為產業AI去障：聯想的邊緣突破_風聞

AI技術的產業化落地，是如今社會各界共同關注的大事，同時也是新基建的核心價值轉化方式。但在逐步推進的AI產業化落地過程裏，會在實踐中發現一系列問題。企業場景中不僅要面對技術與理論的對接，同時也需要解決一系列的產業化、工程化問題。

比如説，在AI的產業化進程裏，一個重要支撐點就是邊緣計算，以及基於邊緣算力產生的邊緣智能。

邊緣場景坐落於雲邊之間，用其獨特的產業特性支撐智能化落地。在AI進入行業的實踐中，大量工作都不能僅僅依靠端側或者雲側計算來完成，邊緣場景的價值就在於其靈活、可定製的特點。

然而在產業現實中，邊緣智能經常會變成一個X維度——充斥着技術限制與產業不確定性，甚至變成AI落地的阻力。從某種意義上來説，解決AI落地的問題，必須讓邊緣場景的不確定性溶解掉。

而今，面向邊緣的行業衝擊正在被不斷髮起。10月28日，2020年聯想創新科技大會(Tech World 2020)在線上舉辦。今年的Tech World聚焦新基建與產業智能化落地，給出了從數據中心到智慧城市、邊緣計算、機器人等一系列創新解決方案。

我們的故事就要從Tech World中關於邊緣計算與機器人的那部分説起，看看聯想智能邊緣計算如何在產業AI實踐中，完成了一次奇妙的拉伸運動。

邊緣桎梏

邊緣計算並不是一個新的概念，早在2003年IBM與AKAMAI就提出了配合雲服務的邊緣計算概念。其主要產業設想是在雲計算與端側設備之間，相對靠近數據的一側施加一個計算系統。讓更強調實時性、高效計算的任務可以就近響應，同時也不必給端側設備加入過重的計算負擔。

邊緣計算可以説是雲與端之間的靈活配置方案。而在AI成為產業場景的主要需求時，邊緣計算以及基於其實現的邊緣智能變得格外重要。因為眾多AI任務的特性都是需求實時化反饋。所以工業級的低時延智能化，必須建立在完善的邊緣場景基礎上。

邊緣場景在AI體系中的價值，是用相對靈活、多樣的形式，讓AI的流通性更加適配真實產業場景。換言之，靈動地突破限制本就是邊緣的意義。

但在真實的產業場景裏，現實往往與想象不同，本應該靈動的邊緣智能，往往攜帶了一系列固化的障礙，甚至把邊緣場景變成了邊緣桎梏。比如説：

1、我們知道，雲計算場景中存在虛擬機與容器的差異。而邊緣場景中不同任務需要用虛擬機或者容器技術來實現，就會導致不同的智能化任務無法獲得架構上的一致性。

2、邊緣場景的特殊性，導致其存算條件有限。這導致很多在雲端可以完成的AI算法，無法在邊緣場景裏保持性能與架構的完整性，其後果就是邊緣側經常是“打折後”的算法，無法滿足真實的產業需求。

3、邊緣場景的特殊性，經常讓具體的產業需求無法找到合適的設備。而利用原有設備就會限制AI的能力發揮，最終導致眾多任務無法得到有效滿足。

這些產業問題，讓本應靈動如水的邊緣智能陷入到了眾多靜態僵局裏，導致其在真實應用中成本高企，模型聯動能力差，製造了不少“智能孤島”。

而聯想，準備利用全新的獨創技術，拉伸被困在桎梏中的邊緣。

智能如水

在去年的Tech World中，聯想發佈了“端邊雲網智”戰略佈局，其中每個部分都積累了聯想眾多技術創新與產業實踐成果。而聚焦在邊緣計算這個領域，聯想的領導力主要體現在三個層次：邊緣設備、邊緣架構與邊緣智能。

其中設備環節是聯想長時間以來的優勢，在邊緣計算的產業變局中，我們或許可以更多聊聊聯想在架構與智能中帶來的改變。

需要注意的是，架構與智能都是非常廣泛的議題，一時無法盡説。我們以聯想的兩項代表性技術創新為基礎，審視一下邊緣計算如何真正實現靈活與彈性。

上面説到，容器與虛擬機的IT架構邊界問題，已經成為了眾多產業智能化項目面臨的障礙。傳統的雲計算架構本身不為AI而生，導致眾多AI需求無法被滿足。為了滿足更加擴展、強化的雲邊端架構，聯想研發了邊緣計算平台LECP (Lenovo Edge Computing Platform)，它能夠和聯想的各種邊緣設備深度融合，為邊緣場景下的業務提供網絡及算力實時動態的感知調度，以及統一自主的運維管理。

其中有一項關鍵技術，能夠解決虛擬機與容器的架構邊界問題——混合輕量級虛擬化引擎。

一般意義上來説，虛擬機和容器技術是是由兩套獨立的虛擬化堆棧來分別實現，這就導致虛擬化開銷大、資源利用率低，並且不能混合編排。而混合輕量級虛擬化引擎，就能夠實現虛擬機和容器在虛擬化引擎層深度融合。僅通過一個虛擬化可執行程序，就可以同時虛擬出輕量級虛擬機和安全容器，有效降低了虛擬化開銷，縮短了啓動時間，從而打破了虛擬機與容器的隔膜，創造了適配邊緣場景中AI任務的一體化架構。

我們可以把混合輕量級虛擬化引擎技術，想象成能夠打通不同池塘的水渠。通過建立新的水系，智能任務所需的虛擬化基礎被重構，從孤立走向流動和融通。

而在AI領域，我們説到邊緣智能的主要問題，是邊緣側的智能模型要經過裁剪，無法與雲端保持一致。為了解決這個“邊緣縮水”問題，聯想首創了漸近式模型優化技術。

這項技術讓邊緣側在對AI模型進行裁剪時，可以自適應調整AI模型的裁剪比例，根據場景需求，實現漸進式的優化模型。並且在模型下發到邊緣側之後，可以通過AI任務協同計算來實現雲邊端的資源一體化。模型通過感知資源池的總量，動態調整不同場景的計算分佈，讓邊緣實現與雲、端的一致。

漸近式模型優化技術，在另一個層面展現了“水”的特質：平衡。它通過主動識別場景需求，協同雲邊端場景的模型建材與計算分佈，最終達成整體水面的穩定。

如水般流動，似水般平衡，架構與智能上的技術創新，搭配聯想的設備能力，讓邊緣場景中的AI可以衝破各種界限，實現靈動如水的理想狀態。

邊緣計算體系中AI任務的高度靈活，其價值在於讓不同模型、不同任務目標的智能應用實現一致，讓智能與使用場景融為一體。我們可以從一個名叫“晨星”的機器人那裏，理解其中的邏輯。

機器之融

讓我們把鏡頭切到用户側，從實用的角度看一下這兩項邊緣場景中的技術創新如何起到作用。

聯想推出的晨星機器人，是一個能夠幫助用户立體感知遠程環境，並且與之實時交互的機器人系統。它的最大特點是支持用户通過遠程AR設備，通過機器人的攝像頭同步感知環境，並且基於感知信息向機器人下達控制指令。尤其重要的是，機器人可以通過人類用户的操作來學習其中的精髓，進而實現“示範學習”能力，進而自行完成任務。

這樣看來，晨星機器人非常像是人類的“學徒”。通過5G網絡與AR技術實現人類與機器人的共看、共感、共知，進而通過AI技術來實現對人類智慧的承接。因此晨星機器人不僅能有效完成高危場景代表的遠程機械操作需求，還能從人類那裏學到經驗，自行完成複雜精細的智能化作業。

而晨星機器人上崗的第一批工作中，有一項非常能夠體現聯想智能邊緣計算的價值——大型商用機噴塗。

這是一個我們日常不太熟悉的崗位，但對於航空產業來説至關重要。在大型商用機制造中，飛機需要噴塗的零部件高達數百種。如果用傳統的自動化噴塗，針對一種零部件的機械臂噴塗調試需要花費幾周的時間；而如果依靠人工噴塗，又很可能導致工人手法存在差異，產業一致性很難保證。

順着這個邏輯我們就會發現，商用機噴塗的最佳解決方式，是讓有經驗的工人快速教會機器來完成任務——在聯想智能邊緣計算技術的幫助下，晨星機器人就做到了這點。

在真實的作業場景中，晨星機器人首先對整個車間進行空間掃描感知，數據在邊緣側的虛擬機上完成實時三維建圖與渲染，並通過容器化的SLAM技術，導航定位，移動至指定的噴漆間。

機器人的雙目立體相機，將操作枱的工件和周邊情況實時採集到邊緣服務器，邊緣服務器隨後將3D視頻流實時推送到AR眼鏡。而工人通過AR眼鏡和手柄遠程操縱機器人同步執行噴漆，手感完全等同於親臨現場。這樣操作一次自然示教之後，該零部件的噴漆能力就保存在了邊緣側，之後對於同樣規格的零部件，機器人就能實現自主噴塗。此外，機器人還能進行基於計算機視覺的噴塗質量自動檢測。

在這個“人類教導機器人”的神奇場景裏，邊緣計算體系充當着關鍵作用。而上述兩項技術創新又藴藏其中。比如説，飛機零部件噴漆，既需要虛擬機來支持AR模型渲染，也需要容器來支持機器人噴塗、漆面檢測等應用。如果依靠傳統的堆棧技術，會導致系統開銷大，應用之間數據轉發性能低。而在聯想的混合輕量級虛擬化引擎支持像，就能夠在一台機器中同時提供輕量級虛擬機和安全容器承載這些應用，實現二者深度融合。

在剛剛所説的噴塗質量檢測環節，需要將深度學習網絡模型壓縮部署在邊緣側。這裏聯想的漸進式模型優化技術就能夠帶來價值，通過漸近式搜索裁剪比，可以實現模型精度和算力資源的細粒度匹配，讓複雜模型更好地部署在邊緣側。

通過邊緣架構與邊緣智能的創新，機器人可以解決眾多產業中真實存在的障礙，進而實現人類智慧與AI的深度融合。原本構成產業智能化不確定性的X維度，在技術創新之下被消解無蹤，達成了真正的機器之融。

基於邊緣計算的創新，複雜的人工經驗可以與智能化體系更輕易融合；不同目標的AI任務能夠具備更高強度的協調性；工業場景中雲計算體系與本地機器體系可以具有更好一致性。這些價值將給AI落地帶來很多改變，比如機器人的智能水平提高、成本降低；再比如場景化的整體智能指數上升，企業可以更好根據需求定製智能化系統；大型智能化任務可以獲得低時延、高可靠的工業級特性。

從大型商用機的零部件噴塗，到到京東智慧園區，洛陽5G智慧龍門景區，聯想智能邊緣計算的突破開始成為智能化技術落地的新支點。

聯想對邊緣智能完成的“拉伸運動”，消解了AI落地的諸多不確定性，為新基建價值轉化找到了更清晰的技術路標。