德國電子公司羅伯特·博世(Robert Bosch)認(rèn)為，為了克服大數(shù)據(jù)(Big Data)的挑戰(zhàn)，我們必須透過讓各個層面智慧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，再到云端資料分析。

所幸我們的大腦擁有最智慧的智慧感測器——包括眼睛、耳朵、鼻子、味蕾和觸覺靈敏度，能夠因應(yīng)物聯(lián)網(wǎng)(IoT)的需要塑造我們的電子大數(shù)據(jù)解決方案。

Bosch Sensortec業(yè)務(wù)開發(fā)主管Marcellino Gemelli在國際半導(dǎo)體產(chǎn)業(yè)協(xié)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(shù)據(jù)的問題饋入基于人腦的模型產(chǎn)生器，然后用這個模型來預(yù)測最佳化解決方案應(yīng)該是什么樣子的。由于神經(jīng)元具有多功能性，使得這些機器學(xué)習(xí)解決方案夠在多個層面上運作?！?/span>

神經(jīng)元是大腦的微處理器——它能接受數(shù)以千計的大數(shù)據(jù)輸入，但在接收到記憶突觸介導(dǎo)的數(shù)以千計樹突輸入后，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(主要用于存在、壓力和溫度)的接收器就能預(yù)先處理大量的原始大數(shù)據(jù)輸入后，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(fù)責(zé)呼吸、心跳和反射等任務(wù)的腦干和自動行為中心。

最后，經(jīng)過預(yù)處理的資料經(jīng)由一個巨大的互連陣列——稱為「白質(zhì)」(white matter)——到達(dá)大腦有意識的部份(大腦皮層灰質(zhì))的最終目的地。大腦皮層的每個部份分別專用于視覺、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(yīng)規(guī)劃等認(rèn)知功能。

摩爾定律的影響

摩爾定律(Moore's Law)也有助于實現(xiàn)多層次的感知——稱為深度學(xué)習(xí)(deep learning)——因為它提供了一種在邊緣感測器、在中樞進(jìn)行智慧處理以及在云端分析的通用方法。

Gemelli說：「首先，數(shù)量方面很有幫助——大數(shù)據(jù)的量越多越好。其次，多樣性有助于學(xué)習(xí)事物的各種不同面向，例如上述人們用來行走的不同步態(tài)；第三，感知器必須回應(yīng)的速度需要加以量化。一旦你定義了這三種參數(shù)，就可以為任何特定應(yīng)用最佳化神經(jīng)網(wǎng)路?！?/span>

Gemelli說，智慧手表/智慧型手機/智慧云端組合可以分別控制大數(shù)據(jù)。智慧手表評估來自個人用戶的即時連續(xù)數(shù)據(jù)，然后每隔幾分鐘將最重要的摘要數(shù)據(jù)發(fā)送到智慧型手機。接著，智慧型手機在一天中只需幾次向智慧云端發(fā)送趨勢摘要即可。最重要的數(shù)據(jù)點的詳細(xì)分析就在云端中執(zhí)行，并反饋回給佩戴智慧手表的特定用戶，以及為其他智慧手表佩戴者適時建議如何達(dá)到相同設(shè)定目標(biāo)。

目前，博世正藉由在其邊緣感測器上加入處理器，以模擬這種三種層級的大腦模型，使其得以辨識并集中大數(shù)據(jù)趨勢，然后再傳送至智慧中樞。

Gemelli說：「特別是智慧城市需要利用內(nèi)建處理器的智慧感測器，才能實現(xiàn)即時邊緣感測器趨勢。然后，他們再將這些趨勢發(fā)送到感測器中樞，分析并發(fā)送最重要的訊息至云端，以便為城市管理者分析可行的資訊。」

編譯：Susan Hong

參考原文：Beating IoT Big Data With Brain Emulation，by R. Colin Johnson