AI從云端向邊緣移動，為阻礙物聯網在關鍵市場更廣泛采用的帶寬和安全問題提供了解決方案。假如技術發展的歷史是未來的可靠指南，那么在接下來的幾年里，這種融合至少還有兩個階段要進行。

物聯網最近引起了人們極大的興趣，但對于很多應用來說，有兩個重要的問題出現了。一個是安全;從物聯網設備流過網絡的數據以及對設備本身的控制在很大程度上依賴于足夠的網絡攻擊安全性。由于威脅不斷演變，變得更加激烈，安全要求物聯網開發人員不斷提高警惕和緩解。與此同時，由于系統和數據的安全性存在不確定性，很多潛在用戶推遲了對物聯網技術的使用。

限制物聯網采用的第二個問題是將數據發送到云進行處理所需的帶寬。伴隨已安裝設備數量的增加和所涉及數據量的增加，物聯網部署正受到數據收集所涉及的帶寬資源和成本的約束。伴隨AI成為從所有數據中提取價值的一個愈來愈重要的元素，這變得更加令人擔憂。

AI在數據處理中的重要性大幅增長，因為傳統的數據處理技術變得愈來愈繁瑣。開發和編碼從大量數據中提取有用信息的有效算法需要時間和很多潛在用戶缺乏的應用專業知識。它還可能導致軟件脆弱，伴隨需求的變化難以維護和修改。AI，尤其是機器學習，允許處理器根據訓練開發自己的算法以達到預期的結果，而不是依賴于專家分析和軟件開發。另外，通過額外的訓練，AI算法可以很容易地適應新的要求。

AI向邊緣移動的最新趨勢是將這兩種技術結合在一起。從物聯網數據中提取信息目前主要發生在云端，但假如可以在本地提取大部分或全部信息，帶寬和安全性問題就不那么重要了。伴隨AI在物聯網設備中運行，幾乎不需要通過網絡發送大量原始數據;只需要傳達簡潔的結論。由于通信流量較少，網絡安全性更容易增強和維護。本地AI甚至可以通過檢查傳入流量是否有篡改跡象來幫助提高設備安全性。

工業機械的預測性維護是AI和IoT的融合將不斷演進的一種應用。?

人工智能物聯網似乎遵循了類似于1980年代微處理器發展方式的發展路徑。處理開始于處理不同任務的獨立設備：通用處理器、存儲器、串行接口外圍設備、并行接口外圍設備等。這些最終將設備任務集成到單芯片微控制器中，然后演變為針對特定應用的專用微控制器。人工智能物聯網看起來遵循相同的路徑。

目前，人工智能物聯網設計使用輔以通用AI加速和AI中間件的處理器。搭載AI加速的處理器也開始亮相。假如歷史要重演，人工智能物聯網的下一階段將是針對特定應用量身定制的AI增強型處理器的演進。

為了使定制設備在經濟上可行，它需要滿足一系列與主題相關的應用的共同需求。這樣的應用已經開始變得可見。其中一個主題是預測性維護。AI與工業機械上的物聯網傳感器相結合，正在幫助用戶識別振動和電流消耗中的異常模式，這些模式是設備故障的先兆。將AI置于傳感器設備本地的好處囊括減少數據帶寬和延遲，以及將設備響應與其網絡連接隔離的能力。專門的預測性維護人工智能物聯網設備將服務于一個巨大的市場。

第二個主題是語音控制。Siri和Alexa等語音助手的流行促使消費者要求在各種設備中具有語音控制功能。專用的語音控制人工智能物聯網設備將有助于解決帶寬和延遲問題，并有助于確保在不穩定連接期間的功能。而今，這種設備的潛在用途數量驚人。

專門的人工智能物聯網設備還有其他潛在的主題需要解決。工業安全和建筑管理的環境傳感就是其中之一。化學過程控制是另一個問題。自動駕駛汽車系統是第三個。第四種是識別特定目標的攝像頭。毫無疑問，還會出現更多。

AI技術似乎將繼續存在下去，而下一步的發展——與處理技術一樣——將是為關鍵市場發展專門的設備。除此之外，該行業最有可能發展可配置的AI加速器，可以根據其應用進行定制，從而使人工智能物聯網的好處可以有效地覆蓋更多、更小的市場。

還有很多技術上的挑戰需要克服。設備大小和功耗一直是邊緣問題，AI需要做更多工作來解決這些問題。在使用AI時，開發工具可以在簡化應用程序開發工作方面做得更多。開發人員需要更多地了解AI作為應用開發的替代方法。但假如以歷史為鑒，這些挑戰將很快被克服。