现场智能：智能流程、解决方案和策略
AI 的学习能力正在向计算边缘转移。而制造商将是主要受益者。
在 2010 年与 NASA 合作时，我意识到能够在小型计算机处理能力上运行 AI 的有用性。我和波士顿大学的同事创建了一个小型大脑仿真来使用 AI 控制类似火星探测器的设备它需要能够在边缘运行并独立于地球上可用的任何计算机处理能力学习新事物。数据瓶颈和延迟等问题使得探索不同种类的 AI 变得至关重要。如果没有大量的处理能力、数据和时间，传统的深度神经网络 (DNN) 过去（现在仍然）无法学习。
我们创造了一种新的 AI：终身深度神经网络 (Lifelong-DNN)。它可以在其整个生命周期内学习，而不仅仅是在部署之前。我们几乎不知道这个 AI 在 Eart 上会变得更有用h，在制造业，而不是在火星。
大自然给了我们“便携式大脑”，使我们能够快速、持续地学习。因此，随着越来越多的设备、传感器和数据进入我们的生活，这种人工智能范式的重要性将超越机器人技术，这是很自然的。
制造业尤其如此。例如，IMA Group 的工厂配备了摄像头、物联网设备和传感器，可帮助设计和制造用于加工和包装药品、化妆品、食品和饮料的自动化设备。但是随着这些设备而来的是大量需要就地处理的数据流。
工业 4.0 运动基于像 IMA 这样的制造商利用和挖掘现代工业环境中产生的大量数据的能力——这一过程利用了最初为火星探索设计的边缘学习和技术。
以质量控制相机为例：IMA 的机器配备了数十个相机以每秒 60 帧的速度处理，每小时处理数千个产品。就像不可能将所有原始火星探测器数据发送到地球进行处理一样，IMA 的相机将大量无用的帧发送到集中式云进行 AI 处理是没有意义的。在边缘处理后，只有非常重要的帧需要去。
让 AI 算法在小型边缘计算机上运行有一个重要的微妙之处。其中至少有两个过程在起作用：由边缘和边缘学习生成的推理或“预测”，即使用获取的信息来改变、改进、纠正和完善边缘 AI。
采用智能工厂的一大障碍是人工智能缺乏灵活性和适应性。如果事先在训练过程中捕获了所有数据，则人工智能算法可以很稳健。但这不是工业世界的运作方式。训练传统的 DNN 需要大量的数据、大量的计算机能力和时间，这使得它们不适合快速学习和可配置性表。 Lifelong-DNN 等方法让 AI 驱动的边缘计算机了解传入它们的数据并进行调整。
对于像 IMA 这样的制造商，边缘学习让其相机在真实场景中学习新产品类型和缺陷新产品不断推出，以前看不见的缺陷出现在生产车间。无需从头开始“重新编程”人工智能。
在边缘学习的 AI 将使 AI 真正实现其目的：以可承受的速度、延迟和成本将智能转移到需要它的边缘。此外，它还帮助像 IMA 这样的制造商在全球舞台上保持竞争力。
