为了使机器学习达到“人类级”能力，则需要许多训练迭代和标记数据。这需要大量资源，例如GPU和存储，只需点击每个云提供商的按钮即可使用。结果，机器学习主要在云上发展，但这并不意味着它需要留在那里。如今，一个名为 tinyML 的机器学习新领域使得在微型、电池供电的物联网 (IoT) 设备上运行机器学习模型成为可能。
物联网
物联网是一个物理对象（事物）的网络，嵌入了传感器、软件和其他用于数字化和自动化的技术。这些设备的范围从普通的家用物品到复杂的工业设备不等。所有物联网设备的一个共同特征是，它们连接到一个平台，有时相互连接，以执行某种功能。室外物联网设备通常通过蜂窝网络实现连接，而在室内或人口密集的市区，则可以使用 WiFi、LPWAN 或蓝牙。这个庞大的市场拥有超过 70 亿台设备，并且正在不断增长。一些行业专家预测，到 2025 年，这个数字将增长到 220 亿。毫无疑问，淘金热出现了。
物联网设备的机器学习
绝大多数物联网设备的计算能力不及云计算。然而，机器学习（ML）的最新突破甚至允许最小的物联网设备也能执行特定的ML任务。这个新兴的机器学习领域被称为 tinyML。微型物联网设备上的这种ML组合是将智能从云端转移到“边缘设备”这一更大概念的一部分。它通常被称为“边缘人工智能”。
tinyML 在物联网设备上的一些开创性应用包括：
- Alexa 和 Siri 等语音命令
- 具有物体和面部识别功能的智能摄像头
- 实时健康和活动监测
- 智慧城市停车，自动计费
智慧城市应用
以智慧城市停车为例。优化停车的一种方法是在每个街角放置一个摄像头（类似于监控摄像头），并监测谁在何时何地停车。这使市政当局可以自动启动停车位的计费流程，并让人们知道空闲车位的位置。传统上，这需要将实时视频发送到云端进行处理。这造成了一个巨大的隐私问题：市政当局只需要知道汽车的牌照号码就可以开始计费流程。但是，实时视频包含很多信息，例如谁和谁一起坐车，这造成了巨大的隐私问题。这正是 tinyML 发挥作用的地方：tinyML 让您可以在资源受限的现场设备上实时处理视频，而无需将其发送到云端。在这种情况下，唯一会被发送到云端的是车牌号码，有了它，隐私问题就不存在了。而原始视频永远不会离开摄像头。
人工智能进化的环境影响
物联网和 tinyML 的结合还将在帮助组织实现环境、社会和治理 (ESG) 目标方面发挥核心作用。环境监测项目利用物联网技术来收集现场数据，如空气质量、水质、噪音水平等。传统上，扫描异常事件的数据需要将数据传输到云端并应用异常检测算法。借助 tinyML，这些电池供电的物联网设备可以在现场执行异常检测和其他机器学习任务。这消除了将数据传输到云端进行分析而带来的延迟，并延长了设备的电池寿命。
总结
在过去，将机器学习应用于这些微型设备几乎是不可能的，因此，它只能在云中进行。随着 tinyML 技术的成熟，数十亿台微型物联网设备现在可以利用机器学习。物联网和机器学习的融合为各种行业的许多新应用打开了大门。这反过来将增加物联网技术的采用，并推动城市和其他传统行业(如关键基础设施、环境监测和交通)的数字化。（编译：iothome）
