为了使机器学习到达“人类级”才能，则需求许多训练迭代和标记数据。这需求很多资源，例如GPU和存储，只需点击每个云提供商的按钮即可运用。成果，机器学习主要在云上发展，但这并不意味着它需求留在那里。如今，一个名为tinyML的机器学习新范畴使得在微型、电池供电的物联网(IoT)设备上运行机器学习模型成为可能。

 

　　物联网

 

　　物联网是一个物理对象（事物）的网络，嵌入了传感器、软件和其他用于数字化和自动化的技能。这些设备的规模从普通的家用物品到复杂的工业设备不等。一切物联网设备的一个共同特征是，它们连接到一个平台，有时相互连接，以履行某种功用。室外物联网设备一般通过蜂窝网络实现连接，而在室内或人口密布的市区，则能够运用WiFi、LPWAN或蓝牙。这个巨大的市场具有超过70亿台设备，而且正在不断增加。一些行业专家猜测，到2025年，这个数字将增加到220亿。毫无疑问，淘金热出现了。

 

　　物联网设备的机器学习

 

　　绝大多数物联网设备的核算才能不及云核算。然而，机器学习（ML）的最新突破甚至允许最小的物联网设备也能履行特定的ML使命。这个新兴的机器学习范畴被称为tinyML。微型物联网设备上的这种ML组合是将智能从云端转移到“边际设备”这一更大概念的一部分。它一般被称为“边际人工智能”。

 

　　tinyML在物联网设备上的一些开创性应用包括：

 

　　Alexa和Siri等语音命令

 

　　具有物体和面部识别功用的智能摄像头

 

　　实时健康和活动监测

 

　　智慧城市泊车，自动计费

 

　　智慧城市应用

 

　　以智慧城市泊车为例。优化泊车的一种办法是在每个街角放置一个摄像头（类似于监控摄像头），并监测谁在何时何地泊车。这使市政当局能够自动发动泊车位的计费流程，并让人们知道闲暇车位的位置。传统上，这需求将实时视频发送到云端进行处理。这造成了一个巨大的隐私问题：市政当局只需求知道轿车的牌照号码就能够开端计费流程。可是，实时视频包含很多信息，例如谁和谁一同坐车，这造成了巨大的隐私问题。这正是tinyML发挥作用的当地：tinyML让您能够在资源受限的现场设备上实时处理视频，而无需将其发送到云端。在这种情况下，仅有会被发送到云端的是车牌号码，有了它，隐私问题就不存在了。而原始视频永久不会离开摄像头。

 

　　人工智能进化的环境影响

 

　　物联网和tinyML的结合还将在协助安排实现环境、社会和治理(ESG)方针方面发挥核心作用。环境监测项目利用物联网技能来搜集现场数据，如空气质量、水质、噪音水平等。传统上，扫描反常事件的数据需求将数据传输到云端并应用反常检测算法。借助tinyML，这些电池供电的物联网设备能够在现场履行反常检测和其他机器学习使命。这消除了将数据传输到云端进行剖析而带来的推迟，并延长了设备的电池寿数。