大多数现代的物联网生态系统都依赖于与互联网的永久连接。设备不断地向云中的数据中心发送和接收数据。明显的优点:用户可随时随地对系统进行监控和控制。明显的缺点:在连接丢失的情况下,大多数系统停止工作。为什么我们愿意承担这个风险?
物联网之所以被称为物联网,是因为互联网扮演了重要的角色。设备在本地环境中不再被隔离,它们可以随时与外界互动,使用天气或交通的实时数据,帮助我们做出最佳决策,管理我们的日常生活。但是,永远在线所带来的便捷,让我们对数据变得很随意。
物联网设备通常通过网络向数百公里之外发送数据,进行交互,即使有时设备之间的距离只有几米。当我们使用我们的智能手机,打开客厅的灯时,在毫秒之内,该命令就穿梭了大陆的一半。我们认为这很正常。但是,如果你的孩子就在隔壁房间,你会通过WhatsApp来叫他吃饭吗?这很奇怪,不是吗?
随着市场上的处理器更便宜,更小,是时候收回一点控制权了。如果智能设备依赖于信息中心来做出决定,那么这个设备并不智能。
过去,云是一切的解决方案,但这种趋势似乎正在转变。显而易见,并不是所有的数据都需要发送到云,这样会使得物联网生态系统容易出现停电现象,甚至使整个安装过程放缓。
边缘计算越来越受欢迎,将处理能力从信息中心逐渐转移到网络边缘。即使像微软(Azure IoT Edge)和亚马逊(AWS Greengrass)这样的巨头最近也意识到这样的趋势,并提供他们的边缘解决方案。
边缘这个术语起源于移动网络,通常数据在尽可能接近终端用户设备的点被压缩;目的是使其更快地在移动网络中传输。其目标是缓解网络负担,加快整个系统的运行。边缘意味着在终端进行尽可能多的处理—在网络的边缘,通常在连接设备上。它适用于移动网络,所以应该也适用于物联网网络。
云或边缘:应该如何选择?
在生活中经常如此,没有完美的解决方案。这取决于每个用例。两者的混合可能是完美的:在混合系统中,简单的任务在设备之间直接进行。这样,他们可以尽可能快速,独立地完成工作,这对于楼宇自动化,或智能行业的设置,尤为有效。
只需确保你将分析和监控所需的数据,发送到云。 随着大型公司将业务从纯云转移到混合产品,我们甚至可能会看到因为有无数不同的标准,多样化物联网的各种困难。
因为短期内不会有任何通用的物联网标准,因此设备和网关制造商可能会在其设备中实现更多的功能,而不仅仅是将其放到云中。 关于物联网生态系统,我们已经徘徊在边缘太久了。让我们更靠近它。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。