作者：Eleanor Brash
近期，Imagination陆续推出全新系列研讨会，涵盖边缘AI如何推动工业物联网的发展，生成式AI，智能汽车未来发展趋势等等多个热门话题。在第一期研讨会中，Imagination产品总监Pallavi Sharma深入探讨了人工智能（AI）和增强现实（AR）在工业物联网（IoT）中的变革性角色。以下为本期研讨会要点内容回顾，更多详细内容可点击下方按钮观看完整版视频。
物联网的演变与边缘AI的兴起
物联网（IoT）已经从早期依赖集中式云计算处理阶段之后获得了显著发展。最初，物联网应用高度依赖基于云的数据处理，即来自各种设备的数据被收集、处理并于云端分析，然后再将洞察结果返回设备。尽管这种方法有效，但它存在局限性，特别是在需要即时响应的环境中，如制造车间和智能电网。这些关键应用要求超低延迟，而由于固有的延迟问题，基于云的处理方式并不总能满足这一需求。
此时，边缘AI应运而生。通过在网络边缘——即直接在设备上或其附近处理数据，边缘AI消除了数据往返于云端的需求。这种本地处理能力使得实时洞察和即时响应成为可能，这对于任何延迟都可能导致中断或危险的工业物联网环境至关重要。例如，如果传感器检测到机器中的问题，运行在边缘的AI模型可以立即识别并解决问题，确保操作顺畅无阻。
推动工业物联网中AI集成的关键趋势
有几个关键趋势正在推动AI在工业物联网中的集成：
增强现实（AR）和虚拟现实（VR）：增强现实（AR）和虚拟现实（VR）通过在设备维护期间提供实时、免手持的指导，正在改变工业操作。例如，AR眼镜可以直接在技术人员的视野中叠加指示和示意图，从而提高工作效率和准确性。
预测性维护：基于边缘AI的预测性维护模型分析设备数据以预测潜在故障，最小化停机时间并延长机器寿命。该主动方法确保了连续操作，并降低了维护成本。
自主机器人和车辆：由AI驱动的自主机器人和车辆在工业环境中越来越普遍。这些机器可以独立处理诸如物料搬运和质量检查等任务，并能够实时适应动态环境。
数据安全与成本效益：通过本地处理数据，边缘AI减少了传输过程中潜在的安全漏洞，增强了数据安全性。此外，它通过减少对云服务的依赖，降低了数据传输和存储的成本。
运营连续性：即使在网络连接有限或间歇性的环境中，如偏远的油田，边缘AI也能通过本地处理数据确保连续操作，无需持续访问云端。
GPU在AI和工业物联网中的角色
图形处理单元（GPU）在工业物联网内的AI革命中扮演着至关重要的角色。最初设计用于渲染图形的GPU擅长同时处理多个操作，这使得它们非常适合在边缘设备上实时处理大规模的AI任务。与传统按顺序处理任务的CPU不同，GPU能够并行执行数千个操作，大大提升处理速度和效率。
制造商已经开发了专门针对边缘环境优化的GPU，解决了诸如有限的电源供应和空间限制等挑战。例如，某供应商推出了一种将GPU计算与AI能力相结合的边缘AI系统，在包括边缘实时AI推理在内的多种应用中实现了性能的最大化。
AR和VR提升工业物联网效率
通常与游戏和娱乐联系在一起的增强现实（AR）和虚拟现实（VR）技术正在深入工业应用领域。在智能工厂和仓库中，AR和VR提高了效率、物理安全和培训效果。配备最新款AR眼镜的技术人员可以访问实时数据叠加、接收分步指导，并在不中断工作流程的情况下咨询远程专家。
有的公司在其维护操作中实施了AR眼镜，使停机时间降低了50%，生产率提高了30%。AR和VR还在培训中发挥关键作用，创建工厂环境的真实模拟，让新员工可以在受控且无风险的环境中练习任务。
工业物联网中AI模型的发展
神经网络的演进正在推动工业物联网应用的重大进展。视觉变换器（ViTs）和脉冲神经网络（SNNs）是两个显著的例子：
视觉变换器（ViTs）：与传统的卷积神经网络（CNNs）不同，视觉变换器（ViTs）利用自注意力机制来处理视觉数据，捕捉图像内部的复杂关系。这种能力对于增强现实（AR）支持的维护系统特别有利，其中ViTs可以识别机械内的特定组件、判断运行状态，并实时检测异常。
脉冲神经网络（SNNs）：脉冲神经网络（SNNs）模仿大脑的自然处理机制，使用称为脉冲的离散事件进行操作。基于脉冲的处理方式使得SNN非常适合管理物联网传感器流中常见的事件驱动数据。由于其低能耗和较低的计算需求，SNN在边缘应用中具有特别的优势。
延申阅读：这项发表在《神经科学前沿》上的研究展示了在物联网应用中使用脉冲神经网络（SNNs）进行预测性维护的应用。
https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2022.999029/full
图神经网络（GNNs）：图神经网络（GNN）是专门设计用于处理以图结构组织的数据的神经网络。在工业环境中，图可以表示网络系统内的复杂关系，例如传感器网格或制造流程。图中的每个节点代表一个实体——如传感器或机器——而边则表示这些实体之间的关系或交互。通过利用这种结构，GNN能够建模和分析这些系统中存在的复杂依赖关系。
在预测性维护中，理解组件之间的相互依赖关系至关重要。图神经网络（GNN）在这方面表现出色，通过分析整个互联组件网络来识别可能预示潜在故障的模式。
延申阅读：这篇关于《利用工业设备结构的图神经网络》的论文进一步探讨了这一主题。
[2006.16556] Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation
https://arxiv.org/abs/2006.16556
应用案例：自主机器人和智能电网
自主机器人：AI和GPU技术正在革新制造业，使自主机器人能够独立操作、适应变化并在无需人工干预下作出决策。例如，宝马位于南卡罗来纳州的工厂使用人形机器人，这些机器人利用AI执行诸如将金属板材插入装配夹具等任务，增强了生产线的灵活性和响应速度。
智能电网：智能电网集成了数字技术以提高电力分配的效率、可靠性和可持续性。AI在这个转变中扮演着关键角色，通过在网络边缘实现实时数据处理和决策制定。例如，纽约电力局采用了一种边缘AI解决方案来管理可再生能源输入，更有效地平衡供需，并将可再生能源利用率提高了15%。
AI、AR及更多
AI和AR正在通过实现实时数据处理、提升运营效率以及推动预测性维护来变革工业物联网。先进AI模型和GPU技术的集成正在革新制造过程和智能能源管理，为更高效和可持续的未来铺平道路。
查看我们的GPU产品，了解更多Imagination针对工业应用的解决方案。
https://www.imaginationtech.com/products/gpu/
英文链接：https://blog.imaginationtech.com/transforming-industrial-iot-with-edge-ai-and-ar
声明：本文为原创文章，转载需注明出处及原文链接，否则，我们将保留追究其法律责任的权利。
