人工智能技术的复兴，主要得益于过去几年以IT为代表的计算能力的显着提升。当结合图形处理单元（GPU）和云计算资源的弹性特性，在机器学习和自然语言处理的情况下，AI提出的计算资源需求对企业来说不再遥不可及。奢华。尽管如此，还有一个人工智能复兴趋势受到的关注较少，但同样重要，那就是人工智能技术应用于物联网和边缘计算场景。在StorCentricCEOMihirShah看来，这样的趋势代表着大数据工作“对速度有着严格的要求，同时又要配合良好的稳定性”。而这一切，都必须有底层存储层的支持——也就是说，除了算力，存储成为AI在数据生态中发挥重要作用的另一支柱。AI技术之所以离不开存储，是因为AI所需的海量计算需要大规模、快速地访问数据，而这种需求在边缘计算、备份等实际场景中更为现实和突出。当与理想的存储容量相结合时，AI的计算速度可以为许多尖端计算用例提供支持，从而有利于智能物联网(IIoT)。>>>人脸识别智能物联网的存储需求主要体现在边缘计算应用中。例如，美国国防部目前正在使用人脸识别等人工智能技术来管理偏远地区，以验证特定人员进出设施。显然，涉及高级机器学习、卷积神经网络、统计认知计算等因素的人脸识别技术对存储设备提出了特殊要求，这也是保证其正常运行的基础。“他们更倾向于使用直接附加存储解决方案来提高数据流的速度。这种类型的解决方案具有便携性、速度和易用性的优点，”Shah在谈到国防部部署面部识别解决方案时说。在具体用例中，人脸识别的实现很大程度上依赖于存储对边缘计算的支持。Shah提到，“这些边缘的面部识别系统位于服务器旁边。服务器直接连接到设备。当有人走进来时，设备会扫描他们的面部并整理出他们的生物特征指标。服务器会对其进行处理立即将其与存储设备中的信息进行比较。”>>>AIattheedge在上面提到的例子和其他边缘AI部署方案中，存储单元往往面临一系列特定的需求，总的来说，减小设备的尺寸对于实现物联网至关重要。因此，尺寸成为了边缘位置额外存储设备的核心设计因素，而在这样的设计下，也需要保证其在“瘦身”后仍然能够处理AI所需的数据规模。StorCentricCTORodHarrison观察到，一些用于支持边缘计算用例的较小存储单元可以容纳大约70TB的数据。此外，此类存储设备必须易于使用，以满足非技术用户在远程环境中的操作需求。Shah指出，“在这样的环境中，由于IT专业人员不多，因此对设备的易用性和速度有要求。为此，我们在设备上配备了Thunderbolt连接端口。”>>>移动除了边缘计算，便携性的重要性也在上升。除了边缘存储，边缘计算本身也强调便携性。目前最典型的案例就是大量的智能手机在不断地产生传感器数据。虽然与智能物联网中的IT资产相比，智能手机可能没有那么大的存储需求，但也从另一个方面凸显了便携性的优势。另一个典型的例子是部署在偏远地区的军用战车上的存储单元。“这是一种本地存储，操作员可以将设备带回基地，下载到中央服务器。”此外，在发生故障时，运营商可以轻松更换存储单元以实现业务连续性。“因为整个系统非常易于使用，即使没有IT团队，如果驱动器出现故障或发生意外情况，战场上的任何士兵都可以弹出损坏的驱动器并立即插入新的驱动器，”Shah说。驾驶。”>>>智能边缘存储对于智能物联网的发展至关重要，使设备能够按需卸载数据、按需访问数据，并支持部署在云端的AI提出的计算要求。这样一来，人工智能技术的可行性不仅会延伸到认知计算，现在还会延伸到物联网领域。此外，方便可靠的存储对于AI解决方案的集中部署也是必不可少的，并直接为我们带来各种常见的AI实施成果。“在我看来，人工智能和物联网技术的融合首先会在一系列大型企业中实现；但随着时间的推移，这方面的成果最终会渗透到更多的中小企业中。”沙阿说。
