移動端的深度學習正在風起云涌，從去年NIPS的研討會到今年高通、華為的芯片帶來的強大智能能力，無一不在應驗著這一趨勢。

目前為止人工智能的進步主要來自海量的數據資源和日漸增長的強大計算能力。典型的機器學習通常被構建在單一的數據中心上，可以接入全球的數據集和海量的存儲與計算能力。目前很多深度學習算法都運行在云端，通過Caffe、tensorflow等計算框架搭建模型，并利用GPU, TPU等計算硬件驅動。這種方式構成了目前深度學習實現方式的主流方案。

但這種方式對于要求低延時、計算量功耗有限的應用時，就會出現各種各樣的問題。例如在空中飛行的無人機、控制無人駕駛車輛、手術機器人等。為了完成一系列精細的任務、未來的無線通信系統需要在網絡的邊緣（靠近設備端）進行更多的決策，甚至當通信鏈路中斷時能夠保證系統更加可靠、更加迅速的響應。

這一趨勢帶來了去中心化機器學習的迅速發展，這種新的機制可以將訓練數據存儲在很多的節點中，并協同工作來為問題找到合適的解決方案。設備端的機器學習與此類似，它的本質是利用去中心化的方式訓練出一個高可靠性的中心化模型。訓練數據在每一個節點上分布很不均勻，同時每個節點只有包含整個數據的一小部分。

這樣的方式有很多優點：和基于云的人工智能相比，設備端的AI可以保護隱私，因為個性化的訓練在本地完成訓練數據無需上傳至云端。同時訓練也在本地完成、并且通過無線或者云的方式來對節點進行匯總、共享訓練的結果。這意味著所有的設備都可以接入相同的全局模型。

但目前設備端機器學習的大規模應用在工程和學術上還面臨著一系列挑戰。為了保證隱私的安全，研究人員們需要研究差分隱私技術來保證數據安全；當訓練數據稀疏時，還需要利用聯合學習和遷移學習來實現設備端的智能化。我們無需從零開始訓練模型，而是利用豐富的源數據訓練好模型后，將學習到的知識遷移到目標領域；除此之外，由于設備端的計算、能耗資源有限，適用的機器學習模型必須經過有效的優化才能夠準確高效的運行（比如取出一些層及層中的神經元等），同時也需要對于計算精度、能耗做出有效的權衡。

由于計算資源的有限，算法需要同時在本地和云端運行。這樣可以保證對于個性化的設備端AI和云端的集成AI都有很好的控制，并使得設備可以依靠云端強大的存儲和計算能力來獲取更快更好的表現。

這一本地和遠程計算的問題被稱為任務卸載，這意味著一個任務可以同時在本地設備上運行、或者遠程的在網絡上運行，或者在兩者上同時運行。為了尋找最優的策略，需要綜合考量應用需求、神經網絡模型、功耗、網絡吞吐量等一系列問題，而這些依然是工程師們孜孜不倦在研究和解決的問題。

另一個重要的挑戰是使得設備端的AI與系統設計相匹配。典型的機器學習是中心化的應用，一般會為每一個主體最大化平均效果，但在設備端的AI卻由于有限的訓練數據更傾向于不確定性和隨機性，同時還受到設備間不可靠連接的影響，當設備將任務遷移到云或者其他設備時通信延時也是一個重要的影響。這意味著設備端的AI 需要知道如何在非常不同的場景對預測進行針對性的處理，而不是像中心化機器學習一樣將所有主體合成整體作平均考慮。

對于這樣的設備端AI來說，超可靠-低延時的通信是系統得以順利工作的保證，這也是目前5G的關鍵技術之一。隨著5G時代的到來，人工智能將被應用到自動化網絡中去，深刻的改變下一代無線系統。

目前設備端的AI正處于研究發展的初期，需要走出一條與基于云的中心化AI不同的道路。它們向著網絡邊緣計算和通信的方向邁進，通過互相分享各自的模型（而不是隱私數據）來建立起一個中心化的全局模型，綜合考慮了延時、可靠性、隱私、功耗和精度。這樣的學習方式將會在不久的將來改變設備生產和編程的方式，并為世界帶來我們不曾見過的全新能力。