人工智能和机器学习 (AI/ML) 概念会让人联想到 Neo、Trinity 和 Morpheus 在《黑客帝国》（Matrix） 这部电影中与机器作战的景象。然而他们并非一个新概念，AI/ML可帮助开发人员创建更好、成本更低的物联网终端节点。然而，在现实生活中， AI/ML可帮助开发人员创建更好、成本更低的物联网终端节点，使他们的产品生态系统受益。AI/ML 的好处不仅是单纯地在终端节点做出更好的决策；一些优化也会为所有相关人员带来重要的优势，包括消费者、开发人员和运营商。点击文末的阅读原文按钮可获取完整内容。
AI 和 ML
AI/ML 并非一个新概念，传统上它的应用是通过许多用户可同时共享的耗电且非常昂贵的平台来实现的。随着科技行业日渐依赖数据的存储和计算能力，资本支出和运营成本不断上升，当集中式数据中心开始构建和使用后，在成本支出方面为科技行业减轻了压力。因为这种数据中心可以让科技行业共享服务器、公用设施、冷却设施、房地产和安全功能。此外，它还提供根据需求扩展和缩减资源的功能，例如调整所需的计算和存储量。鉴于这种成本共享性质，诸如AI/ML等新技术就可以更快地投入使用。
为了避免不必要的非关键数据移动，AI正在将计算能力转回给边缘设备，从而使开发人员能充分利用AI和数据分析。
全球互连的分布式数据中心也为科技行业提供了使用区域性设施的能力。一家位于美国的物联网公司可以为欧洲消费者提供服务，而不会出现跨大西洋的延误。在大陆之间传输和路由的数据，可能会因区域隐私和数据保护法律的细微差别而违反规定。如果您认为在灯点亮前存在两秒延迟的照明开关会不符合消费者的期望而难以获得商业成功，那么上述要求就显得很重要。
数据中心和云可促进国内和国际新商机的形成。开发商建立的新机制可为消费者和企业实体节省资金。
运营商可以不用再因为需要随时关注酒店的制冰机而将维修车纳入业务作业中；因为他们知道，只要在需要时派遣一辆维修车前往处理即可，此举可为公司节省数万美元的运营费用。
不必移动的非关键数据
在故障发生之前使用 AI/ML查看设备中那些微小的表征可能很复杂，因为相关的表征可能过于精细而难以查核。这些变化可能是泵马达的振动，或者是热交换器或冷凝器温度的细微变化：这些是个人可能无法识别甚至看不到的东西。联网制冰机的案例似乎并不足以让众多开发商将其视为必须关注的问题；但是我们可以再考虑一下应用于仓库或酒店照明的相同情境或商业模式——仓库中可能存在数以千计的灯泡，每个灯泡都位于货架或机器上方，需要移动它们才能更换灯泡，这意味着在最关键的时刻可能会造成生产线的停摆。
预测性维护和云分析的业务正蓬勃发展，AI/ML 提供了一种简单的方法可对其生成的数据进行自动评估。尽管如此，这些新的商业模式确实导致了大量数据的产生，这带来了全新且有趣的技术挑战，开发商和运营商现在所需应对这些挑战。
表面上这些问题似乎只会衍生出其他一些问题——添加更多服务器、添加更多存储和其他基于数据中心的消耗品，但解决了这些问题却并不能解决数据管道另一端所形成的更多相关问题。
在大多数应用中，数据是由某种形式的传感器所生成，而这需要使用功率和带宽。在设施的互联网上行链路和射频频谱方面也会消耗带宽。发送大量可能“无变化”的数据意味着昂贵且不划算；无线电会消耗大量功率，而且在繁忙的射频频谱中，传输的重试会消耗更多功率。更多的传感器会导致更繁忙的射频环境以及需要更多的电池维护。除了电池寿命和本地带宽相关的问题外，某些应用可能会更容易受到随之而来的安全问题的影响。大量的数据会形成各种模式，如果被拦截，这些模式会遭到那些具有恶意意图的人利用。
边缘计算
为遏制这些问题而将很多决策返回给终端节点的趋势越来越明显，从而减少了无线传输，只有确认数据更重要时才会进行传输。这可以降低功耗、带宽，并减少数字签名。需要注意的是，将决策返回给终端节点意味着可能会增加终端节点的运算处理、存储以及功耗。这样一来，物联网似乎陷入了一种恶性循环，限制了它的可访问性和市场增长。
人工智能的创新支持使用更小的微控制器，例如 ARM Cortex-M，并支持调用更少的闪存和 RAM 资源。在执行复杂算法以解决现实生活的任何极端情况时，用于在系统中执行 AI 的代码也会比传统编码少得多。这能使固件更新更小、开发更快，并且更容易在大型传感器群中分发。
许多开发人员在终端节点传感器产品中利用AI来改进他们的设计，为消费者和运营商提供更好的体验。使用开发套件可以快速实现AI技术示例的原型设计。
套件也可用于演示泵监控系统。削减无线传感器数量、延长其寿命以及实现更好的安全性，所有这些都不会以噪声破坏本地射频频谱，这意味着可以部署更多有用的传感器，以提高现场的生产率和舒适度。诸如墙壁开关、环境传感器，甚至路边的垃圾传感器等日常用品，都能以极具吸引力的成本和性能点，并入自动化和监控生态系统中。
