盡管如此，還有另一種不那么廣受關注但又同樣重要的AI復興趨勢，即AI技術被應用于物聯(lián)網(wǎng)與邊緣計算場景當中。根據(jù)StorCentric公司CEO Mihir Shah所言，這樣的趨勢代表著大數(shù)據(jù)的工作“對速度有著嚴格的要求，同時又必須配合良好的穩(wěn)定性。”

而所有這一切，都必須通過存儲底層來支撐——換言之，除了計算能力之外，存儲已經成為AI在數(shù)據(jù)生態(tài)系統(tǒng)當中發(fā)揮重要作用的另一支柱。存儲對于AI技術之所以不可或缺，是因為AI巨大的計算量需要對數(shù)據(jù)進行大規(guī)?？焖僭L問，而這方面要求在邊緣計算與備份等實際場景中又顯得更加現(xiàn)實且突出。

當配合理想的存儲容量時，AI的計算速度才能夠為諸多有利于智能物聯(lián)網(wǎng)（IIoT）的前沿邊緣計算用例提供助力。

>>> 人臉識別

智能物聯(lián)網(wǎng)的存儲要求主要體現(xiàn)在邊緣計算應用當中。比如，美國國防部目前正在利用人臉識別等AI技術對偏遠地區(qū)進行管理，用以驗證進出設施的具體人員。很明顯，涉及高級機器學習、卷積神經網(wǎng)絡以及統(tǒng)計認知計算等因素的人臉識別技術對存儲設備提出了特殊的要求，而這，也是確保其正常運作的基礎所在。Shah在提到國防部部署人臉識別方案時表示：“他們更傾向于使用直接附加存儲方案，旨在提升數(shù)據(jù)流通速度。這類方案具有便攜性、速度性以及易于使用等優(yōu)勢。”

在這個特定用例當中，人臉識別的實現(xiàn)在很大程度上依賴于存儲對邊緣計算的支持。Shah提到，“邊緣位置的這些人臉識別系統(tǒng)就位于服務器旁邊。該服務器直接連接至設備。當有人走進來時，設備會掃描他們的面部并整理出他們的生物識別指標。而服務器則會即刻進行處理，并與存儲設備中的信息進行比對。”

>>> AI在邊緣

在之前提到的示例與其它邊緣AI部署方案當中，存儲單元往往面臨著一系列特定要求。一般來講，縮小設備尺寸對于實現(xiàn)物聯(lián)網(wǎng)而言至關重要。因此，尺寸成為了邊緣位置下，附加存儲設備的核心設計因素，而在這樣的設計下，同時還要保證其在“瘦身”之后仍然有能力處理AI所需要的數(shù)據(jù)規(guī)模。StorCentric公司CTO Rod Harrison觀察到，用于支持邊緣計算用例的某些尺寸較小的存儲單元能夠容納大約70 TB數(shù)據(jù)。另外，這種存儲設備必須具備用戶友好特性，從而滿足遠程環(huán)境當中非技術用戶的操作需要。Shah指出，“在這樣的環(huán)境中，因為沒有太多IT專業(yè)人員，所以對設備的易用性及速度都提出了要求，為此，我們在設備上配備了Thunderbolt連接端口。”

>>> 移動邊緣計算

此外，便攜性的重要性同樣在不斷攀升，除了邊緣存儲之外，包括邊緣計算本身也在強調便攜性。目前最典型的案例，就是大量智能手機正在持續(xù)生成傳感器數(shù)據(jù)。盡管與智能物聯(lián)網(wǎng)中的IT資產相比，智能手機可能并沒有那么大的存儲需求，但它也從另一個方面強調了便攜性的優(yōu)勢。另一個典型例子是部署在偏遠地區(qū)的軍用戰(zhàn)斗車輛上的存儲單元。“這是一種本地存儲，操作人員可以將設備帶回基地，并下載至中央服務器。”此外，在發(fā)生故障的情況下，操作者也能夠輕松更換這種存儲單元以實現(xiàn)業(yè)務連續(xù)性。Shah強調，“因為整套系統(tǒng)非常易于使用，所以即使沒有IT工作小組，一旦某塊驅動器發(fā)生故障或者出現(xiàn)了其它意外狀況，身在現(xiàn)場的任何士兵都可以彈出這塊損壞的驅動器并立刻插入新的驅動器。”

>>> 智能邊緣

存儲對于智能物聯(lián)網(wǎng)的提升至關重要，它使得相關設備能夠根據(jù)需要卸下數(shù)據(jù)、按需訪問數(shù)據(jù)，并支持由部署在云端的AI提出的計算要求。如此一來，AI技術的可行性將不僅延伸至認知計算，現(xiàn)時也將延伸至物聯(lián)網(wǎng)領域。此外，便捷而可靠的存儲對于集中部署的AI方案同樣必不可少，并直接為我們帶來了當前各類常見的AI實現(xiàn)成果。“在我看來，AI與物聯(lián)網(wǎng)技術的融合首先將在一系列大型企業(yè)當中實現(xiàn)；但隨著時間的推移，這方面成果最終將滲透到更多中小型企業(yè)之內。”Shah表示。