当我们被吸引到科幻世界时，人工智能和机器学习(AI/ML)的概念让人联想到Neo、Trinity和Morpheus战斗机器的图像黑客帝国电影的战斗场景。然而，在现实生活中，AI/ML帮助开发人员创建更好、成本更低的物联网终端节点，这将有利于其产品所在的生态系统。AI/ML的好处远远超出了在终端节点做出更好的决策；一些优化会为所有相关人员带来宝贵的利益，包括消费者、开发人员和运营商。AI和MLAI/ML并不是一个新概念，但传统上一直通过许多用户同时共享的耗电、昂贵的平台来使用。随着集中式数据中心开始建设和使用，对数据存储和计算功能的依赖越来越大，集中式数据中心使其能够承担有限的CapEx和OpEx成本增加。这是因为数据中心现象允许技术部门共享服务器、公用事业、冷却、不动产和安全。此外，它还提供了根据需要扩展和缩减资源的能力，例如所需的计算和存储量。由于成本通用，可以更快地实施AI/ML等新技术。为了避免不必要的非关键数据移动，人工智能正在将计算能力返回到边缘设备，从而影响开发人员利用人工智能和数据分析。全球分布式数据中心的互连也为技术行业提供了使用区域设施的能力。一家总部位于美国的物联网公司可以向欧洲消费者提供服务，而不会在大西洋彼岸造成延误。数据在各大洲之间传输和路由，或与区域隐私和数据保护法的细微差别相冲突。如果您认为在点亮前延迟两秒的电灯开关将无法满足消费者的期望，从而难以取得商业成功，那么这样的要求很重要。数据中心和云带来新的国内和国际商机。开发人员创建了新机制来为消费者和企业实体省钱。一家酒店的制冰机可能需要维修，经营者不再需要推着维修车营业；运营商只需要派一辆维修卡车，因为他们知道需要维修，从而为公司节省了数万美元的运营费用。非关键数据的不必要移动在设备出现故障之前，使用AI/ML查看这些微小的签名可能会很复杂，因为相关的签名可能很小，因此很微妙。这些变化可能是泵电机的振动，或者热交换器或冷凝器中的轻微温度变化：个人可能无法识别甚至看不到。联网制冰机的例子似乎并没有推动许多开发人员理解为问题的数字，而是考虑将这些问题或应用于仓库或酒店照明的商业模式。仓库中可能有数千个灯泡，每个灯泡都放在架子或机器上，需要移动更换灯泡，这反过来意味着生产线可能会在最关键的时刻停止。预测性维护和云分析正在成为一项重要业务，而AI/ML提供了一种对其生成的数据执行自动评估的简便方法。尽管如此，这些新的商业模式确实会产生大量数据。这反过来又带来了开发人员和运营商现在需要解决的新的有趣的技术挑战。这些问题表面上看起来是扩展问题——添加更多服务器、添加更多存储和其他基于数据中心的消耗品——但解决它们并不能解决数据管道另一端形成的日益严重的问题。在大多数应用中，数据由某种形式的传感器生成，这需要功率和带宽。带宽的消耗也基于设施的互联网上行链路和RF频谱。发送可能代表“未更改”的大量数据是昂贵的；无线电消耗大量功率，在繁忙的RF频谱中，它们通过传输重试消耗更多能量。更多的传感器导致更繁忙的RF环境，并且需要更多的电池维护。除了围绕电池寿命和本地带宽的问题外，某些应用程序可能更容易受到由此产生的安全问题的影响。大量数据可以形成模式，如果被拦截，可能会被有恶意的人利用。边缘计算阻碍这些问题的趋势是将大量决策返回给端节点，将放射性降低到只确定为更重要的数据。这减少了功耗、带宽和数字签名。将决策返回到终端节点的注意事项可能意味着增加终端节点处理、存储和功耗。物联网似乎陷入了一个限制其可访问性和市场增长的恶性循环。人工智能领域的创新使得更小的微控制器（如ARMCortex-M）的使用成为可能，并为闪存和RAM调用更小的内存资源。在执行复杂算法时，用于在系统中执行AI的代码量也可以比解决任何现实生活中的极端情况的传统编码小得多。这也使得固件更新更小，开发速度更快，并且更容易分布在大量传感器中。许多开发人员正在终端节点传感器产品中利用AI来增强他们的设计并改善消费者和运营商的体验。人工智能技术的例子可以通过开发工具包快速制作原型。套件可用于演示泵监控系统。减小无线传感器的尺寸、延长其使用寿命并采用更好的安全性，所有这些都不会破坏嘈杂的本地RF频谱，这意味着可以部署更有用的传感器以提高生产力和舒适度。墙壁开关、环境传感器甚至路边垃圾传感器等日常产品都可以以具有吸引力的成本和性能点包含在自动化和监控生态系统中。
