为什么说人工智能的发展比5G更重要

2019年，带有人工智能技术硬件加速（特别是神经网络）的特定微型计算机得到普遍使用。所有关键的硬件厂商都陆续发布了AI软件栈的边缘优化版本，这进一步提高了性能。目前，一般使用的AI板有，谷歌的Edge TPU——使用专门的ASIC芯片制作而成用以处理AI的预测推理功能。价格低于100美元的英伟达Jetson Nano 配备了128个英伟达CUDA核心。瑞芯微发布的 RK3399 Pro——第一个带有神经网络处理器的开发板（其性能甚至略优于英伟达Jetson Nano）。

物联网技术的大幅提高让我们得以发展nBox——这款边缘计算设备不仅能够借助多达12个通道记录高质量音频，并且还可以通过边缘计算实现人工智能。所谓边缘计算，是指大多数处理过程将通过本地设备实现而无需交由云端完成。

随着英特尔（Intel）以约4亿美元收购Movidius，以及超过133.8亿欧元收购自动汽车芯片制造商Mobileye，边缘计算的重要性变得显而易见。特斯拉汽车公司（Tesla Motors）在网上展示了他们为其自动驾驶汽车特意打造的AI高性能计算机——每秒能够完成36万亿次浮点计算，这足以每秒处理汽车摄像头中2000多张高分辨率图像，特斯拉表示这它的性能完全能够实现自动驾驶。

边缘计算四个主要优势1、安全：所有处理过的数据都可以存储在本地，并且有严格的控制。2、速度：人工智能推理系统能够以毫秒为单位处理输入，这意味着最小的延迟。3、效益：嵌入式微型计算机功耗低，价格实惠。4、离线：由于人工智能算法部署位置的特殊性，不需要占用太多的网络宽带。

边缘计算相对于5G，优势何在？也许你会问为什么这么多的硬件厂家如此大费周章？为什么不坐等5G网络或者利用丰富的云计算能力和基础设施？以下是一些答案。

想象一下，你正坐在一辆自动驾驶汽车里，汽车突然断开了5G网络。这时，汽车不仅会“失明”，而且会丧失决策能力。当高带宽和低延迟通信所需的计算能力实际上与一个额外的神经处理单元的成本相同时，为什么要冒这个风险呢？此外，它的总体耗能还会比利用特定硬件实现人工智能预测来的要高。

移动互联网提供商希望将投资套现用于开发和部署5G网络。尽管在技术上可能实现无限制大容量数据计划，但它们并不会很快投入商业使用。例如，nBox有12个声学传感器，每个月可以产生多达1 TB的音频数据。按照LTE目前每GB的价格，将这么多数据传输到云计算将花费一大笔钱。

网络覆盖将主要建立在城市，这意味着其他很多地方接受不到5G信号。与此相反，边缘计算设备可以随即部署到任何需要的地方，只需要一次性的成本投入，并且这通常不会显著增加物联网解决方案的成本。边缘计算与人工智能相结合使得在本地处理大量数据成为可能。硬件加速的额外成本其实微不足道。另外，神经网络的计算性能正以每年10倍左右的速度提高，并且，由于数据可以并行处理，这一趋势似乎没有放缓。