德國電子公司羅伯特·博世(Robert Bosch)認為, 為了克服大數據(Big Data)的挑戰, 我們必須透過讓各個層面智能化的方式打造解決方案, 包括從邊緣感測器到集中的感測器中樞, 再到雲端資料分析.
所幸我們的大腦擁有最智能的智能感測器——包括眼睛, 耳朵, 鼻子, 味蕾和觸覺靈敏度, 能夠因應物聯網(IoT)的需要塑造我們的電子大數據解決方案.
Bosch Sensortec業務開發主管Marcellino Gemelli在國際半導體產業協會(SEMI)最近舉行的年度MEMS與感測器高峰會議(MEMS & Sensor Executive Congress; MSEC)上說: '我們必須將大數據的問題饋入基於人腦的模型產生器, 然後用這個模型來預測最佳化解決方案應該是什麼樣子的. 由於神經元具有多功能性, 使得這些機器學習解決方案夠在多個層面上運作. '
神經元是大腦的微處理器——它能接受數以千計的大數據輸入, 但在接收到記憶突觸介導的數以千計樹突輸入後, 僅沿著軸突輸出單一電壓突波. 透過這樣的方式, 眼睛, 耳朵, 鼻子, 味蕾和觸覺感測器(主要用於存在, 壓力和溫度)的接收器就能預先處理大量的原始大數據輸入後, 再沿脊髓傳送摘要資訊(在電壓突波上編碼)至被稱為 'old brain' 的中樞¬-——這是負責呼吸, 心跳和反射等任務的腦乾和自動行為中心.
最後, 經過預處理的資料經由一個巨大的互連陣列——稱為 '白質' (white matter)——到達大腦有意識的部份(大腦皮層灰質)的最終目的地. 大腦皮層的每個部份分別專用於視覺, 語言, 嗅覺, 味覺和觸覺等感官, 以及注意, 推理, 評估, 判斷和相應規劃等認知功能.
Gemelli說: '大腦神經網路的數學運算就相當於感知, 它可以透過其可變電導突觸來學習, 而大數據則透過它進行串流傳輸. 我們可以添加多種層次的感知器, 學習人類所能學習的所有東西, 例如人們走路的各種不同方式. '
摩爾定律的影響
摩爾定律(Moore's Law)也有助於實現多層次的感知——稱為深度學習(deep learning)——因為它提供了一種在邊緣感測器, 在中樞進行智能處理以及在雲端分析的通用方法.
Gemelli說: '首先, 數量方面很有幫助——大數據的量越多越好. 其次, 多樣性有助於學習事物的各種不同面向, 例如上述人們用來行走的不同步態; 第三, 感知器必須回應的速度需要加以量化. 一旦你定義了這三種參數, 就可以為任何特定應用最佳化神經網路. '
例如, Gemelli說, 智能手錶/智能型手機/智能雲端組合可以分別控制大數據. 智能手錶評估來自個人用戶的即時連續數據, 然後每隔幾分鐘將最重要的摘要數據發送到智能型手機. 接著, 智能型手機在一天中只需幾次向智能雲端發送趨勢摘要即可. 最重要的數據點的詳細分析就在雲端中執行, 並反饋回給佩戴智能手錶的特定用戶, 以及為其他智能手錶佩戴者適時建議如何達到相同設定目標.
目前, 博世正藉由在其邊緣感測器上加入處理器, 以類比這種三種層級的大腦模型, 使其得以辨識並集中大數據趨勢, 然後再傳送至智能中樞.
Gemelli說: '特別是智能城市需要利用內建處理器的智能感測器, 才能實現即時邊緣感測器趨勢. 然後, 他們再將這些趨勢發送到感測器中樞, 分析並發送最重要的訊息至雲端, 以便為城市管理者分析可行的資訊. '
編譯: Susan Hong