机器学习要达到“人类水平”的能力，需要多次训练迭代和标记数据。这需要大量资源，例如GPU和存储，只需单击每个云提供商的按钮即可获得。因此，机器学习主要是在云端开发的，但这并不意味着它需要留在那里。现在，一个名为tinyML的机器学习新领域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。物联网物联网是嵌入传感器、软件和其他数字化和自动化技术的物理对象（事物）网络。这些设备的范围从普通的家居用品到复杂的工业设备。所有物联网设备的一个共同特征是它们连接到一个平台，有时甚至相互连接，以执行某些功能。室外物联网设备通常通过蜂窝网络连接，而在室内或密集的城市地区，可以使用WiFi、LPWAN或蓝牙。这个庞大的市场拥有超过70亿台设备并且还在不断增长。一些行业专家预测，到2025年，这个数字将增长到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计算能力都低于云计算。然而，机器学习(ML)的最新突破甚至允许最小的物联网设备执行特定的ML任务。这个新兴的机器学习领域被称为tinyML。这种机器学习在微型物联网设备上的组合是将智能从云端转移到“边缘设备”这一更大概念的一部分。它通常被称为“边缘人工智能”。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能的智能摄像头实时健康和活动监控智能城市停车、自动计费智能城市应用智能城市停车为例。优化停车的一种方法是在每个街角放置一个摄像头（类似于监控摄像头），监控谁在何时何地停车。这使得市政当局可以自动启动停车位的计费过程，并让人们知道空闲空间在哪里。传统上，这需要将实时视频发送到云端进行处理。这就产生了一个巨大的隐私问题：市政当局只需要知道汽车的车牌号就可以开始计费过程。然而，直播视频包含大量信息，例如谁和谁一起骑行，这会产生巨大的隐私问题。这就是tinyML发挥作用的地方：tinyML让您可以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，唯一会被发送到云端的就是车牌号，这样一来，隐私问题就不存在了。原始视频永远不会离开相机。人工智能发展的背景影响物联网和tinyML的结合也将在帮助组织实现其环境、社会和治理(ESG)目标方面发挥核心作用。环境监测项目利用物联网技术收集空气质量、水质、噪音水平等现场数据。传统上，扫描数据以查找异常事件需要将数据传输到云端并应用异常检测算法。借助tinyML，这些电池供电的物联网设备可以在现场执行异常检测和其他机器学习任务。这消除了与将数据传输到云端进行分析相关的延迟，并延长了设备的电池寿命。总结在过去，将机器学习应用于这些微型设备几乎是不可能的，因此只能在云端完成。随着tinyML技术的成熟，数十亿微型物联网设备现在可以利用机器学习。物联网和机器学习的融合为各个行业的许多新应用打开了大门。这反过来将增加物联网技术的采用，并推动城市和其他传统行业（如关键基础设施、环境监测和交通）的数字化。（编译：??iothome）
