機器學(xué)習(xí)有著很高的處理需求，而其通信成本意味著人們最終需要它在邊緣的地方(智能手機)發(fā)揮作用。

　　如今，人們正在進(jìn)入由人工智能(AI)驅(qū)動的新一輪技術(shù)創(chuàng)新時代，機器學(xué)習(xí)處于技術(shù)最前沿。即使在今天，機器學(xué)習(xí)也是任何設(shè)備體驗的重要技術(shù)，為各種任務(wù)、功能、應(yīng)用程序提供支持。從設(shè)備上的安全性(如面部解鎖、面部識別和指紋識別)，到智能手機攝像頭和音頻功能(允許用戶通過諸如Socratic、Snapchat、FaceApp、Shazam等應(yīng)用程序獲得更智能和有趣的體驗)，經(jīng)常使用各種基于機器學(xué)習(xí)的功能由消費者提供。

　　但是，對于創(chuàng)建大量數(shù)據(jù)的基于機器學(xué)習(xí)的任務(wù)，這些任務(wù)通常會轉(zhuǎn)移到云端進(jìn)行處理，然后再通過操作發(fā)送回設(shè)備。例如，Socratic和Shazam都在云中使用機器學(xué)習(xí)處理，而不是在設(shè)備上。這就帶來了一個問題：在設(shè)備上進(jìn)行機器學(xué)習(xí)處理會不會更簡單、更快捷?

　　能夠在設(shè)備或邊緣上執(zhí)行基于機器學(xué)習(xí)的任務(wù)，而不是將其發(fā)送到云端進(jìn)行處理，許多人將其描述為“機器學(xué)習(xí)演進(jìn)的下一個階段”。有許多重要的限制，功耗、成本、延遲、隱私等限制因素使得在云端和設(shè)備之間來回傳輸?shù)臋C器學(xué)習(xí)數(shù)據(jù)不切實際。幾年前，機器學(xué)習(xí)在邊緣領(lǐng)域似乎是一個“白日夢”，而設(shè)備的技術(shù)創(chuàng)新使它們能夠處理計算密集型任務(wù)。

　　云計算的約束

　　云端的機器學(xué)習(xí)處理的所有約束都是相互關(guān)聯(lián)的。

　　首先，處理云端的機器學(xué)習(xí)任務(wù)所需的大量數(shù)據(jù)的功率和成本是巨大的，更不用說通過不斷增長的帶寬需求產(chǎn)生的大量流量。早在2017年，就有人指出，如果每個人每天使用他們的Android語音助手三分鐘，那么谷歌公司必須將其擁有的數(shù)據(jù)中心數(shù)量翻一番。

　　而在2019年，谷歌公司可能解決了這一特殊挑戰(zhàn)——事實上，在最近的會議中，谷歌公司表示可以讓500GB語音輔助模式縮小到0.5GB，因此它可以在移動設(shè)備上完全運行。然而，它確實說明了云端的機器學(xué)習(xí)可以處理巨大基礎(chǔ)設(shè)施和經(jīng)濟需求。邊緣的機器學(xué)習(xí)可以通過減少對基于云計算的機器學(xué)習(xí)所需的云計算服務(wù)和支持基礎(chǔ)設(shè)施的依賴來減輕這些負(fù)擔(dān)。

　　用于云端的機器學(xué)習(xí)處理的巨大經(jīng)濟成本可能最好通過開發(fā)人員的經(jīng)驗來說明。每臺設(shè)備在服務(wù)器上進(jìn)行一秒鐘的計算大約需要0.00003美元。這顯然是一個非常小的成本，但是當(dāng)考慮到開發(fā)商的目標(biāo)是盡可能多的受眾時，其成本很快就會開始上升。例如，對于一百萬臺設(shè)備，服務(wù)器上一秒鐘的計算成本是28美元，即每分鐘1680美元。對于以1億用戶為目標(biāo)的極其成功應(yīng)用程序，開發(fā)商將支付每分鐘160萬美元的費用!

　　最重要的是，將云計算用于基于機器學(xué)習(xí)的任務(wù)根本不可行。即使距離很近，也需要大量的電力才能將數(shù)據(jù)發(fā)送到云端。在設(shè)備上，基于機器學(xué)習(xí)的處理所需的功率量要小得多。

　　在設(shè)備和云端之間來回發(fā)送數(shù)據(jù)將會產(chǎn)生明顯的滯后或延遲，大多數(shù)基于機器學(xué)習(xí)的應(yīng)用程序，特別是那些對時間要求嚴(yán)格的應(yīng)用程序來說都是不能容忍的。改善延遲開啟了基于機器學(xué)習(xí)的應(yīng)用程序可以完成的新功能。例如，如果由于發(fā)送、處理、接收增強視頻所花費的時間而在云端完成機器學(xué)習(xí)處理，那么Snapchat AR體驗是不可能的。

　　通過逐步查看流程，可以最好地說明用于云端的機器學(xué)習(xí)處理的延遲問題。在當(dāng)前的4G網(wǎng)絡(luò)上以一種方式(從設(shè)備到云端)啟動數(shù)據(jù)流提供50ms的理論延遲，這大約是4個視頻幀的延遲。然后，為了處理云端的機器學(xué)習(xí)數(shù)據(jù)，一個視頻幀可能延遲16ms。最后，從云端回流到設(shè)備是50ms的延遲。因此，整個過程大約有10個視頻幀的延遲，使得其延遲遠(yuǎn)遠(yuǎn)高于提供即時響應(yīng)設(shè)備上的機器學(xué)習(xí)。5G技術(shù)確實有可能將此設(shè)備更改為邊緣處理，因為其部署只有1ms的延遲，但5G技術(shù)的廣泛應(yīng)用仍需要一段時間。

　　最后，云計算與設(shè)備之間的持續(xù)交互創(chuàng)建了一個更容易受到隱私威脅的場景。用戶可以更容易地在他們的設(shè)備上處理他們的個人數(shù)據(jù)，而不是將其發(fā)送到云端。如果為機器學(xué)習(xí)任務(wù)生成的數(shù)據(jù)經(jīng)過數(shù)百英里到達(dá)云端，然后返回到設(shè)備并做出決定，那么很有可能受到影響。基本上，防止攻擊用戶隱私的最佳方法是確保敏感數(shù)據(jù)不會離開設(shè)備。

　　開發(fā)人員希望機器學(xué)習(xí)處于邊緣

　　開發(fā)人員的需求最適合邊緣的機器學(xué)習(xí)處理。機器學(xué)習(xí)正在改變開發(fā)人員編寫算法的方式。在以往，針對特定用例需要人工編寫代碼，這非常耗時，并且使用機器學(xué)習(xí)有時容易出錯，開發(fā)人員不再需要編寫代碼。相反，他們創(chuàng)建了一個模型，并用數(shù)據(jù)集對其進(jìn)行訓(xùn)練，與人工編寫代碼相比，這種方法更加強大。

　　機器學(xué)習(xí)多年來一直為開發(fā)人員所熟知，但主要用于數(shù)據(jù)中心的高計算設(shè)備。直到最近，它才被用于移動設(shè)備，因為它們的計算效率變得更高，并且能夠運行更復(fù)雜的機器學(xué)習(xí)模型。將最新的設(shè)備創(chuàng)新與開發(fā)人員的需求結(jié)合起來，使機器學(xué)習(xí)成為了首選。設(shè)備上的機器學(xué)習(xí)處理通過實時處理和低延遲為開發(fā)人員提供即時結(jié)果，同時允許他們在沒有網(wǎng)絡(luò)連接的情況下執(zhí)行機器學(xué)習(xí)任務(wù)。

　　云計算機器學(xué)習(xí)處理有時可能是適當(dāng)?shù)?/p>

　　盡管面臨各種挑戰(zhàn)，但數(shù)據(jù)處理的云計算模型意味著可以不斷更改和升級機器學(xué)習(xí)算法。因此，任何與云計算交互的設(shè)備也可以改進(jìn)其處理機器學(xué)習(xí)任務(wù)的方式。此外，還有一些需要大量計算，并對時間不敏感的任務(wù)。因此，云計算的延遲并不是一個大問題。其例子包括無人機的數(shù)據(jù)處理，這些無人機為研究、工業(yè)、軍隊提供詳細(xì)圖像或視頻輸入，或者對患者進(jìn)行放射學(xué)或X射線檢查等醫(yī)學(xué)成像。雖然仍然很重要，但邊緣的機器學(xué)習(xí)并不一定是所有基于機器學(xué)習(xí)的任務(wù)的“一刀切”解決方案。所有參與機器學(xué)習(xí)處理的團隊(從開發(fā)人員到原始設(shè)備制造商)都需要確定設(shè)備上的哪些任務(wù)能從邊緣的機器學(xué)習(xí)中獲益。

　　邊緣的機器學(xué)習(xí)是未來的需求

　　利用各種基于機器學(xué)習(xí)的任務(wù)和應(yīng)用程序的移動設(shè)備已經(jīng)被全世界數(shù)十億人使用。大多數(shù)情況下，需要設(shè)備上的實時響應(yīng)，而邊緣的機器學(xué)習(xí)將提供這種響應(yīng)。用戶和開發(fā)人員不希望依賴云計算技術(shù)，因為云計算的功率、成本、隱私和速度受到限制。對于智能設(shè)備來說，現(xiàn)在還處于起步階段，但機器學(xué)習(xí)將是未來發(fā)展的最佳選擇。