AI盲杖觸動的邊緣智能未來

經常網上沖浪的朋友想必知道，最近不少城市的公共交通，都開始逐步接納導盲犬。

一組流傳很廣的數據是，截至2017年，國內導盲犬的數量僅為116只，比大熊貓還稀少，而需要導盲犬服務的盲人卻多達800萬左右。

選育、培訓、實習、上崗等一系列的高難度與高成本，決定了導盲犬是盲人出行方式的“奢侈品”。每一只導盲犬需要耗費12萬到15萬元的資金，壽命也只有十幾年，即使有幸排到一只，當它退役之后，視障者又該如何外出，這恐怕是在熱搜淡去之后，依然值得一個文明社會去持續思索、不斷完善的話題。

最近，土耳其的一位盲人Kür?at Ceylan，基于Arm的最新處理器和NPU，打造出的AI盲杖，或許能夠為更多視障者打開一扇窗，就引起了我們的注意。

那么，AI想要長久且安全地幫助視障者融入公共生活，背后都需要哪些技術條件呢?

AI盲杖：想要媲美導盲犬，還是挺難的

AI+盲杖，能否幫助盲人順利出行，我們不妨以導盲犬的幾個重要工作能力來推測一下。

首先，導盲犬需要準確識別障礙物。

既包括了躲避路上的大坑、汽車、行人、欄桿等等，還要識別紅綠燈等關鍵路況信息，以達到讓盲人順利出行的目的。而熟悉AI的朋友肯定知道，基于機器視覺+攝像頭+感測器，檢測到環境障礙并不難。所以在AI盲杖中，Kür?at Ceylan就將地圖導航、障礙物檢測算法、LED警示燈、麥克風等植入到了傳統的導盲杖中，通過超聲波檢測器，可以順利感應到160cm高的障礙物。

同時，導盲犬還需要引領盲人安全地躲避開障礙。

正在執行任務的導盲犬，會身穿帶著拉桿的小背心，引導主人適當地行走或停止。而且，導盲犬還會自己依據實時信息作出判斷，有時甚至會“智性違抗”，當發現前進的命令是不安全的，就算主人要求繼續走，它們也會拒絕服從。

而盲杖則不同，主動權完全掌握在盲人自己手中，即使語音助手+AI推理芯片能夠進行自主的安全警示，這雙“眼睛”很難限制主人的活動，自然也就到來了一定的安全風險。而萬一由于設備技術原因，導致人身危險，由此產生的一系列責任劃分與倫理問題，目前整個社會也并沒有相應的預案及準備。

重要的是，導盲犬還需要融入盲人的生活。

在與主人共同生活一段時間后，導盲犬會對主人的規律性作息時間非常熟悉。比如記住他的上下班路線、行為習慣、常去的超市和交流的朋友等等。這種個性化的記憶能力，AI通過神經網絡深度學習，也可以達到。

但需要注意的是，機器學習訓練往往需要消耗大量的算力，這就決定了AI盲杖的算法只能通過將數據上傳到云端來完成，一通操作必然會出現時間上的延遲與信息隱私的安全隱患。

至于導盲犬能與主人建立特殊的情感聯系與信任，幫助其擴展社交活動圈子等等，AI盲杖在超人工智能實現以前，顯然都無法與之相提并論。

總體看來，AI盲杖在視聽層面已經能夠完成導航避障這樣的功能，但在判斷推理、情感層面依然無法跟導盲犬媲美。在有限范圍、相對安全的環境下(比如辦公樓等)使用，可能是AI盲杖發揮價值的初期場景。

由此，我們也需要來思索一個新的問題——號稱能搶救AIoT的邊緣智能，為什么并沒有如期變革我們的生活?

尋路霧計算：邊緣智能的落地難題

邊緣計算從提出以來，就被看做是5G+AI+云計算的絕佳輔助。如果說云計算是萬物智聯的“終極大腦”，那么邊緣計算就是龐大的“神經末梢”，承擔著諸多“下意識”的反應。

比如AI導盲杖，就是一個邊緣計算應用的絕佳場景。導盲杖要實現實時交互與判斷，像是看到紅綠燈變綠，自動能夠判斷出“可以通行”。不必將路燈信息上傳到云端，經過云服務器的層層判斷才發出行走的提醒。這無疑大大減少了延遲帶來的行進風險，也降低了云端計算的超負荷。

但讓“云腦”偷懶的邊緣計算，也能夠幫助產業解決AIoT泛智能化過程中的三重矛盾：

一是算力與成本的矛盾。

要滿足終端AI推理運算的實時、可用性需求，需要在本地處理大量的數據。要么是在終端本身部署高性能的AI芯片，從成本控制上來看顯然并不現實;要么就是在實體場景中部署足夠多的邊緣AI。

當然，要滿足AIoT海量物聯的計算需求，就需要改造網絡管道，比如5G邊緣數據中心的建立，以及高性能算法的訓練，還需要爭奪NPU、GPU等計算資源，這些都不是一朝一夕能夠解決的。

二是即時與功耗的矛盾。

對于導盲杖這樣的設備來說，不僅要保證實時性，還需要處理物體檢測、語音識別、手勢監測，甚至人臉識別等復雜AI任務，加上感測處理的范圍較大，直接導致功耗比較高。電池續航僅有5小時，換句話說，盲人早上出門，晚上沒電可能就返程困難了。

而邊緣計算能夠將龐大的數據流量在終端進行過濾分析，減少了從設備到云端的傳輸路徑，自然也就改善了耗電問題。

三是便捷與安全的矛盾。

誰都知道物聯網互相協作能夠大大提升生活的便攜指數，但在這個智能門鎖、攝像頭等頻頻被黑客選中的時代，數據很容易被別有用心的人利用。許多企業甚至要求必須將AI部署在自家的私有云上，由此也限制了許多前沿技術的應用，增大了運維難度。

邊緣計算的解決方式，就是將數據的處理和存儲都放在本地，這樣既能夠保護隱私安全，又能夠實現高效實時的交互與迭代。尤其是導盲杖、心臟起搏器、智能手表等承載著用戶生命健康信息的IoT產品，其大規模應用的前提就不離開邊緣計算的廣泛普及。

從這個角度來看，AI導盲杖只是AIoT創新的一個案例。據IDC的預測， 2025年物聯網連接數將增長至270億個，物聯網設備數量將達到1000億臺。可以想見，隨著未來云和端之間的邊緣計算體系不斷成熟，將有越來越多的創新創造被挖掘出來，輔助殘障人士正常生活，幫助城市防微杜漸，為千行百業注入AI的洪荒之力。

邊緣智能的未來，還需要靜候天時

邊緣智能的全面開花，自然也會孕育出龐大的產業富礦和商業新機。大家想必都已經摩拳擦掌想要奮力一搏。

不過需要注意的是，邊緣智能雖然是大勢所趨，卻也有著生長的節奏與天時，盲目入場可能會收獲一場空。

目前看來，邊緣智能還需要等待產業環境的全面成熟：

一是基礎設施的完善。

作為云廠商們看好的未來趨勢，邊緣計算的軟硬件基本到位，比如ARM發布了面向人工智能應用的 DynamIQ技術及相關處理器，旨在搭建從網絡節點到云端的的分布式智能;NVIDIA推出的開發板Jetson TX2，也可在終端設備上更好地運行深度學功能。

但這還不夠，邊緣計算與5G智能網絡，恐怕才是真正如膠似漆的“原配”。

一方面，目前4G網絡建設一般以中心化的核心網為主，通常難以實現本地分流(Local-Breakout)，這就導致數據必須經過非常長的物理距離才能到達應用側。換句話說，在4G網絡之上架設邊緣智能，低時延要求就無法保障了。

另外，邊緣計算并不僅僅是簡單的分派計算任務，合理地利用本地空閑、將任務分配給不同的額計算節點，這些都需要智能化的網絡來排兵布陣，實現負載均衡，從而保證每一個邊緣節點的高效利用。而這一點，5G智能化網絡也更加可靠。

而5G建設的腳步受疫情、供應鏈等影響，將比預期延緩，這也就進一步延緩了邊緣計算節點(如探頭、處理設備、數據中心等)的迭代升級。

二是產業應用的聯動。

既然是AIoT，自然需要多個邊緣節點來協同合作，通過技術的整合來發揮AI的最大值。

舉個例子，比如盲人在使用AI導盲杖出行時，電線桿、飛馳的車輛、垃圾箱、紅綠燈等等多個節點，都將實時數據共享給邊緣節點。AI導盲杖依據這些數據來做出精準的避障判斷，會不會比視覺識別的解決方案更加高效可行?

而其他節點也可以通過數據共享，訓練并掌握出行大數據，來整體優化并影響城市的交通管理。

而這種邊緣協作的應用聯動，目前還處于理想之中。更為現實的方案是，通過智慧園區、智慧樓宇、智慧城市等的片狀更新，不斷積累和訓練相關模型，最后將工業級邊緣智能與消費級物聯網融合在一起，形成無處不在的萬物智能，讓AI隨時隨地可被召喚。

三是開發生態的培育。

無規矩不成方圓，全面智能物聯的未來，自然也需要統一的標準和規范。但盡管不少云廠商都交付了很多邊緣計算工具。但時至今日，我們并沒有看到開發者的創意和腦洞在AIoT領域爆發。

比如2018年7月，谷歌推出的兩款大規模開發和部署智能連接設備的產品：Edge TPU和Cloud IoT Edge;亞馬遜也早在2016年的re：Invent開發者大會上，決定將AWS擴展到間歇性連接的邊緣設備。微軟的Azure IoT Edge，也允許云工作負載集裝箱化，可以從Raspberry Pi到工業網關的智能設備上本地運行。

除了傳統硬件廠商在更新迭代之外，很少有類似AI導盲杖這樣顛覆傳統功能的創新出現。

其中最核心的原因，是開發門檻依然過高。除了軟件使用的技術門檻，以及訓練機器模型的成本之外，缺乏軟硬件一體化的系統，和統一可靠的行業標準，這些都要求開發者在創新時，注重跨平臺兼容、異構數據的處理、不同技術和生態的融合等等，無疑過度消耗了精力時間，讓不少開發者望而卻步，也就限制了更多創意的出現。

從現在開始培養開發者生態，或許會成為云廠商在未來引領產業標準、結束混亂局面、拉開競爭身位的關鍵。

科技行業的鐵律，是技術服務于應用，而新的應用造就新的市場主宰者。4G之于移動互聯網，AI之于數字產業，莫不如是。

如果說智能社會還是一片溝壑縱橫、氣象萬千的原始叢林，神秘，卻也有著無數寶藏可待挖掘。那么邊緣計算，或許就是那根通向未來的“導盲杖”。