人工智能已成為IT產業的最新熱詞。物聯網讓洗碗機，冰箱，電視，汽車等所有事物都連接起來，再加上人工智能的助力，使很多人都認為產品正開始學習像人類一樣思考。同時，計算機也更加智能，比如2016年谷歌的人工智能軟件AlphaGo 就打敗了世界上最頂尖的圍棋手之一，又一次打破人們的預期，鬧得沸沸揚揚。

　　隨著科技的進步，配備AI技術的物聯網系統會帶來更大價值嗎？想要知道這個答案，我們需先了解下AI技術目前的進展和使用。

　　計算機資源的重要性

　　物聯網中的AI可能需要及其昂貴和強大的計算機。AlphaGo中有1920個CPU，280個GPU，還儲存幾百萬個專業圍棋的走子記錄，才得以用如此大量的計算資源打敗了圍棋職業9段李世石。在技術上，我們可以減少計算資源，讓AI解決復雜度更低的挑戰和更多樣的物聯網用例的問題，甚至還可以解決與圍棋問題同等復雜的問題。

　　使用前的訓練

　　現在的AI無法即時解決某個問題，至少無法不經過訓練就解決問題。事實上，AI投入使用前系統還有大量工作要做。以AlphaGo為例，算法需要尋找有用的圍棋走子，而深度學習技術則廣泛應用過去專業競賽中的數據集，幫助“預測”或評估與當前棋局相關的走子。

　　要在物聯網系統中應用AI，我們必須為了特定的用例花時間研發傳統算法并訓練AI。目前已經有一些這樣的解決方案，比如富士通的運營數據管理和分析(ODMA)業務應用程序就使用了機器學習技術以實時檢測傳感器所搜集技術的異常現象。

　　隨著IT產業解決問題能力的增強，這一點得到改善。最近富士通實驗室研發了一些能夠實現更快速機器學習和更大型神經網絡的技術，這些技術能判斷驅動程序是否過于遲緩，還能根據器械振動預測宕機。

　　AI包含多項技術

　　想要得到基于AI的商業解決方案，我們需要為其研發一系列認知能力并將其結合起來，包括：感知，推理，選擇，學習，溝通，移動和操縱。AI通常需要依靠不同技術才能實現這些能力。因此，我們不僅需要了解技術需要什么知識才能在既定用例上取得最佳表現，還要了解機器如何獲取復雜的綜合技術以使各項技術無縫銜接。

　　比如，優化建筑物能源配置的物聯網系統可能需要使用如下技術：

　　深度學習系統，分析并預測建筑物內外的交通擁堵情況，判斷建筑物外人們的交通模式。

　　視頻分析系統，在建筑物內基于Wi-Fi的實時手機位置跟蹤系統的輔助下，判斷建筑物關鍵位置的交通流量。

　　機器學習系統可以根據商業天氣預報服務，了解下一小時天氣預報以判斷室內溫度的變化，以最優化冷卻水系統的溫度。

　　仿真模型，基于建筑物上的光照射度，判斷內墻外墻的溫度。

　　最后還需要一個規則引擎，基于其他所有技術的數據，以節省能源的方式控制燈光，空調，升降機等。

　　訓練后學習

　　另一個問題是，AI技術是基于過去的數據形成規則。如果系統遇到新情況，AI或許無法適當應對。AI通常無法脫離人類干預而進化，雖然有些技術在設計上是這樣的。在AI需要改變時我們將需要人類自身的判斷。

　　倫理與法律框架

　　同樣重要的是，物聯網系統應用AI技術時，或許會有一些倫理和法律要求取代人類的判斷。這種責任分配還未得到廣泛探討，如果出現問題，應該負責的是研發AI算法的機構，還是訓練AI的機構，還是提供訓練數據的人，還是部署AI算法的客戶呢？我們都不得而知。

　　物聯網的AI尚處幼年。采取以人為中心的算法，AI技術在發展中將解決大量挑戰，大大提高我們的效率，潛力無窮。關鍵是，需要將技術無縫集成到人類活動中——讓人們從重復性的常規工作中解放出來，同時做重要的決策獲取最大程度的支持。保證遵守監管框架，平衡利益與資源和時間的關系都至關重要。