AI盲杖代替导盲犬?边缘智能时代正在到来人工智能金融

2020-05-09    来源:金西基地    编辑:吴彦祖
边缘计算,或许就是通向智能社会的“导盲杖”。
经常网上冲浪的朋友想必知道,最近不少城市的公共交通,都开始逐步接纳导盲犬。
 
一组流传很广的数据是,截至2017年,国内导盲犬的数量仅为116只,比大熊猫还稀少,而需要导盲犬服务的盲人却多达800万左右。
 
选育、培训、实习、上岗等一系列的高难度与高成本,决定了导盲犬是盲人出行方式的“奢侈品”。每一只导盲犬需要耗费12万到15万元的资金,寿命也只有十几年,即使有幸排到一只,当它退役之后,视障者又该如何外出,这恐怕是在热搜淡去之后,依然值得一个文明社会去持续思索、不断完善的话题。

 
最近,土耳其的一位盲人Kür at Ceylan,基于Arm的最新处理器和NPU,打造出的AI盲杖,或许能够为更多视障者打开一扇窗,就引起了我们的注意。
 
那么,AI想要长久且安全地帮助视障者融入公共生活,背后都需要哪些技术条件呢?
 
AI盲杖:想要媲美导盲犬,还是挺难的
 
AI+盲杖,能否帮助盲人顺利出行,我们不妨以导盲犬的几个重要工作能力来推测一下。
 
首先,导盲犬需要准确识别障碍物。
 
既包括了躲避路上的大坑、汽车、行人、栏杆等等,还要识别红绿灯等关键路况信息,以达到让盲人顺利出行的目的。而熟悉AI的朋友肯定知道,基于机器视觉+摄像头+感测器,检测到环境障碍并不难。所以在AI盲杖中,Kür at Ceylan就将地图导航、障碍物检测算法、LED警示灯、麦克风等植入到了传统的导盲杖中,通过超声波检测器,可以顺利感应到160cm高的障碍物。

 
同时,导盲犬还需要引领盲人安全地躲避开障碍。
 
正在执行任务的导盲犬,会身穿带着拉杆的小背心,引导主人适当地行走或停止。而且,导盲犬还会自己依据实时信息作出判断,有时甚至会“智性违抗”,当发现前进的命令是不安全的,就算主人要求继续走,它们也会拒绝服从。
 
而盲杖则不同,主动权完全掌握在盲人自己手中,即使语音助手+AI推理芯片能够进行自主的安全警示,这双“眼睛”很难限制主人的活动,自然也就到来了一定的安全风险。而万一由于设备技术原因,导致人身危险,由此产生的一系列责任划分与伦理问题,目前整个社会也并没有相应的预案及准备。

 
重要的是,导盲犬还需要融入盲人的生活。
 
在与主人共同生活一段时间后,导盲犬会对主人的规律性作息时间非常熟悉。比如记住他的上下班路线、行为习惯、常去的超市和交流的朋友等等。这种个性化的记忆能力,AI通过神经网络深度学习,也可以达到。
 
但需要注意的是,机器学习训练往往需要消耗大量的算力,这就决定了AI盲杖的算法只能通过将数据上传到云端来完成,一通操作必然会出现时间上的延迟与信息隐私的安全隐患。
 
至于导盲犬能与主人建立特殊的情感联系与信任,帮助其扩展社交活动圈子等等,AI盲杖在超人工智能实现以前,显然都无法与之相提并论。
 
总体看来,AI盲杖在视听层面已经能够完成导航避障这样的功能,但在判断推理、情感层面依然无法跟导盲犬媲美。在有限范围、相对安全的环境下(比如办公楼等)使用,可能是AI盲杖发挥价值的初期场景。
 
由此,我们也需要来思索一个新的问题号称能抢救AIoT的边缘智能,为什么并没有如期变革我们的生活?
 
寻路雾计算:边缘智能的落地难题
 
边缘计算从提出以来,就被看做是5G+AI+云计算的绝佳辅助。如果说云计算是万物智联的“终极大脑”,那么边缘计算就是庞大的“神经末梢”,承担着诸多“下意识”的反应。
 
比如AI导盲杖,就是一个边缘计算应用的绝佳场景。导盲杖要实现实时交互与判断,像是看到红绿灯变绿,自动能够判断出“可以通行”。不必将路灯信息上传到云端,经过云服务器的层层判断才发出行走的提醒。这无疑大大减少了延迟带来的行进风险,也降低了云端计算的超负荷。
 
但让“云脑”偷懒的边缘计算,也能够帮助产业解决AIoT泛智能化过程中的三重矛盾:

 
一是算力与成本的矛盾。
 
要满足终端AI推理运算的实时、可用性需求,需要在本地处理大量的数据。要么是在终端本身部署高性能的AI芯片,从成本控制上来看显然并不现实;要么就是在实体场景中部署足够多的边缘AI。
 
当然,要满足AIoT海量物联的计算需求,就需要改造网络管道,比如5G边缘数据中心的建立,以及高性能算法的训练,还需要争夺NPU、GPU等计算资源,这些都不是一朝一夕能够解决的。

 
二是即时与功耗的矛盾。
 
对于导盲杖这样的设备来说,不仅要保证实时性,还需要处理物体检测、语音识别、手势监测,甚至人脸识别等复杂AI任务,加上感测处理的范围较大,直接导致功耗比较高。电池续航仅有5小时,换句话说,盲人早上出门,晚上没电可能就返程困难了。
 
而边缘计算能够将庞大的数据流量在终端进行过滤分析,减少了从设备到云端的传输路径,自然也就改善了耗电问题。

 
三是便捷与安全的矛盾。
 
谁都知道物联网互相协作能够大大提升生活的便携指数,但在这个智能门锁、摄像头等频频被黑客选中的时代,数据很容易被别有用心的人利用。许多企业甚至要求必须将AI部署在自家的私有云上,由此也限制了许多前沿技术的应用,增大了运维难度。
 
边缘计算的解决方式,就是将数据的处理和存储都放在本地,这样既能够保护隐私安全,又能够实现高效实时的交互与迭代。尤其是导盲杖、心脏起搏器、智能手表等承载着用户生命健康信息的IoT产品,其大规模应用的前提就不离开边缘计算的广泛普及。
 
从这个角度来看,AI导盲杖只是AIoT创新的一个案例。据IDC的预测, 2025年物联网连接数将增长至270亿个,物联网设备数量将达到1000亿台。可以想见,随着未来云和端之间的边缘计算体系不断成熟,将有越来越多的创新创造被挖掘出来,辅助残障人士正常生活,帮助城市防微杜渐,为千行百业注入AI的洪荒之力。
 
边缘智能的未来,还需要静候天时
 
边缘智能的全面开花,自然也会孕育出庞大的产业富矿和商业新机。大家想必都已经摩拳擦掌想要奋力一搏。
 
不过需要注意的是,边缘智能虽然是大势所趋,却也有着生长的节奏与天时,盲目入场可能会收获一场空。

 
目前看来,边缘智能还需要等待产业环境的全面成熟:

 
一是基础设施的完善。
 
作为云厂商们看好的未来趋势,边缘计算的软硬件基本到位,比如ARM发布了面向人工智能应用的 DynamIQ技术及相关处理器,旨在搭建从网络节点到云端的分布式智能;NVIDIA推出的开发板Jetson TX2,也可在终端设备上更好地运行深度学功能。
 
但这还不够,边缘计算与5G智能网络,恐怕才是真正如胶似漆的“原配”。
 
一方面,目前4G网络建设一般以中心化的核心网为主,通常难以实现本地分流(Local-Breakout),这就导致数据必须经过非常长的物理距离才能到达应用侧。换句话说,在4G网络之上架设边缘智能,低时延要求就无法保障了。
 
另外,边缘计算并不仅仅是简单的分派计算任务,合理地利用本地空闲、将任务分配给不同的额计算节点,这些都需要智能化的网络来排兵布阵,实现负载均衡,从而保证每一个边缘节点的高效利用。而这一点,5G智能化网络也更加可靠。
 
而5G建设的脚步受疫情、供应链等影响,将比预期延缓,这也就进一步延缓了边缘计算节点(如探头、处理设备、数据中心等)的迭代升级。

 
二是产业应用的联动。
 
既然是AIoT,自然需要多个边缘节点来协同合作,通过技术的整合来发挥AI的最大值。
 
举个例子,比如盲人在使用AI导盲杖出行时,电线杆、飞驰的车辆、垃圾箱、红绿灯等等多个节点,都将实时数据共享给边缘节点。AI导盲杖依据这些数据来做出精准的避障判断,会不会比视觉识别的解决方案更加高效可行?
 
而其他节点也可以通过数据共享,训练并掌握出行大数据,来整体优化并影响城市的交通管理。
 
而这种边缘协作的应用联动,目前还处于理想之中。更为现实的方案是,通过智慧园区、智慧楼宇、智慧城市等的片状更新,不断积累和训练相关模型,最后将工业级边缘智能与消费级物联网融合在一起,形成无处不在的万物智能,让AI随时随地可被召唤。

 
三是开发生态的培育。
 
无规矩不成方圆,全面智能物联的未来,自然也需要统一的标准和规范。但尽管不少云厂商都交付了很多边缘计算工具。但时至今日,我们并没有看到开发者的创意和脑洞在AIoT领域爆发。
 
比如2018年7月,谷歌推出的两款大规模开发和部署智能连接设备的产品:Edge TPU和Cloud IoT Edge;亚马逊也早在2016年的re:Invent开发者大会上,决定将AWS扩展到间歇性连接的边缘设备。微软的Azure IoT Edge,也允许云工作负载集装箱化,可以从Raspberry Pi到工业网关的智能设备上本地运行。
 
除了传统硬件厂商在更新迭代之外,很少有类似AI导盲杖这样颠覆传统功能的创新出现。
 
其中最核心的原因,是开发门槛依然过高。除了软件使用的技术门槛,以及训练机器模型的成本之外,缺乏软硬件一体化的系统,和统一可靠的行业标准,这些都要求开发者在创新时,注重跨平台兼容、异构数据的处理、不同技术和生态的融合等等,无疑过度消耗了精力时间,让不少开发者望而却步,也就限制了更多创意的出现。
 
从现在开始培养开发者生态,或许会成为云厂商在未来引领产业标准、结束混乱局面、拉开竞争身位的关键。
 
科技行业的铁律,是技术服务于应用,而新的应用造就新的市场主宰者。4G之于移动互联网,AI之于数字产业,莫不如是。
 
如果说智能社会还是一片沟壑纵横、气象万千的原始丛林,神秘,却也有着无数宝藏可待挖掘。那么边缘计算,或许就是那根通向未来的“导盲杖”。

1
3