德國電子公司羅伯特·博世(Robert Bosch)認為,為了克服大數據(Big Data)的挑戰,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,再到雲端資料分析。

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,能夠因應物聯網(IoT)的需要塑造我們的電子大數據解決方案。

Bosch Sensortec業務開發主管Marcellino Gemelli在國際半導體產業協會(SEMI)最近舉行的年度MEMS與感測器高峰會議(MEMS & Sensor Executive Congress; MSEC)上說:「我們必須將大數據的問題饋入基於人腦的模型產生器,然後用這個模型來預測最佳化解決方案應該是什麼樣子的。由於神經元具有多功能性,使得這些機器學習解決方案夠在多個層面上運作。」

神經元是大腦的微處理器——它能接受數以千計的大數據輸入,但在接收到記憶突觸介導的數以千計樹突輸入後,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(主要用於存在、壓力和溫度)的接收器就能預先處理大量的原始大數據輸入後,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¬-——這是負責呼吸、心跳和反射等任務的腦幹和自動行為中心。

最後,經過預處理的資料經由一個巨大的互連陣列——稱為「白質」(white matter)——到達大腦有意識的部份(大腦皮層灰質)的最終目的地。大腦皮層的每個部份分別專用於視覺、語言、嗅覺、味覺和觸覺等感官,以及注意、推理、評估、判斷和相應規劃等認知功能。

20171121_Sensor_NT01P1 智慧感測器模擬大腦以三個層次進行建模:以腕戴型穿戴裝置即時擷取大數據讀數為代表的感官層次;第二層中樞(在此以智慧型手機為例)以趨勢圖形進行匯整,然後每隔幾分鐘傳送至第三層的雲端(來源:Bosch)

Gemelli說:「大腦神經網路的數學運算就相當於感知,它可以透過其可變電導突觸來學習,而大數據則透過它進行串流傳輸。我們可以添加多種層次的感知器,學習人類所能學習的所有東西,例如人們走路的各種不同方式。」

20171121_Sensor_NT01P3 大腦對於認知系統與邊緣系統的感知資料處理(來源:Bosch)

摩爾定律的影響

摩爾定律(Moore's Law)也有助於實現多層次的感知——稱為深度學習(deep learning)——因為它提供了一種在邊緣感測器、在中樞進行智慧處理以及在雲端分析的通用方法。

Gemelli說:「首先,數量方面很有幫助——大數據的量越多越好。其次,多樣性有助於學習事物的各種不同面向,例如上述人們用來行走的不同步態;第三,感知器必須回應的速度需要加以量化。一旦你定義了這三種參數,就可以為任何特定應用最佳化神經網路。」

例如,Gemelli說,智慧手錶/智慧型手機/智慧雲端組合可以分別控制大數據。智慧手錶評估來自個人用戶的即時連續數據,然後每隔幾分鐘將最重要的摘要數據發送到智慧型手機。接著,智慧型手機在一天中只需幾次向智慧雲端發送趨勢摘要即可。最重要的數據點的詳細分析就在雲端中執行,並反饋回給佩戴智慧手錶的特定用戶,以及為其他智慧手錶佩戴者適時建議如何達到相同設定目標。

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,使其得以辨識並集中大數據趨勢,然後再傳送至智慧中樞。

Gemelli說:「特別是智慧城市需要利用內建處理器的智慧感測器,才能實現即時邊緣感測器趨勢。然後,他們再將這些趨勢發送到感測器中樞,分析並發送最重要的訊息至雲端,以便為城市管理者分析可行的資訊。」

20171121_Sensor_NT01P2 理想的IoT大數據架構(來源:Bosch)

編譯:Susan Hong

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