試想，一輛正在急速前進的自動駕駛汽車，前方突然遇到障礙需要緊急剎車，這時它不可能把相關信息送到云端處理再反饋，否則等剎車指令下達的時候很可能已經發生撞車事故了。
類似的，在軋鋼這樣的工業場景中，軋機需要依靠多個伺服電機協同驅動軋制過程，電機不能出現絲毫的偏差，否則可能導致整塊鋼板報廢。為了保證軋制精度，需要以毫秒級的數據采集頻率來監測電機的運轉是否正常，實時數據上云顯然也是來不及的。
除了時延，隱私安全近年來也成為個人和企業越發關注的問題。比如，在傳統的人臉識別場景下，智能終端需要將收集到面部信息上傳到云服務器進行處理，從而為數據泄露或被濫用埋下了隱患。而對企業來說，商業隱私甚至關乎其生死存亡，因此大多數企業都不愿意把核心數據放在云平臺廠商的服務器上。
出于對時延和隱私的需求，邊緣智能的概念在近年來受到越來越高的認同。正是看到了如此廣闊的市場機遇，包括互聯網廠商、IT企業、工業巨頭在內的玩家紛紛入局該領域，Edge AI相關解決方案也在各行各業落地開花。
然而，想搞邊緣智能容易，想搞好邊緣智能卻很難，想用邊緣智能創造出可觀的商業價值更是難上加難。
在此前的2021聯想創新科技大會上，聯想大腦Edge AI正式發布。近日，物聯網智庫等媒體和聯想集團副總裁、聯想研究院人工智能實驗室負責人范建平博士以及聯想商用IoT業務總經理王磊就Edge AI的構成機制、行業價值和布局思路進行了深入溝通。
通過他們的分享，我們知道，要想讓Edge AI真正賦能千行百業，需要踩過技術、場景、商業等數個“大坑”，尤其要摒棄“拿著錘子找釘子”的行為。
踩過“技術”的坑：從云端到邊緣
通俗來講，傳統的云計算很像是自來水廠的供水模式，雖然需要計算資源的時候擰開“水龍頭”就能按需取用，但是“集中式統一供水模式”也會存在很多問題。
首先，每家每戶用水量的增加（數據量激增）使得水廠（云端）有些不堪重負；其次，水從水廠流到水龍頭需要一定的延遲時間（時延）；最后，一旦供水廠出現問題，就會影響到整張供水網絡的運作（隱私安全）。而邊緣智能則很像在靠近家庭水龍頭的地方安裝了一個“應急水箱”，來應對云端負載、時延和隱私等方面帶來的挑戰。
據范博士所述，Edge AI的部署需要先在云端預訓練模型（Pre-train model），然后再下發到邊緣側，這就會涉及第一個技術難題——當把在云端預訓練的模型部署在邊緣側時，預訓練模型和邊緣設備之間可能不是完全匹配。
形象點兒來說，云端“水廠”的儲量很大，邊緣側“水箱”的儲量很小，部署Edge AI的過程需要涉及模型的量化、壓縮等操作。
至于模型和硬件相匹配的問題，據悉，基于智能推薦算法，聯想如今已經可以通過Edge AI平臺，給客戶提供最優的AI模型和與硬件相匹配的方案，將硬件和軟件進行良好的適配，讓軟硬件之間實現真正的協同。由此，客戶在開發過程中甚至可以不用真正的硬件，而是通過仿真軟件去實現軟硬件的適配。
當模型被部署到邊緣側以后，第二個技術難題又不約而來。這是因為，科學家在云端預訓練模型的時候，收集的都是歷史數據，但實際應用場景卻是千變萬化的。也就是說，訓練數據和測試數據可能完全不一樣，模型的訓練環境和實際的運行環境也可能完全不相同——如何在邊緣側更新模型成了關鍵。
顯然，任何模型的更新都需要數據作為支撐，但糟糕的是，在邊緣側卻往往很難收集到足夠多有效的樣本數據。以智能工廠的瑕疵檢測場景為例，我們不能指望產線80%都是廢品，如果這樣工廠早倒閉了。實際的廢品率可能只有千分之一甚至萬分之一，所以模型能拿到的缺陷樣本數是非常少的。在這種情況下，AI必須能夠像人一樣，從小樣本中去學習。
為了解決這個問題，聯想創新地將“數據增強”和“元學習”結合，打造了“小樣本終身學習技術”。
舉個通俗易懂的例子，學開車。比如，你會開小轎車，但需要學習開大卡車。兩者雖然存在不少差異，但會開小轎車的話，學開大卡車總比從零開始學更容易，因為有些基礎可以借鑒。這就是meta learning（元學習）的原理。通過借鑒不同任務的相似之處，來實現任務層面的學習能力泛化，提升模型不斷適應新任務的能力。
此外，聯想還通過原始樣本空間增強、模型特征空間中數據擴充、風格遷移等方式，擴充了樣本容量，豐富了數據分布，進一步提升了模型的學習能力，從而實現終身學習。
踩過“場景”的坑：摒棄“拿著錘子找釘子”
解決了技術上的問題，并不意味著高枕無憂，甚至很多做技術的企業還會陷入“拿著錘子找釘子”的誤區——也就是拿著技術去找場景，這顯然是一種本末倒置的行為。工業領域存在很多典型的應用場景，只要能切實解決客戶的痛點，幫助其提質增效，就不愁沒有人買單。
而在場景方面，聯想天然具備優勢。作為一家智能制造企業，聯想打造了全球化的生產基地布局，集團在全球擁有35家制造工廠。過去幾年，聯想的各個工廠致力推進產線的自動化和數字化，積累了豐富的實踐經驗，這正是Edge AI落地最好的土壤。
范博士也分享了一些聯想的實踐案例。
在聯想深圳工廠為微軟生產服務器的時候，客戶的一個基本要求是生產區域不能有外部人員隨意進入。傳統的做法是依靠人工坐在門口進行監控，但這種做法顯然費時費力，而且人總會有疲憊和需要休息的時候。Edge AI的解決方案則能輕易替代人工，實時監控是否有非授權的人員進入，而且由于數據保留在本地，也不會侵犯員工的隱私安全。
除了聯想自己的工廠，越來越多的客戶也正受益于此。例如，為保障印刷業的領軍企業高斯中國的順暢運行，聯想從以前只賣PC，到后來提供邊緣計算設備，以及Leap IoT平臺等，實現了高斯中國的遠程云管理，使得其設備故障率降低了50%，高斯員工的出差成本降低了65%，售后服務的客戶滿意度提升了80%。
“是歷史機遇選擇了聯想，而不是聯想在做選擇。”范博士如此形容聯想在邊緣智能的布局。
根據Gartner的預測顯示，截止到2025年將會有75%的數據在數據中心和云之外的邊緣側產生。同時，未來邊緣計算市場規模將超萬億，成為與云計算平分秋色的新興市場。在這樣的背景下，聯想入局邊緣智能恰逢其時——這是“天時”。
其次，聯想作為制造企業，自己有很多應用場景，客戶也有很多應用場景，聯想在服務客戶的過程中積累了許多洞察與經驗——這是“地利”。
最后，以范博士為代表的科學家團隊始終專注于AI技術的研究，正如范博士所說，“我們不是最聰明的一群人，也不是配置的最高的一群人，但是我們確實始終以客戶為己任。”——這是“人和”。
“天時地利人和”，賦予了聯想做好Edge AI的底氣。
踩過“商業”的坑：破解碎片化難題
有了技術并且找到了合適的場景，就意味著萬事大吉嗎？答案依然是否定的。
即使是同一臺設備，在不同工況下其劣變程度都有可能不同，更何況是“隔行如隔山”的千行百業呢。邊緣智能的場景碎片化程度很強，需求非常復雜，隨定制化而變化，導致很多邊緣解決方案的通用性和復用性不夠強。
“如果一個場景一個場景（case by case）的去做，一定是死路一條。”范博士直言，“聯想破解碎片化難題的做法是80%的底層技術依靠平臺實現，剩下20%左右是場景化的東西。”
從這個角度來說，Edge AI更像是一個應用商店，其中包含各種算法和模型，客戶可以靈活選擇，極大地減少開發、設計等人力成本。
面向對AI技術本身有一定了解的客戶，聯想為其提供人員檢測、車流監測、語音識別等基本模塊，開發人員能夠以拖拽的方式如同搭積木一般快速組合自己的解決方案；面向沒有AI背景知識的客戶，集成商只需將自己的預算和場景輸入平臺，形成約束條件，平臺依然可以自動生成相應的解決方案。
換言之，聯想提供的只是底層的基礎能力，上層的應用還需要生態系統里的萬千客戶去依據需求構建。
王磊則從另一個角度闡述了如何從定制化走向通用化：“最開始我們在做項目，在做項目的過程中會有一些工具產生，當把這樣的工具用于更多的項目時，工具就會變成通用的產品。產品再往上迭代，就是平臺了。客戶雖然是不同的，但我們會把共性的東西抽象出來，形成平臺和生態。”
目前，聯想Edge AI平臺已經通過聯想企業科技集團實現了產品化，推出了LiCO AI、AI一體機等功能強大的AI產品與解決方案，被廣泛應用于人工智能數據中心、智能制造、工業物聯網、智慧城市、智能零售、智能音箱和智能家居等各個方面。在自動駕駛領域，可以做到行人識別、車輛識別、信號燈識別等。
結語
智能化轉型非一朝一夕之事，更不能憑一己之力扭轉乾坤。聯想憑借商用IoT生態、聯合行業合作伙伴的力量，以及自身在硬件的定制化優勢，通過Edge AI平臺算法能力和強大的服務體系，可以幫助用戶以更快、更好、更低成本的商業模式和技術形態，加速各行各業的邊緣智能化轉型，進而全面撬動數智新時代！
