為視障者打開一扇窗：邊緣運算的AI盲杖

台灣的導盲犬依法可以自由進出各種公共建築物、營業場所、大眾運輸工具和各類公共設施。但是選育、培訓一隻導盲犬成本並不低，這讓導盲犬輔助視障朋友出行變成一種「奢侈品」。最近，土耳其的一位盲人Kürşat Ceylan，基於Arm的最新處理器和NPU，打造出的AI盲杖，或許能夠為更多視障者打開一扇窗。

👉 加入T客邦telegram送《任天堂Switch大補丸》 ( https://bit.ly/35gy8ig )  

那麼，AI想要長久且安全地幫助視障者融入公共生活，背後都需要哪些技術條件呢？我們不妨以導盲犬的幾個重要工作能力來推測一下。

首先，導盲犬需要準確辨識障礙物。

這包括了躲避路上的大坑、汽車、行人、欄杆等等，還要辨識紅綠燈等關鍵路況訊息，以達到讓視障者順利出行的目的。而熟悉AI的朋友一定知道，基於機器視覺+攝影鏡頭+感測器，檢測到環境障礙並不難。所以在AI盲杖中，Kürşat Ceylan就將地圖導航、障礙物檢測演算法、LED警示燈、麥克風等植入到了傳統的導盲杖中，透過超音波檢測器，可以順利感應到160cm高的障礙物。

同時，導盲犬還需要引領視障者安全地躲避開障礙。

正在執行任務的導盲犬，會身穿帶著拉桿的小背心，引導主人適當地行走或停止。而且，導盲犬還會自己依據即時訊息作出判斷，有時甚至會「很有智慧的抗命」，當發現前進的命令是不安全的，就算主人要求繼續走，它們也會拒絕服從。

而盲杖則不同，主動權完全掌握在視障者自己手中，即使語音助手+AI推理晶片能夠進行自主的安全警示，這雙「眼睛」很難限制主人的活動，自然也就會有一定的安全風險。而萬一由於設備技術原因，導致人身危險，由此產生的一系列責任劃分與倫理問題，目前整個社會也並沒有相應的預案及準備。

重要的是，導盲犬還需要融入視障者的生活。

在與主人共同生活一段時間後，導盲犬會對主人的規律性作息時間非常熟悉。例如記住他的上下班路線、行為習慣、常去的超市和交流的朋友等等。這種個性化的記憶能力，AI透過神經網路深度學習，也可以達到。

但需要注意的是，機器學習訓練往往需要消耗大量的算力，因此AI盲杖的演算法只能透過將數據上傳到雲端來完成，這樣的操作必然會出現時間上的延遲與訊息隱私的安全隱患。

至於導盲犬能與主人建立特殊的情感聯繫與信任，幫助其擴展社交活動圈子等等，AI盲杖在超人工智慧實現以前，顯然都無法與之相提並論。

總體看來，AI盲杖在視聽層面已經能夠完成導航避障這樣的功能，但在判斷推理、情感層面依然無法跟導盲犬媲美。在有限範圍、相對安全的環境下（例如辦公大樓等）使用，可能是AI盲杖發揮價值的初期場景。

由此，我們也需要來思索一個新的問題——號稱能搶救AIoT的邊緣智慧，為什麼並沒有如期變革我們的生活？

尋路霧計算：邊緣智慧的落地難題

邊緣運算從提出以來，就被看做是5G+AI+雲端運算的絕佳輔助。如果說雲端運算是萬物智聯的「終極大腦」，那麼邊緣運算就是龐大的「神經末梢」，承擔著諸多「下意識」的反應。

例如AI導盲杖，就是一個邊緣運算應用的絕佳場景。導盲杖要做到即時互動與判斷，像是看到紅綠燈變綠，自動能夠判斷出「可以通行」。不必將路燈訊息上傳到雲端，經過雲端伺服器的層層判斷才發出行走的提醒。這無疑大大減少了延遲帶來的行進風險，也降低了雲端運算的超負荷。

但讓「雲腦」偷懶的邊緣運算，也能夠幫助產業解決AIoT泛智慧化過程中的三重矛盾：

算力與成本的矛盾

要滿足終端AI推理運算的即時、可用性需求，需要在本地處理大量的數據。要嘛是在終端本身部署高性能的AI晶片，從成本控制上來看顯然並不現實；要嘛就是在實體場景中部署足夠多的邊緣AI。

當然，要滿足AIoT巨量物聯的計算需求，就需要改造網路管道，例如5G邊緣數據中心的建立，以及高性能演算法的訓練，還需要爭奪NPU、GPU等運算資源，這些都不是一朝一夕能夠解決的。

即時與功耗的矛盾

對於導盲杖這樣的設備來說，不僅要保證即時性，還需要處理物體檢測、語音辨識、手勢監測，甚至人臉辨識等複雜AI任務，加上感測處理的範圍較大，直接導致功耗比較高。電池續航僅有5小時，換句話說，視障者早上出門，晚上沒電可能就返程困難了。

而邊緣運算能夠將龐大的數據流量在終端進行過濾分析，減少了從設備到雲端的傳輸路徑，自然也就改善了耗電問題。

便捷與安全的矛盾

誰都知道物聯網互相協作能夠大大提升生活的便攜指數，但在這個智慧型門鎖、攝影鏡頭等頻頻被駭客選中的時代，數據很容易被別有用心的人利用。許多企業甚至要求必須將AI部署在自家的私有雲上，由此也限制了許多尖端技術的應用，增大了營運維護的難度。

邊緣運算的解決方式，就是將數據的處理和儲存都放在本地，這樣既能夠保護隱私安全，又能夠實現高效即時的互動與迭代。尤其是導盲杖、心臟起搏器、智慧型手錶等承載著使用者生命健康訊息的IoT產品，其大規模應用的前提就不離開邊緣運算的廣泛普及。

從這個角度來看，AI導盲杖只是AIoT創新的一個案例。據IDC的預測， 2025年物聯網連接數將增長至270億個，物聯網設備數量將達到1000億台。可以想見，隨著未來「雲」和「端」之間的邊緣運算體系不斷成熟，將有越來越多的創新創造被挖掘出來，輔助殘障人士正常生活，幫助城市防微杜漸，為千行百業注入AI的洪荒之力。

邊緣智慧的未來，還需要靜候天時

邊緣智慧的全面開花，自然也會孕育出龐大的產業富礦和商業新機。大家想必都已經摩拳擦掌想要奮力一搏。

不過需要注意的是，邊緣智慧雖然是大勢所趨，卻也有著生長的節奏與天時，盲目入場可能會收穫一場空。

目前看來，邊緣智慧還需要等待產業環境的全面成熟：

一是基礎設施的完善。

作為雲端廠商們看好的未來趨勢，邊緣運算的軟硬體基本到位，例如ARM發佈了面向人工智慧應用的 DynamIQ技術及相關處理器，旨在搭建從網路節點到雲端的的分散式智慧；NVIDIA推出的開發板Jetson TX2，也可在終端設備上更好地運行深度學功能。

但這還不夠，邊緣運算與5G智慧網路，恐怕才是真正如膠似漆的「原配」。

一方面，目前4G網路建設一般以中心化的核心網為主，通常難以實現本地分流（Local-Breakout），這就導致數據必須經過非常長的物理距離才能到達應用側。換句話說，在4G網路之上架設邊緣智慧，低時延要求就無法保障了。

另外，邊緣運算並不僅僅是簡單的分派運算任務，合理地利用本地空閒、將任務分配給不同的額計算節點，這些都需要智慧化的網路來排兵佈陣，實現負載均衡，進而保證每一個邊緣節點的高效利用。而這一點，5G智慧化網路也更加可靠。

而5G建設的腳步受疫情、供應鏈等影響，將比預期延緩，這也就進一步延緩了邊緣運算節點（如探頭、處理設備、數據中心等）的迭代升級。

 

二是產業應用的連動。

既然是AIoT，自然需要多個邊緣節點來協同合作，透過技術的整合來發揮AI的最大值。

舉個例子，例如視障者在使用AI導盲杖出行時，電線桿、飛馳的車輛、垃圾箱、紅綠燈等等多個節點，都將即時數據共享給邊緣節點。AI導盲杖依據這些數據來做出精準的避障判斷，會不會比視覺辨識的解決方案更加高效可行？

而其他節點也可以透過數據共享，訓練並掌握出行大數據，來整體最佳化並影響城市的交通管理。

而這種邊緣協作的應用聯動，目前還處於理想之中。更為現實的方案是，透過智慧園區、智慧大樓、智慧城市等的片狀更新，不斷積累和訓練相關模型，最後將工業級邊緣智慧與消費級物聯網融合在一起，形成無處不在的萬物智慧，讓AI隨時隨地可被召喚。

三是開發生態的培育。

無規矩不成方圓，全面智慧物聯的未來，自然也需要統一的標準和規範。但儘管不少雲端廠商都交付了很多邊緣運算工具。但時至今日，我們並沒有看到開發者的創意和腦洞在AIoT領域爆發。

例如2018年7月，谷歌推出的兩款大規模開發和部署智慧連接設備的產品：Edge TPU和Cloud IoT Edge；亞馬遜也早在2016年的re：Invent開發者大會上，決定將AWS擴展到間歇性連接的邊緣設備。微軟的Azure IoT Edge，也允許雲端工作負載集裝箱化，可以從Raspberry Pi到工業網關的智慧設備上本地運行。

除了傳統硬體廠商在更新迭代之外，很少有類似AI導盲杖這樣顛覆傳統功能的創新出現。

其中最核心的原因，是開發門檻依然過高。除了軟體使用的技術門檻，以及訓練機器模型的成本之外，缺乏軟硬體一體化的系統，和統一可靠的行業標準，這些都要求開發者在創新時，注重跨平台相容、異構數據的處理、不同技術和生態的融合等等，無疑過度消耗了精力時間，讓不少開發者望而卻步，也就限制了更多創意的出現。

從現在開始培養開發者生態，或許會成為雲端廠商在未來引領產業標準、結束混亂局面、拉開競爭身位的關鍵。

科技行業的鐵律，是技術服務於應用，而新的應用造就新的市場主宰者。4G之於行動互聯網，AI之於數位產業，莫不如是。

如果說智慧社會還是一片溝壑縱橫、氣象萬千的原始叢林，神祕，卻也有著無數寶藏可待挖掘。那麼邊緣運算，或許就是那根通向未來的「導盲杖」。

👉 加入T客邦telegram送《任天堂Switch大補丸》 ( https://bit.ly/35gy8ig )  

 

• 本文授權轉載自腦極體