将智能 AI 引入现实世界

持续的供应链危机让国家货物运输系统的运作走到台前，成为主流新闻。很明显，几十年来一直运转良好的系统无法全面应对过去几年出现的挑战。直到今天，现代化、数字转型和人工智能创新也始终是我们迫切需要的，否则整个国家或地区都将体验到后果。

而这也是技术解决方案提供商 Arrow 的云解决方案业务开发经理 Scott Chmiel，以及 Scalers.ai 的联合创始人兼首席执行官 Steen Graham 的工作。两家公司都在帮助客户导航智能物联网合作伙伴生态系统，且范围并不仅仅局限于智能港口环境。在现实世界部署人工智能的的做法适用于各行各业。所带来的好处也不仅限于商业领域，还会对整个社会产生一系列连锁效应。

目前企业在数字化转型工作中面临哪些挑战？

Scott Chmiel：由于解决方案的复杂性大大增加，所面临的挑战也已经发生了变化。过去，所有的一切都包含在单个硬件或软件中，但现在我们增加了云，复杂性日益上升，技术也层出不穷，不仅从技术角度来看需要的更多，从开发角度来看也需要不同的技能组合。现在，解决方案必须整合并部署到彼此各不相同的现有客户环境中。互联设备现在对运行安全性的要求也更高。另外，很明显，我们可以做到之前不可能做到的事，如机器学习和人工智能。我们有可能解决过去根本无法解决的业务问题。

Steen，对于这方面的工作您有什么看法？

Steen Graham：挑战在于将人工智能和物联网部署到现实世界中。就港口的情况来说。显然，港口和港口的基础设施已经存在了几十年，各种现有应用程序一直以来运转得还不错，但您实施新技术。那么，如何在现有基础设施上真正部署这些云原生方法，包括人工智能，以开展诸如效率分析和二氧化碳排放量监测等工作？从硬件和软件的角度来看，将现有基础设施与新基础设施相结合，这对于推动行业转型以及解决我们供应链所面临的挑战至关重要。

本届联邦政府在支持港口现代化方面表现非常出色。但有趣的是，港口实际上是由当地市政当局管理的，所以这些地方领导者的所作所为将引发全国范围内的影响。在这种情况下，工会的作用也至关重要。例如，美国一直以来从事的港口工作之一是起重机作业。我们已经实现了前端部分的自动化，即可以自动从船上卸下集装箱，但对于这些依赖人员操作且与工会相关的卡车装卸工作也作出了大量投资。因此，联邦政府、地方市政当局和工会三方对于目前的危机全都起着举足轻重的作用。

企业如何开展有影响力的技术变革？

Scott Chmiel：第一步是了解各企业希望达成何种业务成果。它们试图完成什么目标，利益相关者是谁？在洛杉矶港的例子中，不只有一家公司；还有市政当局、处理集装箱的人员、卡车司机、几十甚至几百个分包商，他们必须相互配合完成港口的运转。我们的解决方案专注于解决他们在安全方面所面临的挑战，以及对进出货物进行跟踪。

Steen Graham：回答该问题的第二部分，我和 Scott 所寻求的是一个无需互让的解决方案。从操作系统的角度简单来看，全球有两大主流操作系统：Windows 和 Linux。现代人工智能应用程序中的云原生工作负载是用 Linux 编写的，而大量现有工作负载和应用程序则是用 Windows 编写的。通过向其中一些技术添加跨平台功能，我们已经能够在现有基础设施上改造人工智能应用程序，从而确保它们更好地协同工作。对现代云原生属性和人工智能功能加以分层才是我们在这一特定解决方案中真正使用的方法。

这种跨平台互操作性的推动力量是什么？

Scott Chmiel：通常是现有的硬件。而技术、基础设施可以应用于多种不同的解决方案，无论是零售应用、智能港口还是仓库，它们都会面临相同类型的挑战，因此可采用同样的技术并加以定制或重新封装。这为他们现有的硬件带来了额外价值，并通过先前无法做到的一些工作为这些硬件增加了价值。在智能港口的例子中，安全性有所提升，而这也适用于零售业：在起重机穿过仓库之前，要确保它所到之处没有人。

Steen Graham：从技术角度来看，我们得到了一份底层技术大礼，这里微软和英特尔^® 的贡献尤其大。我们使用的缩写是 EFLOW，即 Edge for Linux on Windows，或者更准确地说是 Azure IoT Edge for Linux on Windows。这就是我们在 Windows 和 Linux 上提供的无需互让功能。其中的隐藏优势在于，英特尔通过投资其集成显卡实现了硬件加速功能，这让我们能够在已部署的基于英特尔的 CPU 上完成这些工作负载，而不必升级到昂贵的 GPS。现在，我们可以依托经济实惠的现成技术运行多个人工智能模型和多个摄像头画面，比如英特尔 NUC 迷你电脑平台，以及 Windows 和 Linux。这是一系列令人不可思议的技术，且由此我们能够部署现代工作负载，确保它们与现有基础设施实现互操作。

EFLOW 在港口的例子中如何工作？

Steen Graham：EFLOW 技术是去年年底才发布的，所以我们还处于磨合阶段。从业务成果的角度来看，我们尝试解决的问题是遇到的与周转时间有关的瓶颈：衡量集装箱装卸速度的操作技术指标。那么，我们如何优化这些起重机的周转时间？它们的装卸速度可以有多快？我们如何确保卡车在合适的时间和地点出现？与此同时，我们还要增强现场工人的安全体验。此外，我们也在跟踪二氧化碳排放量，因此我们关注的另一个指标是许多港口配合柴油起重机使用的混合动力起重机的效率如何。

EFLOW 还可能用于其他哪些用例或解决其他哪些挑战？

Scott Chmiel：商机很多：运输、工业和零售是几个不同的垂直领域。据我了解，微软和英特尔都非常关注零售业：该领域的商机是进行工作负载整合，整合监控和销售终端，让一台机器可以同时完成这两项工作。或者可能还有之前无法完成的新服务；一旦在交易中添加了视觉元素，您可以从中获得什么样的价值？

代码，底层技术，可以再次用于任何这些垂直行业。借助微软和英特尔通过 OpenVINO^™ 所提供的加速器和工具，他们的大量工作已经完成。

Steen Graham：医疗保健是另一个可能适用的行业。如果关注一下医疗成像设备，比如超声波，会发现很多超声波供应商采用的都是 Windows 应用程序，但他们希望增加一些基于 AI 的全新功能。

比如，麻醉师有时候很难找到患者的静脉血管。您可以使用超声波设备来准确确定静脉的位置。您会采用现有基于 Windows 的超声波设备，然后叠加现代的深度学习技术。

我们还看到，运用计算机视觉在制造流程中进行缺陷检测方面的需求十分惊人，我认为这个用例有点不可思议。如果进行在线人工智能缺陷检测，您可以在制造流程的早期发现存在质量问题的产品。如果在流程早期解决这些问题，实际上最终会减少运行剩余流程所用的矿物燃料。

您能否谈谈此过程中所涉及的伙伴关系？

Steen Graham：Arrow 始终在寻求如何在合作关系中实现一加一等于三。因此，Scott 给我们带来了令人难以置信的思路，展示了这一底层 EFLOW 技术的价值，我们能够利用英特尔和微软的技术以及一些开源项目来构建该解决方案代码。Scalers 所做的是真正了解如何将所有这一切整合到一个高保真的企业人工智能解决方案中，然后提供该解决方案，并搭建定制人工智能模型以供部署。

Scott Chmiel：Arrow 称自己为协调者和聚合者，他们能够将不同的技术、服务或组件相整合，还可以帮助进行设计。对于一家有远见或面临挑战的公司来说，很难整合内部的所有资源或技能组合来完成端到端解决方案的全部工作。因此，Arrow 希望与最终用户合作，并引入适当的合作伙伴。我们帮助他们选择正确的解决方案，其中不仅考虑到了其最终用途，还考虑到了该解决方案的寿命，即总体的生命周期。智能港口，这不是几年内就能部署和完成的东西。而且这应该也是一项可重复的工作。开发该解决方案的公司，或将各部分整合到一起的公司，可以重复使用此过程，扩大应用规模，在整个生态系统中创造更多价值。

关于 EFLOW 或关于这个话题，我们还应该了解些什么？

Steen Graham：我认为，谈到开发和软件工程的成本时，我们编写代码来整合这些伙伴关系这一步异常重要。这么多不可思议的公司带来了各种出色的技术，但很多时候缺少的是连接 API 的单行代码来真正推动转型。作为一个行业，我们确实有必要携手应对部署方面的挑战，因为在云中构建功能效果非常好，且现在此过程十分经济便捷。挑战在于在现实世界中进行部署，此过程需要持续学习、迁移学习以及持续注释。

最后，尽管我们在合成数据以及利用小型数据集创建人工智能模型方面确实日臻完善，但如果要真正推动社会进步，必须能够基于完备数据集搭建高保真度模型。且我们必须通过可解释人工智能来搭建模型，这样我们就知道为何作出如此决策，从而确保模型尽可能包容、准确。

Scott Chmiel：当我与具体某个垂直行业的公司员工交流时，不管是运营仓库的人员、港口上的人、还是监控或医疗行业的人，总会惊讶于他们对自己所从事工作的了解程度。随着这些解决方案变得愈加复杂，我想确保人们明白，没有必要去单独行动。现在早就不是打造一台设备去完成某一件事的时代了，一台核磁共振成像仪器不仅要检查视力，还要考虑如何与整个医院相整合。但公司不需要单枪匹马地去解决这一问题。而且，面对这些复杂性更高的解决方案，他们确实无法独自完成这项工作。对于可以做到的事，标准越来越低；过去无力应对的业务解决方案现在可以实现了，十分让人惊叹。