比人们想像的更快来临，敬请大家拭目以待。