人工智能(AI)的整合無處不在，為各個行業(yè)提供了變革機會。

其中一種范式轉變是人工智能與邊緣計算的融合，促進可持續(xù)解決方案和創(chuàng)新應用。

人工智能的快速發(fā)展使企業(yè)能夠在客戶體驗(CX)和預測分析方面，以大規(guī)模的高度個性化轉變其服務和業(yè)務，以管理業(yè)務運作。

人工智能、5G和物聯(lián)網(wǎng)融合

5G網(wǎng)絡提供的好處是:

低延遲 設備連接的大幅度增加反過來又允許擴展機器來實現(xiàn)機器通信 網(wǎng)絡連接設備和傳感器的出現(xiàn)導致了大規(guī)模的超個性化

環(huán)境與經(jīng)濟

PWC發(fā)布了一份報告，闡述了人工智能幫助減少碳排放的潛力。據(jù)其分析，到2030年，應用于農業(yè)、能源、交通和水四大領域的人工智能經(jīng)濟可能會帶來高達:

為全球經(jīng)濟增長貢獻5.2萬億美元或GDP的4.4%。 溫室氣體(ghg)排放量減少2.4億噸，即4%。 全球凈就業(yè)崗位增加3820萬個，即1%。

如此，環(huán)境目標和經(jīng)濟目標可以相互協(xié)調,特別是通過技術進步。隨著企業(yè)和整體經(jīng)濟的增長，更高效的人工智能在宏觀經(jīng)濟和社會層面更有效,能夠擴展規(guī)模并創(chuàng)造經(jīng)濟和就業(yè)增長。在微觀經(jīng)濟層面,通過降低部署和擴展人工智能的成本,企業(yè)可能會擴展到新的服務、產品和商業(yè)模式,并使初創(chuàng)企業(yè)蓬勃發(fā)展和擴大規(guī)模。與此同時，以更低的能源消耗實現(xiàn)這一目標可以降低碳足跡。

此外,一群領先的人工智能研究科學家闡述了可利用機器學習協(xié)助應對氣候變化跨電氣系統(tǒng)、工業(yè)、交通、建筑、智能電網(wǎng)、災害管理等行業(yè)。確保這些利益的挑戰(zhàn)，是使人工智能能夠在包括成本和環(huán)境在內的有效基礎上進行擴展，能源效率是這兩個方面的關鍵。

生成式人工智能的出現(xiàn)掀起了一股熱潮，它通常是由大型語言模型(LLM)提供的,這些模型采用了變壓器和自我注意機制架構,通常與深度強化學習方法相結合,以獎勵正確的響應。然而,這些模型在計算上是耗費資源的,包括服務器需求、能源成本和碳足跡。

AI無處不在：從智能到“智能+智能”邊緣

智能是指連接互聯(lián)網(wǎng)的設備。然而，隨著人工智能在設備的本地嵌入，例如帶有人工智能的PC，連接設備正變得越來越“智能”，在這種情況下，智能指的是對用戶做出有意義的響應并個性化體驗的能力，而不是人類水平的智能。

隨著物聯(lián)網(wǎng)規(guī)模的擴大，邊緣計算的增長將需要超低延遲，這反過來又允許實時響應。

如上所述，人工智能將越來越多地處于網(wǎng)絡的邊緣——稱為邊緣計算或簡稱邊緣，即數(shù)據(jù)的處理更接近其生成的地方,實際上可能位于設備本身。這樣可以保持非常低的延遲,從而對用戶作出實時響應。

以安全性和可靠性為關鍵因素的云/邊緣混合

云模型將繼續(xù)應用于數(shù)據(jù)中心，為儲存歷史數(shù)據(jù)進行分析提供重要資源和能力。這也將允許使用混合模型進行正在進行的算法開發(fā)，支持在云服務器上訓練人工智能模型，并在邊緣推斷人工智能，從而為大規(guī)模個性化提供進一步的潛力。

邊緣人工智能的示例

智能電網(wǎng)實現(xiàn)實時雙向信息流動，并將其與谷歌DeepMind的NowCast和GraphCast等人工智能模型相結合，以預測天氣并優(yōu)化可再生能源供需管理。 由物聯(lián)網(wǎng)支持的微電網(wǎng)可以在并網(wǎng)或獨立島設置中運行，并啟用本地生產的能源，管理停電并提高效率。 內置傳感器的智能電表可以傳輸實時信息，檢測停電和監(jiān)測供電質量。 可再生能源存儲的電池優(yōu)化。 具有計算機視覺的無人機可以檢查太陽能電池板和風力渦輪機，并檢測損壞情況，從而減少發(fā)電量。 意外中斷預測和自動干預。 綠色氫和燃料電池的發(fā)展。 自動化機器學習的綠色人工智能。 城市交通管理規(guī)劃，預測交通擁堵和改道交通。 設計電動汽車運行過程的算法,以優(yōu)化電池充電、距離和可用充電點之間的關系。 人工智能已被部署在智能建筑的建設中，物聯(lián)網(wǎng)傳感器可以檢測房間內是否有人，并相應地調整供暖/空調或照明，以優(yōu)化能源消耗。 將生成式人工智能應用于建筑的建筑和規(guī)劃階段，以預測數(shù)字雙胞胎的潛在問題，并優(yōu)化可持續(xù)性設計。 制造業(yè)部門，預測分析應用于計劃外停機和自動化，以減少其發(fā)生，從而優(yōu)化生產運行并減少此類停機可能造成的浪費。 優(yōu)化制造過程和供應鏈的能源消耗和碳足跡。 零售行業(yè)的建議與預測分析一起應用，使品牌能夠增強需求預測并優(yōu)化其供應庫存和生產。