人工智能技術的復興,主要歸功于過去幾年以來以IT為代表的計算能力的顯著提升。在與圖形處理單元(GPU)以及云計算資源的彈性特征配合使用的情況下,在機器學習與自然語言處理實例當中,AI提出的計算資源需求對于企業而言終于不再是可望而不可及的奢求。
盡管如此,還有另一種不那么廣受關注但又同樣重要的AI復興趨勢,即AI技術被應用于物聯網與邊緣計算場景當中。
而所有這一切,都必須通過存儲底層來支撐——換言之,除了計算能力之外,存儲已經成為AI在數據生態系統當中發揮重要作用的另一支柱。存儲對于AI技術之所以不可或缺,是因為AI巨大的計算量需要對數據進行大規模快速訪問,而這方面要求在邊緣計算與備份等實際場景中又顯得更加現實且突出。
當配合理想的存儲容量時,AI的計算速度才能夠為諸多有利于智能物聯網(IIoT)的前沿邊緣計算用例提供助力。
人臉識別。智能物聯網的存儲要求主要體現在邊緣計算應用當中。比如,美國國防部目前正在利用人臉識別等AI技術對偏遠地區進行管理,用以驗證進出設施的具體人員。很明顯,涉及高級機器學習、卷積神經網絡以及統計認知計算等因素的人臉識別技術,對存儲設備提出了特殊的要求,而這,也是確保其正常運作的基礎所在。在這個特定用例當中,人臉識別的實現在很大程度上依賴于存儲對邊緣計算的支持。
AI在邊緣。在之前提到的示例與其它邊緣AI部署方案當中,存儲單元往往面臨著一系列特定要求。……