实际上，在过去的十年左右的时间里，许多带有传感器的设备（例如摄像机，数码相机，扬声器和麦克风）已经被数字化并连接到Internet。但是，除了数据存储的数字化之外，由网络摄像机和网络连接的存储设备（NAS）组成的数字监视系统在本质上与以前的闭路模拟信号监视设备没有太大区别。人们监视，重放和判断实际的现场情况。然而，当人工智能的应用变得流行时，就不再无法将图像识别和语音识别转换为文本。网络摄像机或现场麦克风返回的数据可以被实时自动识别，以确定屏幕上的对象，此外，面部信息的收集以及现场无线电和AI足以自动，全面地解释更多内容，现场条件，使安全专业人员不再需要长时间部署监视人员，而只需消除异常情况。数字监视系统配备了人工智能应用程序，就像将灵魂添加到了机器中一样。如果人工智能能够学会识别不同的内容组合并处理相应的处理机制，那么数字监控系统就可以协助安全管理并实现真正的智能。但是，为了允许相机执行图像识别，除了将图像实时传输回主机进行计算和解释外，还可以找到一种方法，通过处理器直接执行计算和识别。相机。前者需要大量的网络传输资源，并且还具有延迟时间限制。但是，如果可以在摄像机上添加经过适当设计的低功耗处理器和操作系统以直接在现场执行计算和识别，则不仅可以降低传输成本，而且可以减少识别。结果是延迟时间并加快了立即响应的速度。 “边缘智能”指终端设备上的处理器和完整的操作系统。也可以说，这是现实生活中实现人工智能的最后一步。从训练到推理，筹码是最后的难题！对于企业而言，深度神经网络带来的人工智能浪潮就像是遥远国家的海啸。必须将图像识别，语音识别或文本翻译的相对成熟的功能放进去。实际环境距离商业化应用还有很长的路要走。由于深度学习算法和相关应用仍处于快速发展的过程中，无论是智能城市，智能零售，智能扬声器还是无人驾驶汽车等应用，仍在收集大量数据，从而允许深度学习算法以识别这些数据的特征。在模型阶段，此系统过程称为培训，它使计算机可以尝试从我们收集的信息中学习。训练过程需要大量的计算。以图像识别为例。为了训练计算机模型来识别特定对象，例如花朵或猫，它可能需要至少数千个，甚至数万个不同角度，不同场景和差异的物体。在光线下拍摄的照片，因此此类计算通常在云或数据中心中进行。如果需要相同的模型来识别不同品种的猫，那么除了需要更多照片外，还需要在这些照片中手动对猫的品种进行分类和标记，然后将其交给与深度学习相关的算法进行训练。为了得到最终的适用模型。培训是在整个人工智能应用程序中消耗最多计算资源的工作步骤，因此图形处理单元（GPU）擅长的并行操作通常会加速培训。尤其是最流行的深度神经网络，具有100多个层并且具有极高的复杂性，希望使用可以对大型矩阵操作进行并行处理的特殊计算芯片来加快训练过程。然而，人工智能的真正应用通常发生在终端上，无论是图像，图像，语音识别还是文本翻译。如果将通过深度学习训练的模型放在云中，则意味着终端必须在每次应用程序出现时首先传输图像。 ，图像，语音或文本，请先进行云解释，然后再将结果发送回去。无论网络带宽有多大，速度有多快，此传输和返回过程都将占用资源