AIoT的討論熱度不斷提升，如何將AI導入物聯網終端應用中，是許多產業正在努力追求的目標。其中，視覺化AI技術發展最為成熟，也成為企業導入AI技術的首選，影像辨識技術持續深入智慧城市與智慧交通領域，開拓AIoT首波商機。
人工智慧（AI）與物聯網（IoT）的結合已是大勢所趨，近幾年，科技界紛紛角逐這一領域，希望透過AIoT創造新的市場機遇。在過去，人們將設備、機器進行互聯，大多用於狀態監控、遠端控制等目的，屬於被動執行命令。然而，隨著5G時代的到來，許多產業在尋求進一步創新的過程中，不再只滿足於僅僅連接，而是要求機器像人類一樣具備思考的能力，從大資料中進行自我學習從而啟動更多的商業價值。
終端側智慧化發展強勁
將人工智慧和物聯網結合起來並不是一件容易的事，不僅需要大量的投資，更需要精通AI演算法，同時將AI計算高效率、低功耗地在硬體上實現，對於大多數企業來說，這是不小的挑戰。AI演算法發展迅速，在過去屬於資源密集型技術，而許多傳統的物聯網設備本身成本較低，自然難以負擔AI開發成本。
傳統上，物聯網設備通常經由低成本通訊硬體將資料發送至應用管理中心或雲端進行處理和運算，然後再將有意義的資料分析轉化為決策、命令傳回至終端。有分析認為，到2020年，將有超過500億台機器、設備連接至無線網路，超過2,000億個聯網感測器將產生海量資料。隨著越來越多的應用轉移到雲端，如何採用能效最大化的計算策略來應對資料爆炸帶來的壓力顯得更為迫切。
此外，從時間延遲性的角度看，部分應用如車聯網、可穿戴式攝影機、工業控制等對回應時間要求較高，資料在設備端產生後，如果全透過遠處的雲來處理、分析，不可能做出即時決策，會造成延遲影響使用。因此，業界已有晶片和模組廠商提供整合AI能力的方案在設備端嵌入人工智慧，將部分或整個計算工作轉移到設備(邊緣)上，在最靠近資料來源的位置進行處理，作為雲計算的有益補充。舉例來說，移遠通信推出的一款智慧模組，內置AI程式處理內核及專用於AI軟體發展的Snapdragon神經處理引擎(NPE)，透過搭載協力廠商演算法可以支援人臉識別、物體識別等典型AI應用。目前各行業客戶開發能力各異，尤其是中小企業在AI落地應用時更側重應用層及商業邏輯，在基礎核心演算法等方面對於外部依賴較大，而基於類似SC66這樣整合了軟硬體開發環境的方案，使用者只需集中精力開發目標AI應用即可，大大降低了AIoT產品落地的進入和開發門檻。
根據市場研究機構Tractica披露的資料顯示，終端側智慧正在快速實現強勁發展。2018年，包括智慧手機、汽車、XR、PC/平板、智慧音箱等重要細分市場的AI應用率僅為10%，到2025年，預計這一資料有望達到100%。
視覺AI應用已成主流
AI的概念歷經六十年的發展，如今已經得到普及，各種基於聽、看、監測、觀察等感知行為的應用令人眼花繚亂。但是，究竟哪些AI應用能夠發揮真正的商業價值？目前看來，視覺AI是目前發展最成熟、應用最廣泛，同時能夠與實體經濟實現深度融合的人工智慧技術之一，已經成為許多企業接入AI能力的首選。而配有攝影機的智慧終端機正是視覺AI與物聯網的最佳結合點。
在中國部分城市，已經出現了許多與日常生活緊密結合的鮮活案例，如阿里巴巴旗下的支付寶已著手在便利店、餐廳、超市、藥店等線下零售場所布局臉部識別支付，並取得了不錯的迴響。其臉部識別技術是基於人工智慧、機器視覺、3D傳感、大數據風險控管等多項技術，所打造的最新型支付方式，使用者在無須攜帶任何設備情況下，憑藉刷臉完成支付。
此外，中國主要城市的高速鐵路車站也開始陸續部署「刷臉」就能進站的自助閘機服務，攝影機在捕捉和裁剪人臉資訊後，會對抓取到的面部圖像進行建模，進而分析面部結構，與機器從身分證晶片中讀取的旅客身分資訊和車票資訊進行對比、處理，整個過程只需4秒左右。對於高鐵運營總里程占全球總里程70%的中國地區來說，這個應用不僅提升了用戶體驗，也節省了大量的人力資源，可以說切實展現了人工智慧帶來的好處。
AI應用逐漸升溫
工業應用也成為AI變革的主要行業之一，隨著工廠自動化的升溫，AI逐步滲透進產品質檢等環節，借助AI Engine的計算能力和攝影機來提高產品瑕疵監測效率等；智慧看板同樣基於AI視覺識別，在識別出受眾性別、年齡後再進行更加智慧化、精準化的廣告推送。此外，在車聯網領域，針對公車、網約車、長途客運車等運營車輛的駕駛員行為檢測系統，可以藉由臉部識別、疲憊檢測、行為檢測等功能來辨別司機是否有不規範駕駛的行為，並及時加以提醒。
產業內有觀點認為，未來伴隨5G商用的落地，憑藉AI視覺場景的廣泛運用，電腦視覺將發展成為萬物智慧時代的標配。但就目前發展現狀，整個市場仍需強大的推力，來突破技術與市場之間的阻隔。
在5G、萬物互聯等技術的加持下，AI被寄予厚望，市場熱度持續提升，但其規模化應用仍需時日。對環境進行視覺、聽覺的感知僅是AI邁出的第一步，更重要的是下一步如何根據獲取的資料進行推理，包括自我學習、情景推斷和預估等，而這些需要建立在合適的資料模型之上。以往的物聯網大數據是面向商業智慧軟體的，主要目的是幫助人總結出一些經驗，因此更強調查詢、統計、視覺化等功能，而AI大數據需要能夠支援機器進行自我學習，兩者大不相同，如果資料模型不對，缺乏有效資料，反倒會成為AI落地的障礙。
科技的發展永不停歇。5G的加速商用為AIoT的發展按下了快速鍵，全球科技巨頭也針對人工智慧全面布局，相信在不久的將來會催生AIoT市場蝶變，拓寬人類的認知邊界，讓人工智慧普惠大眾。
(本文作者任職於移遠通信)