AI技術(shù)的產(chǎn)業(yè)化落地，是如今社會各界共同關(guān)注的大事，同時也是新基建的核心價值轉(zhuǎn)化方式。但在逐步推進的AI產(chǎn)業(yè)化落地過程里，會在實踐中發(fā)現(xiàn)一系列問題。企業(yè)場景中不僅要面對技術(shù)與理論的對接，同時也需要解決一系列的產(chǎn)業(yè)化、工程化問題。比如說，在AI的產(chǎn)業(yè)化進程里，一個重要支撐點就是邊緣計算，以及基于邊緣算力產(chǎn)生的邊緣智能。

邊緣場景坐落于云邊之間，用其獨特的產(chǎn)業(yè)特性支撐智能化落地。在AI進入行業(yè)的實踐中，大量工作都不能僅僅依靠端側(cè)或者云側(cè)計算來完成，邊緣場景的價值就在于其靈活、可定制的特點。然而在產(chǎn)業(yè)現(xiàn)實中，邊緣智能經(jīng)常會變成一個X維度——充斥著技術(shù)限制與產(chǎn)業(yè)不確定性，甚至變成AI落地的阻力。從某種意義上來說，解決AI落地的問題，必須讓邊緣場景的不確定性溶解掉。

而今，面向邊緣的行業(yè)沖擊正在被不斷發(fā)起。10月28日，2020年聯(lián)想創(chuàng)新科技大會(Tech World 2020)在線上舉辦。今年的Tech World聚焦新基建與產(chǎn)業(yè)智能化落地，給出了從數(shù)據(jù)中心到智慧城市、邊緣計算、機器人等一系列創(chuàng)新解決方案。我們的故事就要從Tech World中關(guān)于邊緣計算與機器人的那部分說起，看看聯(lián)想智能邊緣計算如何在產(chǎn)業(yè)AI實踐中，完成了一次奇妙的拉伸運動。

邊緣桎梏

邊緣計算并不是一個新的概念，早在2003年IBM與AKAMAI就提出了配合云服務(wù)的邊緣計算概念。其主要產(chǎn)業(yè)設(shè)想是在云計算與端側(cè)設(shè)備之間，相對靠近數(shù)據(jù)的一側(cè)施加一個計算系統(tǒng)。讓更強調(diào)實時性、高效計算的任務(wù)可以就近響應，同時也不必給端側(cè)設(shè)備加入過重的計算負擔。邊緣計算可以說是云與端之間的靈活配置方案。而在AI成為產(chǎn)業(yè)場景的主要需求時，邊緣計算以及基于其實現(xiàn)的邊緣智能變得格外重要。因為眾多AI任務(wù)的特性都是需求實時化反饋。所以工業(yè)級的低時延智能化，必須建立在完善的邊緣場景基礎(chǔ)上。

邊緣場景在AI體系中的價值，是用相對靈活、多樣的形式，讓AI的流通性更加適配真實產(chǎn)業(yè)場景。換言之，靈動地突破限制本就是邊緣的意義。但在真實的產(chǎn)業(yè)場景里，現(xiàn)實往往與想象不同，本應該靈動的邊緣智能，往往攜帶了一系列固化的障礙，甚至把邊緣場景變成了邊緣桎梏。比如說：

1、我們知道，云計算場景中存在虛擬機與容器的差異。而邊緣場景中不同任務(wù)需要用虛擬機或者容器技術(shù)來實現(xiàn)，就會導致不同的智能化任務(wù)無法獲得架構(gòu)上的一致性。2、邊緣場景的特殊性，導致其存算條件有限。這導致很多在云端可以完成的AI算法，無法在邊緣場景里保持性能與架構(gòu)的完整性，其后果就是邊緣側(cè)經(jīng)常是“打折后”的算法，無法滿足真實的產(chǎn)業(yè)需求。3、邊緣場景的特殊性，經(jīng)常讓具體的產(chǎn)業(yè)需求無法找到合適的設(shè)備。而利用原有設(shè)備就會限制AI的能力發(fā)揮，最終導致眾多任務(wù)無法得到有效滿足。

這些產(chǎn)業(yè)問題，讓本應靈動如水的邊緣智能陷入到了眾多靜態(tài)僵局里，導致其在真實應用中成本高企，模型聯(lián)動能力差，制造了不少“智能孤島”。而聯(lián)想，準備利用全新的獨創(chuàng)技術(shù)，拉伸被困在桎梏中的邊緣。

智能如水

在去年的Tech World中，聯(lián)想發(fā)布了“端邊云網(wǎng)智”戰(zhàn)略布局，其中每個部分都積累了聯(lián)想眾多技術(shù)創(chuàng)新與產(chǎn)業(yè)實踐成果。而聚焦在邊緣計算這個領(lǐng)域，聯(lián)想的領(lǐng)導力主要體現(xiàn)在三個層次：邊緣設(shè)備、邊緣架構(gòu)與邊緣智能。其中設(shè)備環(huán)節(jié)是聯(lián)想長時間以來的優(yōu)勢，在邊緣計算的產(chǎn)業(yè)變局中，我們或許可以更多聊聊聯(lián)想在架構(gòu)與智能中帶來的改變。需要注意的是，架構(gòu)與智能都是非常廣泛的議題，一時無法盡說。我們以聯(lián)想的兩項代表性技術(shù)創(chuàng)新為基礎(chǔ)，審視一下邊緣計算如何真正實現(xiàn)靈活與彈性。

上面說到，容器與虛擬機的IT架構(gòu)邊界問題，已經(jīng)成為了眾多產(chǎn)業(yè)智能化項目面臨的障礙。傳統(tǒng)的云計算架構(gòu)本身不為AI而生，導致眾多AI需求無法被滿足。為了滿足更加擴展、強化的云邊端架構(gòu)，聯(lián)想研發(fā)了邊緣計算平臺LECP (Lenovo Edge Computing Platform)，它能夠和聯(lián)想的各種邊緣設(shè)備深度融合，為邊緣場景下的業(yè)務(wù)提供網(wǎng)絡(luò)及算力實時動態(tài)的感知調(diào)度，以及統(tǒng)一自主的運維管理。

其中有一項關(guān)鍵技術(shù)，能夠解決虛擬機與容器的架構(gòu)邊界問題——混合輕量級虛擬化引擎。

一般意義上來說，虛擬機和容器技術(shù)是是由兩套獨立的虛擬化堆棧來分別實現(xiàn)，這就導致虛擬化開銷大、資源利用率低，并且不能混合編排。而混合輕量級虛擬化引擎，就能夠?qū)崿F(xiàn)虛擬機和容器在虛擬化引擎層深度融合。僅通過一個虛擬化可執(zhí)行程序，就可以同時虛擬出輕量級虛擬機和安全容器，有效降低了虛擬化開銷，縮短了啟動時間，從而打破了虛擬機與容器的隔膜，創(chuàng)造了適配邊緣場景中AI任務(wù)的一體化架構(gòu)。

我們可以把混合輕量級虛擬化引擎技術(shù)，想象成能夠打通不同池塘的水渠。通過建立新的水系，智能任務(wù)所需的虛擬化基礎(chǔ)被重構(gòu)，從孤立走向流動和融通。而在AI領(lǐng)域，我們說到邊緣智能的主要問題，是邊緣側(cè)的智能模型要經(jīng)過裁剪，無法與云端保持一致。為了解決這個“邊緣縮水”問題，聯(lián)想首創(chuàng)了漸近式模型優(yōu)化技術(shù)。

這項技術(shù)讓邊緣側(cè)在對AI模型進行裁剪時，可以自適應調(diào)整AI模型的裁剪比例，根據(jù)場景需求，實現(xiàn)漸進式的優(yōu)化模型。并且在模型下發(fā)到邊緣側(cè)之后，可以通過AI任務(wù)協(xié)同計算來實現(xiàn)云邊端的資源一體化。模型通過感知資源池的總量，動態(tài)調(diào)整不同場景的計算分布，讓邊緣實現(xiàn)與云、端的一致。漸近式模型優(yōu)化技術(shù)，在另一個層面展現(xiàn)了“水”的特質(zhì)：平衡。它通過主動識別場景需求，協(xié)同云邊端場景的模型建材與計算分布，最終達成整體水面的穩(wěn)定。

如水般流動，似水般平衡，架構(gòu)與智能上的技術(shù)創(chuàng)新，搭配聯(lián)想的設(shè)備能力，讓邊緣場景中的AI可以沖破各種界限，實現(xiàn)靈動如水的理想狀態(tài)。邊緣計算體系中AI任務(wù)的高度靈活，其價值在于讓不同模型、不同任務(wù)目標的智能應用實現(xiàn)一致，讓智能與使用場景融為一體。我們可以從一個名叫“晨星”的機器人那里，理解其中的邏輯。

機器之融

讓我們把鏡頭切到用戶側(cè)，從實用的角度看一下這兩項邊緣場景中的技術(shù)創(chuàng)新如何起到作用。聯(lián)想推出的晨星機器人，是一個能夠幫助用戶立體感知遠程環(huán)境，并且與之實時交互的機器人系統(tǒng)。它的最大特點是支持用戶通過遠程AR設(shè)備，通過機器人的攝像頭同步感知環(huán)境，并且基于感知信息向機器人下達控制指令。尤其重要的是，機器人可以通過人類用戶的操作來學習其中的精髓，進而實現(xiàn)“示范學習”能力，進而自行完成任務(wù)。

這樣看來，晨星機器人非常像是人類的“學徒”。通過5G網(wǎng)絡(luò)與AR技術(shù)實現(xiàn)人類與機器人的共看、共感、共知，進而通過AI技術(shù)來實現(xiàn)對人類智慧的承接。因此晨星機器人不僅能有效完成高危場景代表的遠程機械操作需求，還能從人類那里學到經(jīng)驗，自行完成復雜精細的智能化作業(yè)。而晨星機器人上崗的第一批工作中，有一項非常能夠體現(xiàn)聯(lián)想智能邊緣計算的價值——大型商用機噴涂。

這是一個我們?nèi)粘２惶煜さ膷徫唬珜τ诤娇债a(chǎn)業(yè)來說至關(guān)重要。在大型商用機制造中，飛機需要噴涂的零部件高達數(shù)百種。如果用傳統(tǒng)的自動化噴涂，針對一種零部件的機械臂噴涂調(diào)試需要花費幾周的時間；而如果依靠人工噴涂，又很可能導致工人手法存在差異，產(chǎn)業(yè)一致性很難保證。順著這個邏輯我們就會發(fā)現(xiàn)，商用機噴涂的最佳解決方式，是讓有經(jīng)驗的工人快速教會機器來完成任務(wù)——在聯(lián)想智能邊緣計算技術(shù)的幫助下，晨星機器人就做到了這點。

在真實的作業(yè)場景中，晨星機器人首先對整個車間進行空間掃描感知，數(shù)據(jù)在邊緣側(cè)的虛擬機上完成實時三維建圖與渲染，并通過容器化的SLAM技術(shù)，導航定位，移動至指定的噴漆間。

機器人的雙目立體相機，將操作臺的工件和周邊情況實時采集到邊緣服務(wù)器，邊緣服務(wù)器隨后將3D視頻流實時推送到AR眼鏡。而工人通過AR眼鏡和手柄遠程操縱機器人同步執(zhí)行噴漆，手感完全等同于親臨現(xiàn)場。這樣操作一次自然示教之后，該零部件的噴漆能力就保存在了邊緣側(cè)，之后對于同樣規(guī)格的零部件，機器人就能實現(xiàn)自主噴涂。此外，機器人還能進行基于計算機視覺的噴涂質(zhì)量自動檢測。

在這個“人類教導機器人”的神奇場景里，邊緣計算體系充當著關(guān)鍵作用。而上述兩項技術(shù)創(chuàng)新又蘊藏其中。比如說，飛機零部件噴漆，既需要虛擬機來支持AR模型渲染，也需要容器來支持機器人噴涂、漆面檢測等應用。如果依靠傳統(tǒng)的堆棧技術(shù)，會導致系統(tǒng)開銷大，應用之間數(shù)據(jù)轉(zhuǎn)發(fā)性能低。而在聯(lián)想的混合輕量級虛擬化引擎支持像，就能夠在一臺機器中同時提供輕量級虛擬機和安全容器承載這些應用，實現(xiàn)二者深度融合。

在剛剛所說的噴涂質(zhì)量檢測環(huán)節(jié)，需要將深度學習網(wǎng)絡(luò)模型壓縮部署在邊緣側(cè)。這里聯(lián)想的漸進式模型優(yōu)化技術(shù)就能夠帶來價值，通過漸近式搜索裁剪比，可以實現(xiàn)模型精度和算力資源的細粒度匹配，讓復雜模型更好地部署在邊緣側(cè)。通過邊緣架構(gòu)與邊緣智能的創(chuàng)新，機器人可以解決眾多產(chǎn)業(yè)中真實存在的障礙，進而實現(xiàn)人類智慧與AI的深度融合。原本構(gòu)成產(chǎn)業(yè)智能化不確定性的X維度，在技術(shù)創(chuàng)新之下被消解無蹤，達成了真正的機器之融。

基于邊緣計算的創(chuàng)新，復雜的人工經(jīng)驗可以與智能化體系更輕易融合；不同目標的AI任務(wù)能夠具備更高強度的協(xié)調(diào)性；工業(yè)場景中云計算體系與本地機器體系可以具有更好一致性。這些價值將給AI落地帶來很多改變，比如機器人的智能水平提高、成本降低；再比如場景化的整體智能指數(shù)上升，企業(yè)可以更好根據(jù)需求定制智能化系統(tǒng)；大型智能化任務(wù)可以獲得低時延、高可靠的工業(yè)級特性。

從大型商用機的零部件噴涂，到到京東智慧園區(qū)，洛陽5G智慧龍門景區(qū)，聯(lián)想智能邊緣計算的突破開始成為智能化技術(shù)落地的新支點。聯(lián)想對邊緣智能完成的“拉伸運動”，消解了AI落地的諸多不確定性，為新基建價值轉(zhuǎn)化找到了更清晰的技術(shù)路標。

fqj