机器人将统治边缘AWS驱动新的AI模式

边缘计算意味着很多事情，但是我们常常忽略了机器人技术是一切的核心。

自主的边缘机器人对于几乎每个人关于未来存储的愿景都是至关重要的。在Amazon Web Services Inc.最近的re：Invent大会上，有许多与机器人技术有关的公告，其中大多数都侧重于构建使一切变为可能的智能所需的AI DevOps管道。

机器人本质上是一个智能对象，已经在工作台中将AI敲入了AI，就像虚构的Geppetto为他的木制男孩Pinocchio所做的那样。在当今的AI市场上，现在已经非常缺乏的一件事是用于构建，训练，部署和管理机器人技术成为真正的大众现象所需的算法智能的占主导地位的智能对象工作台。

但这确实是AWS在re：Invent上推出的产品，尽管您忽略了这一事实，这是可以原谅的，但考虑到AWS首席执行官安迪·贾西(Andy Jassy)和工作人员在世界范围内放任自流，这确实掩盖了它。甚至连该公司似乎都没有掌握它为此发布的几项公告的全部意义。

在本周的Wikibon post-revent：Invent CrowdChat中，一些参与者呼应了这个令人困惑的消息，他们对我认为非常重要的AWS声明scratch之以鼻，该声明指出了AI智能对象工作台在云中的发展形式。我指的是AWS DeepRacer (如图)，它是一种微型但功能强大的AI驱动的自动驾驶汽车。

DeepRacer现已限量发售，可以预订，它是一款全自动玩具赛车。它本质上是一个智能机器人，配备了全轮驱动，巨型卡车轮胎，高清摄像机和车载计算机。

是的，从表面上看，DeepRacer听起来听起来很琐碎，这就是为什么其他两个聊天者将它选为re：Invent上最“嗡嗡”的公告：

许志坚：“ DeepRacer最初引起了轰动。但是，在与其他与会者交谈时，大多数人都将其视为自己或孩子的免费玩具。:)”

Maish Saidel-Keesing：“我会说Deepracer –很酷–但是这种服务/设备的业务用例是什么?……所以这是一个可以解决AI问题的好玩具–我理解其背后的逻辑–但宣布一个新的“产品”只是为了证明这一点–对我来说似乎在炫耀他们的统治地位。”

但是，这些评论使DeepRacer脱离了亚马逊一直推向市场的其他智能对象的背景，例如去年re：Invent宣布的AI驱动的DeepLens智能相机，当然还有广受欢迎的Echo设备。将带对话用户界面的AI驱动助手Alexa带入了如此多的家庭。在自动驾驶汽车领域，AWS对DeepRacer的定位与演示DeepLens的方式大致相同：作为AI原型开发平台，可以将AI“从字面上讲给开发人员”。像DeepLens一样，这种新型微型自动驾驶汽车是完全可编程的，并配有教程，代码和预训练模型，可加快特定类型智能对象的开发。

DeepRacer，DeepLens和Echo系列等可用于开发人员的智能对象代表了AI边缘开发的范式转变。展望未来，将在遍布整个物理平台(例如这些设备)以及云中的虚拟工作区的工作台上开发更多注入AI的边缘应用程序，包括用于消费者和企业用途的机器人技术。

随着这一趋势的加剧，越来越多的数据科学家将开始使用大量注入AI的设备来填充其物理工作区，以进行演示，原型设计甚至生产开发。我们正在迈向一个“物联网”边缘设备成为可自主操作的高级AI应用程序的主要工作台的世界。AI DevOps生态系统将不断发展，以加快DevOps工作流的发展，该工作流会将智能对象逐步转化为生产部署。

强化学习 (上周在许多与AWS AI相关的公告中是跨领域的主题)是这种范式转变的共同思路。RL指的是一种方法，算法 和工作流，这些方法，算法和工作流历史上一直应用于机器人，游戏和其他开发计划，在这些计划中，AI是在模拟器中构建和训练的。除了在游戏，机器人技术和其他用例中的核心作用外，RL还被用于补充许多深度学习计划中的有监督和无监督学习。

展望未来，更多的AI从业者将转向面向RL的新工作台，这些工作台在智能对象本身中执行所有或大多数DevOps管道功能(包括分布式培训)。越来越多地呼吁数据科学家和其他开发人员将数据驱动的算法智能倒入各种各样的互连智能对象中。

在上周AWS的公告中，我发现最值得注意的是，他们对无形云服务和所需的有形设备的加深投资充实了该智能对象工作台。要查看RL驱动的AI开发生态系统的新兴形式，让我们考虑AWS在re：Invent上发布的相关解决方案公告：

边缘AI建模和培训中的RL：为了支持可能从未将RL应用于AI项目的开发人员，AWS宣布了SageMaker RL的全面可用性，SageMaker RL是其数据科学工具链托管服务的新模块。AWS推出的SageMaker RL表明，RL的主流正在加速。这项新服务是云技术针对AI开发和培训管道的首个托管RL产品。它使任何SageMaker用户都可以通过任何几种内置的RL框架(包括Intel Coach和Ray RL)来构建，训练和部署机器人技术和其他AI模型。SageMaker RL利用了多个仿真环境中的任何一个，包括SimuLink和MatLab。

边缘AI仿真中的RL：SageMaker RL与新发布的AWS RoboMaker托管服务集成，该服务为智能机器人项目中的RL提供了仿真平台。它提供了一个基于AWS Cloud9的机器人集成开发环境，用于建模和大规模并行仿真。它通过与机器学习，监控和分析之类的AWS服务的连接性扩展了开源机器人操作系统。它使机器人能够流式传输数据，进行导航，交流，理解和学习。它可以与OpenGym RL环境以及亚马逊的Sumerian混合现实解决方案一起使用。

AI DevOps中的RL：借助RoboMaker，AI机器人开发人员只需单击一下AWS管理控制台即可开始应用程序开发，该服务会自动将经过训练的模型置备到边缘或IoT基础架构的目标机器人环境中的生产环境中。AWS RoboMaker支持与AWS Greengrass集成的空中机器人团队应用程序部署，更新和管理。用于ROS的AWS RoboMaker云扩展包括Amazon Kinesis Video Streams提取，Amazon Rekognition图像和视频分析，Amazon Lex语音识别，Amazon Polly语音生成以及Amazon CloudWatch日志记录和监视。新的AWS IoT SiteWise可在预览中使用的一项托管服务是一项从分布式设备收集数据，对数据进行结构化和标记数据，并生成实时关键性能指标和指标以在边缘驱动更好决策的托管服务。

边缘AI跨边缘应用程序组成中的RL：可预览的新AWS IoT Things Graph使开发人员可以通过将设备和云服务(例如SageMaker RL中的培训工作流)表示为可合并的模型来构建IoT应用程序通过可视化的拖放界面，而不是编写底层代码。IoT Things Graph提供了一种可视化的方式来表示复杂的现实世界系统。它将IoT应用程序部署到运行AWS Greengrass的设备上的边缘，以便即使未连接到Internet，应用程序也可以更快地响应。

在SageMaker RL中编程，构建和训练了支持DeepRacer自治操作的AI模型。AWS还发起了所谓的“世界上第一个全球自动驾驶赛车联盟”，因此DeepRacer开发人员可以相互比较以RL为动力的原型。

分布式图形模型(可能内置于AWS IoT Graph中)很可能会成为开发AI的必备画布，该AI可对复杂的多设备边缘和机器人部署进行动画处理。如果没有图形技术，开发人员将难以组成和监视将智能对象群整合为协调的集体所需的分布式RL培训工作流。

在将来的某个时候，AWS可能有必要将其“基础结构即代码”工具 CloudFormation 纳入其智能对象AI边缘云工作台战略。作为云管理DevOps的组织框架，基础架构即代码消除了信息技术专业人员接触物理IT平台，访问云提供商的管理控制台，登录基础架构组件，进行手动配置更改或一次性使用的需求。脚本进行调整。

通过这种方式进行DevOps的可扩展性，速度和效率，对于管理不断被推向边缘甚至数百万甚至数万亿个智能对象的AI应用程序更新管道的管理至关重要。作为传统IT更改和配置管理的替代方法，基础架构即代码涉及编写模板(也称为“代码”)，以声明方式描述新基础架构组件的所需状态，例如智能对象的分布式图形。

在利用基础DevOps源代码控制的IT管理工具中，该模板可推动创建云基础架构代码库的外观图。然后，该工具会查找已部署代码中的缺陷，并通过部署端到端代码来修复它们，以便端到端已部署基础结构收敛到正确的状态。

声明式规范和迭代收敛是RL的全部目标，它基于旨在最大化累积奖励函数的反复试验算法工作流程。看看AI驱动的自主智能对象将使用RL开发什么样的优化交互模式将是很有趣的。最有可能的是，未来的智能对象将通过声明式指定的注重结果的奖励函数进行训练。针对分布式边缘机器人技术的这种奖励功能的一个示例可能是指定RL驱动的图在各种端到端网络负载情况下，在任意数量的智能边缘设备之间找到最低的延迟路径，所有这些同时保持有效载荷透明性和消息可追溯性。

如果我们要委托AI驱动的智能机器人来驾驶我们的汽车以及云计算世界的其余部分，我们需要适合这些挑战的工作台。在我看来，AWS已奠定了这些基础。