德国电子公司罗伯特·博世(Robert Bosch)认为, 为了克服大数据(Big Data)的挑战, 我们必须透过让各个层面智能化的方式打造解决方案, 包括从边缘传感器到集中的传感器中枢, 再到云端资料分析.
所幸我们的大脑拥有最智能的智能传感器——包括眼睛, 耳朵, 鼻子, 味蕾和触觉灵敏度, 能够因应物联网(IoT)的需要塑造我们的电子大数据解决方案.
Bosch Sensortec业务开发主管Marcellino Gemelli在国际半导体产业协会(SEMI)最近举行的年度MEMS与传感器高峰会议(MEMS & Sensor Executive Congress; MSEC)上说: '我们必须将大数据的问题馈入基于人脑的模型产生器, 然后用这个模型来预测最佳化解决方案应该是什么样子的. 由于神经元具有多功能性, 使得这些机器学习解决方案够在多个层面上运作. '
神经元是大脑的微处理器——它能接受数以千计的大数据输入, 但在接收到记忆突触介导的数以千计树突输入后, 仅沿着轴突输出单一电压突波. 透过这样的方式, 眼睛, 耳朵, 鼻子, 味蕾和触觉传感器(主要用于存在, 压力和温度)的接收器就能预先处理大量的原始大数据输入后, 再沿脊髓传送摘要资讯(在电压突波上编码)至被称为 'old brain' 的中枢¬-——这是负责呼吸, 心跳和反射等任务的脑干和自动行为中心.
最后, 经过预处理的资料经由一个巨大的互连阵列——称为 '白质' (white matter)——到达大脑有意识的部份(大脑皮层灰质)的最终目的地. 大脑皮层的每个部份分别专用于视觉, 语言, 嗅觉, 味觉和触觉等感官, 以及注意, 推理, 评估, 判断和相应规划等认知功能.
Gemelli说: '大脑神经网路的数学运算就相当于感知, 它可以透过其可变电导突触来学习, 而大数据则透过它进行串流传输. 我们可以添加多种层次的感知器, 学习人类所能学习的所有东西, 例如人们走路的各种不同方式. '
摩尔定律的影响
摩尔定律(Moore's Law)也有助于实现多层次的感知——称为深度学习(deep learning)——因为它提供了一种在边缘传感器, 在中枢进行智能处理以及在云端分析的通用方法.
Gemelli说: '首先, 数量方面很有帮助——大数据的量越多越好. 其次, 多样性有助于学习事物的各种不同面向, 例如上述人们用来行走的不同步态; 第三, 感知器必须回应的速度需要加以量化. 一旦你定义了这三种参数, 就可以为任何特定应用最佳化神经网路. '
例如, Gemelli说, 智能手表/智能型手机/智能云端组合可以分别控制大数据. 智能手表评估来自个人用户的即时连续数据, 然后每隔几分钟将最重要的摘要数据发送到智能型手机. 接着, 智能型手机在一天中只需几次向智能云端发送趋势摘要即可. 最重要的数据点的详细分析就在云端中执行, 并反馈回给佩戴智能手表的特定用户, 以及为其他智能手表佩戴者适时建议如何达到相同设定目标.
目前, 博世正借由在其边缘传感器上加入处理器, 以模拟这种三种层级的大脑模型, 使其得以辨识并集中大数据趋势, 然后再传送至智能中枢.
Gemelli说: '特别是智能城市需要利用内建处理器的智能传感器, 才能实现即时边缘传感器趋势. 然后, 他们再将这些趋势发送到传感器中枢, 分析并发送最重要的讯息至云端, 以便为城市管理者分析可行的资讯. '
编译: Susan Hong