1
說到傳感器，大家首先想到的應該是可穿戴設備。現在，可穿戴設備已經廣泛傳播，Fitbit、Garmin等都已經融入了我們的生活。而很多人不知道的是：我們也能用傳感器來檢測鋼筋水泥城市中的高樓和橋梁，還能用它們來跟蹤動物昆蟲的行動軌跡。
隨著物聯(lián)網的飛速發(fā)展，將來十年中將會有數百億個傳感器設備融入我們生活的方方面面，從工業(yè)部門到健康部門，從經濟部門到軍事部門，傳感器讓生產效率更高，讓生活更美好。
以下是2013年到2020年物聯(lián)網創(chuàng)造的價值：
不過，雖然物聯(lián)網設備運用廣泛、價值重大，這些設備都有自己應用的范圍，設備的性能決定了它們的使用地點、環(huán)境和人群。
因此，如果我們將AI引進物聯(lián)網會怎樣呢？有了AI，這些設備將能改變它們應用的范圍。就像人類可以慢慢適應陌生的環(huán)境，即使較小的物聯(lián)網設備也可以與AI機器相適應。
就拿智能手機來說，用戶可以根據自身的喜好下載app， 隨時升級或卸載app，讓手機變得獨一無二。
而如果手機可以通過統(tǒng)計我們的app，從而學習我們的喜好呢？這可以讓個性化過程變得自動化。
但如果你并沒有向設備表達自己的喜好，那么它們還會了解你嗎？很明顯，設備并不能。
這時，AI的作用就突顯出了：它能讓手機更快地學習。
兩只相近的智能手機可以相互學習，它們能夠運行自己的AI機器，并能分享自己程序的邏輯塊，來加速學習。比如，它們可以相互學習如何保持電池的壽命。
設備之所以能夠相互學習，背后有兩個原因。首先，每臺手機都可以獨立學習，來發(fā)展自己的基因材料。在演化計算中，這叫做“島嶼模式”。在物聯(lián)網中，每臺設備都能變成自己的“島嶼”。
此外，這些設備能夠分享他們學習到的東西。這將增加基因庫的多樣性，對于能夠學習或是進化的系統(tǒng)很有幫助。這也意味著這些設備知道如何更好地適應新的環(huán)境。
AI和物聯(lián)網設備的結合，與動物跟蹤機制有些相似。將傳感器安裝到動物耳部的皮革或金屬耳標上，就能跟蹤野生動物、寵物和家畜的活動。
為了跟蹤更加精確的信息，每臺設備需要學習動物的行動特征（比如物種、年齡、性別等），而這些都可在AI的幫助下進行。
那在跟蹤動物之時，設備怎么相互學習呢？當兩只動物相遇，物聯(lián)網設備就能分享它們學習到的內容，這樣兩臺設備就能相互進步，并能將之運用于其他相似的動物特征研究之上。
讓傳感器預測錯誤
物聯(lián)網的分享和學習功能所造福的不只是動物和人類，它還能檢測城市橋梁、道路的狀況。
在很多情況下，因為較高的成本和較遠的距離，這些設備并不能聯(lián)網，但是它們能就地收集信息，并能學習傳感器數據的特定模式，來預測錯誤。
因為錯誤非常少，因此與臨近設備分享的信息能夠構成更大的數據庫，來訓練其他的設備，而這些設備可能不曾遇到過錯誤。
不過，說到如何讓物聯(lián)網設備從現實中學習，我們還有很多問題尚待解決。如果設備分享信息，那么會泄露用戶的隱私嗎？這就需要看看這些信息是否具有特殊意義了。比如，包含遺傳程序的信息是不可分享的。
一部物聯(lián)網設備也需要確保在它與新的環(huán)境反應之時，同時持續(xù)執(zhí)行任務。我們需要運用適當的安全控制，比如為設備設定硬性限制，規(guī)定它可以學習什么，不可以學習什么。
另一個問題就是：設備如何決定了哪一臺臨近的設備值得信賴？如果惡性設備進入設備所處的環(huán)境，設備該怎么辦？這都是亟待解決的問題。
因此， AI和物聯(lián)網的結合將會為我們的生活帶來極大的便利。但是，因為現在AI還處于低級階段，因此其與物聯(lián)網的結合應用也處于嬰兒期。雖然它潛力巨大，但仍需我們的研究、dao和調查。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
