经常网上冲浪的朋友想必知道，最近不少城市的公共交通，都开始逐步接纳导盲犬。

   一组流传很广的数据是，截至2017年，国内导盲犬的数量仅为116只，比大熊猫还稀少，而需要导盲犬服务的盲人却多达800万左右。

   选育、培训、实习、上岗等一系列的高难度与高成本，决定了导盲犬是盲人出行方式的“奢侈品”。每一只导盲犬需要耗费12万到15万元的资金，寿命也只有十几年，即使有幸排到一只，当它退役之后，视障者又该如何外出，这恐怕是在热搜淡去之后，依然值得一个文明社会去持续思索、不断完善的话题。

   最近，土耳其的一位盲人Kürşat Ceylan，基于Arm的最新处理器和NPU，打造出的AI盲杖，或许能够为更多视障者打开一扇窗，就引起了我们的注意。

   那么，AI想要长久且安全地帮助视障者融入公共生活，背后都需要哪些技术条件呢？

   AI盲杖：想要媲美导盲犬，还是挺难的

   AI+盲杖，能否帮助盲人顺利出行，我们不妨以导盲犬的几个重要工作能力来推测一下。

   首先，导盲犬需要准确识别障碍物。

   既包括了躲避路上的大坑、汽车、行人、栏杆等等，还要识别红绿灯等关键路况信息，以达到让盲人顺利出行的目的。而熟悉AI的朋友肯定知道，基于机器视觉+摄像头+感测器，检测到环境障碍并不难。所以在AI盲杖中，Kürşat Ceylan就将地图导航、障碍物检测算法、LED警示灯、麦克风等植入到了传统的导盲杖中，通过超声波检测器，可以顺利感应到160cm高的障碍物。

   同时，导盲犬还需要引领盲人安全地躲避开障碍。

   正在执行任务的导盲犬，会身穿带着拉杆的小背心，引导主人适当地行走或停止。而且，导盲犬还会自己依据实时信息作出判断，有时甚至会“智性违抗”，当发现前进的命令是不安全的，就算主人要求继续走，它们也会拒绝服从。

   而盲杖则不同，主动权完全掌握在盲人自己手中，即使语音助手+AI推理芯片能够进行自主的安全警示，这双“眼睛”很难限制主人的活动，自然也就到来了一定的安全风险。而万一由于设备技术原因，导致人身危险，由此产生的一系列责任划分与伦理问题，目前整个社会也并没有相应的预案及准备。

   重要的是，导盲犬还需要融入盲人的生活。

   在与主人共同生活一段时间后，导盲犬会对主人的规律性作息时间非常熟悉。比如记住他的上下班路线、行为习惯、常去的超市和交流的朋友等等。这种个性化的记忆能力，AI通过神经网络深度学习，也可以达到。

   但需要注意的是，机器学习训练往往需要消耗大量的算力，这就决定了AI盲杖的算法只能通过将数据上传到云端来完成，一通操作必然会出现时间上的延迟与信息隐私的安全隐患。

   至于导盲犬能与主人建立特殊的情感联系与信任，帮助其扩展社交活动圈子等等，AI盲杖在超人工智能实现以前，显然都无法与之相提并论。

   总体看来，AI盲杖在视听层面已经能够完成导航避障这样的功能，但在判断推理、情感层面依然无法跟导盲犬媲美。在有限范围、相对安全的环境下（比如办公楼等）使用，可能是AI盲杖发挥价值的初期场景。

   由此，我们也需要来思索一个新的问题——号称能抢救AIoT的边缘智能，为什么并没有如期变革我们的生活？

   寻路雾计算：边缘智能的落地难题

   边缘计算从提出以来，就被看做是5G+AI+云计算的绝佳辅助。如果说云计算是万物智联的“终极大脑”，那么边缘计算就是庞大的“神经末梢”，承担着诸多“下意识”的反应。

   比如AI导盲杖，就是一个边缘计算应用的绝佳场景。导盲杖要实现实时交互与判断，像是看到红绿灯变绿，自动能够判断出“可以通行”。不必将路灯信息上传到云端，经过云服务器的层层判断才发出行走的提醒。这无疑大大减少了延迟带来的行进风险，也降低了云端计算的超负荷。

   但让“云脑”偷懒的边缘计算，也能够帮助产业解决AIoT泛智能化过程中的三重矛盾：

   一是算力与成本的矛盾。

   要满足终端AI推理运算的实时、可用性需求，需要在本地处理大量的数据。要么是在终端本身部署高性能的AI芯片，从成本控制上来看显然并不现实；要么就是在实体场景中部署足够多的边缘AI。

   当然，要满足AIoT海量物联的计算需求，就需要改造网络管道，比如5G边缘数据中心的建立，以及高性能算法的训练，还需要争夺NPU、GPU等计算资源，这些都不是一朝一夕能够解决的。

   二是即时与功耗的矛盾。

   对于导盲杖这样的设备来说，不仅要保证实时性，还需要处理物体检测、语音识别、手势监测，甚至人脸识别等复杂AI任务，加上感测处理的范围较大，直接导致功耗比较高。电池续航仅有5小时，换句话说，盲人早上出门，晚上没电可能就返程困难了。

   而边缘计算能够将庞大的数据流量在终端进行过滤分析，减少了从设备到云端的传输路径，自然也就改善了耗电问题。

   三是便捷与安全的矛盾。

   谁都知道物联网互相协作能够大大提升生活的便携指数，但在这个智能门锁、摄像头等频频被黑客选中的时代，数据很容易被别有用心的人利用。许多企业甚至要求必须将AI部署在自家的私有云上，由此也限制了许多前沿技术的应用，增大了运维难度。

   边缘计算的解决方式，就是将数据的处理和存储都放在本地，这样既能够保护隐私安全，又能够实现高效实时的交互与迭代。尤其是导盲杖、心脏起搏器、智能手表等承载着用户生命健康信息的IoT产品，其大规模应用的前提就不离开边缘计算的广泛普及。

   从这个角度来看，AI导盲杖只是AIoT创新的一个案例。据IDC的预测， 2025年物联网连接数将增长至270亿个，物联网设备数量将达到1000亿台。可以想见，随着未来云和端之间的边缘计算体系不断成熟，将有越来越多的创新创造被挖掘出来，辅助残障人士正常生活，帮助城市防微杜渐，为千行百业注入AI的洪荒之力。

   边缘智能的未来，还需要静候天时

   边缘智能的全面开花，自然也会孕育出庞大的产业富矿和商业新机。大家想必都已经摩拳擦掌想要奋力一搏。

   不过需要注意的是，边缘智能虽然是大势所趋，却也有着生长的节奏与天时，盲目入场可能会收获一场空。

   目前看来，边缘智能还需要等待产业环境的全面成熟：

   一是基础设施的完善。

   作为云厂商们看好的未来趋势，边缘计算的软硬件基本到位，比如ARM发布了面向人工智能应用的 DynamIQ技术及相关处理器，旨在搭建从网络节点到云端的的分布式智能；NVIDIA推出的开发板Jetson TX2，也可在终端设备上更好地运行深度学功能。

   但这还不够，边缘计算与5G智能网络，恐怕才是真正如胶似漆的“原配”。

   一方面，目前4G网络建设一般以中心化的核心网为主，通常难以实现本地分流（Local-Breakout），这就导致数据必须经过 非常长的物理距离才能到达应用侧。换句话说，在4G网络之上架设边缘智能，低时延要求就无法保障了。

   另外，边缘计算并不仅仅是简单的分派计算任务，合理地利用本地空闲、将任务分配给不同的额计算节点，这些都需要智能化的网络来排兵布阵，实现负载均衡，从而保证每一个边缘节点的高效利用。而这一点，5G智能化网络也更加可靠。

   而5G建设的脚步受疫情、供应链等影响，将比预期延缓，这也就进一步延缓了边缘计算节点（如探头、处理设备、数据中心等）的迭代升级。

   二是产业应用的联动。

   既然是AIoT，自然需要多个边缘节点来协同合作，通过技术的整合来发挥AI的最大值。

   举个例子，比如盲人在使用AI导盲杖出行时，电线杆、飞驰的车辆、垃圾箱、红绿灯等等多个节点，都将实时数据共享给边缘节点。AI导盲杖依据这些数据来做出精准的避障判断，会不会比视觉识别的解决方案更加高效可行？

   而其他节点也可以通过数据共享，训练并掌握出行大数据，来整体优化并影响城市的交通管理。

   而这种边缘协作的应用联动，目前还处于理想之中。更为现实的方案是，通过智慧园区、智慧楼宇、智慧城市等的片状更新，不断积累和训练相关模型，最后将工业级边缘智能与消费级物联网融合在一起，形成无处不在的万物智能，让AI随时随地可被召唤。

   三是开发生态的培育。

   无规矩不成方圆，全面智能物联的未来，自然也需要统一的标准和规范。但尽管不少云厂商都交付了很多边缘计算工具。但时至今日，我们并没有看到开发者的创意和脑洞在AIoT领域爆发。

   比如2018年7月，谷歌推出的两款大规模开发和部署智能连接设备的产品：Edge TPU和Cloud IoT Edge；亚马逊也早在2016年的re：Invent开发者大会上，决定将AWS扩展到间歇性连接的边缘设备。微软的Azure IoT Edge，也允许云工作负载集装箱化，可以从Raspberry Pi到工业网关的智能设备上本地运行。

   除了传统硬件厂商在更新迭代之外，很少有类似AI导盲杖这样颠覆传统功能的创新出现。

   其中最核心的原因，是开发门槛依然过高。除了软件使用的技术门槛，以及训练机器模型的成本之外，缺乏软硬件一体化的系统，和统一可靠的行业标准，这些都要求开发者在创新时，注重跨平台兼容、异构数据的处理、不同技术和生态的融合等等，无疑过度消耗了精力时间，让不少开发者望而却步，也就限制了更多创意的出现。

   从现在开始培养开发者生态，或许会成为云厂商在未来引领产业标准、结束混乱局面、拉开竞争身位的关键。

    科技行业的铁律，是技术服务于应用，而新的应用造就新的市场主宰者。4G之于移动互联网，AI之于数字产业，莫不如是。

   如果说智能社会还是一片沟壑纵横、气象万千的原始丛林，神秘，却也有着无数宝藏可待挖掘。那么边缘计算，或许就是那根通向未来的“导盲杖”。