物聯(lián)網(wǎng)數(shù)據(jù)作為現(xiàn)代社會產(chǎn)生的數(shù)據(jù)主力,，加上未來物聯(lián)網(wǎng)智能“社交”方面的場景，將為AIGC以及大模型提供用武之地,。雖然目前還沒有物聯(lián)網(wǎng)與AIGC結(jié)合的應(yīng)用出現(xiàn),，但未來不可避免。

2022年11月,，美國人工智能公司Open AI推出ChatGPT的對話模型,，迅速風(fēng)靡全球，并快速迭代,，在不到4個月后推出了能力更強大的GPT-4,，近日又推出了聯(lián)網(wǎng)和第三方應(yīng)用插件功能，不斷刷新生成式人工智能(AIGC)帶來的變革,，對于AIGC的行業(yè)應(yīng)用也成為人們探討的熱點話題,。

近年來，人工智能與物聯(lián)網(wǎng)深度融合,，使AIoT成為共識,，大量人工智能企業(yè)都將物聯(lián)網(wǎng)作為其應(yīng)用的重點，AIGC如何應(yīng)用于物聯(lián)網(wǎng)自然成為業(yè)界探索的方向,。雖然目前還沒有雙方結(jié)合的應(yīng)用出現(xiàn),，但未來不可避免。物聯(lián)網(wǎng)數(shù)據(jù)作為現(xiàn)代社會產(chǎn)生的數(shù)據(jù)主力,，加上未來物聯(lián)網(wǎng)智能“社交”方面的場景,，都將為AIGC以及大模型提供用武之地。

物聯(lián)網(wǎng)數(shù)據(jù)的“投喂”,，AIGC擁有了新鮮的養(yǎng)料

眾所周知,，AIGC是算力、算法,、數(shù)據(jù)三位一體的成果,，其中包括大量的數(shù)據(jù)學(xué)習(xí)和訓(xùn)練。以ChatGPT為例,，該模型是由龐大數(shù)據(jù)集訓(xùn)練而成,，OpenAI曾透露，ChatGPT的訓(xùn)練使用了45TB的數(shù)據(jù)、近1萬億個單詞的文本內(nèi)容,，大概是1351萬本牛津詞典所包含的單詞數(shù)量,。隨著AIGC應(yīng)用端不斷豐富，更智能的工具需要更多的數(shù)據(jù)進行訓(xùn)練,，更多的數(shù)據(jù)來源就比較重要,。

此前，多位計算機科學(xué)家曾預(yù)測,，到2026年ChatGPT等大型語言模型的訓(xùn)練就將耗盡互聯(lián)網(wǎng)上的可用文本數(shù)據(jù),，屆時將沒有新的訓(xùn)練數(shù)據(jù)可供使用。業(yè)界提出了采用“合成數(shù)據(jù)”進行訓(xùn)練,，即運用計算機模擬生成的人造數(shù)據(jù),，模擬現(xiàn)實世界的觀察與觀測，是一種應(yīng)對訓(xùn)練,、測試,、驗證AI模型和算法的手段。

通過物聯(lián)網(wǎng)涵蓋的海量傳感器,、機器設(shè)備的數(shù)據(jù),，或許也能在一定程度上解決AIGC模型訓(xùn)練所需的數(shù)據(jù)來源。

首先,，物聯(lián)網(wǎng)數(shù)據(jù)規(guī)模足夠大,，有超越互聯(lián)網(wǎng)數(shù)據(jù)之勢。根據(jù)知名咨詢機構(gòu)IDC的研究,，2020年全球創(chuàng)造了大約64ZB的數(shù)據(jù),，而到2025年，全球數(shù)據(jù)總量將達到163ZB,，這五年內(nèi)產(chǎn)生的數(shù)據(jù)將是自1947年引入數(shù)字儲存量概念以來創(chuàng)建數(shù)據(jù)總量的兩倍多,。同時，IDC預(yù)測,，到2025年,，物聯(lián)網(wǎng)設(shè)備生成的數(shù)據(jù)量預(yù)計將達到73.1ZB，已達到全球數(shù)據(jù)總量44%,。其中智能攝像頭、智能汽車等強算力,、大帶寬終端產(chǎn)生的數(shù)據(jù)尤為驚人,，例如，一輛智能網(wǎng)聯(lián)汽車每天就可能收集10TB的數(shù)據(jù),。

物聯(lián)網(wǎng)數(shù)據(jù)規(guī)模還體現(xiàn)在不斷增長的物聯(lián)網(wǎng)設(shè)備上,。當(dāng)前互聯(lián)網(wǎng)用戶數(shù)量已增長乏力，很多互聯(lián)網(wǎng)發(fā)達的國家和地區(qū),，用戶數(shù)已達到天花板,，數(shù)據(jù)的增長主要通過對互聯(lián)網(wǎng)存量用戶的經(jīng)營,。物聯(lián)網(wǎng)用戶沒有天花板，還在持續(xù)增長,，到2025年,，全球每分鐘將有超過15萬臺物聯(lián)網(wǎng)設(shè)備連接入網(wǎng)。海量的物聯(lián)網(wǎng)連接,，未來產(chǎn)生的數(shù)據(jù)量可能超過互聯(lián)網(wǎng),，可以給人工智能模型持續(xù)輸入“養(yǎng)料”去訓(xùn)練。

其次,，物聯(lián)網(wǎng)數(shù)據(jù)的鮮明特點,，為人工智能帶來新鮮養(yǎng)料。相對于互聯(lián)網(wǎng),，由于物聯(lián)網(wǎng)數(shù)據(jù)是物理實體產(chǎn)生的數(shù)據(jù),，具有鮮明的客觀性，且大部分場景主要目的是用于生產(chǎn)經(jīng)營,，因此實用性也更高,。物聯(lián)網(wǎng)所產(chǎn)生的數(shù)據(jù)既有標(biāo)簽、傳感器感知的設(shè)備靜態(tài)數(shù)據(jù),，也有設(shè)備運行中產(chǎn)生的時間序列動態(tài)數(shù)據(jù),。在數(shù)據(jù)類型方面，物聯(lián)網(wǎng)技術(shù)能夠?qū)崿F(xiàn)對物理世界的狀態(tài)數(shù)據(jù),、定位數(shù)據(jù),、行為數(shù)據(jù)等采集，獲得各行業(yè)能源,、資產(chǎn)屬性,、診斷類數(shù)據(jù)和信號類數(shù)據(jù)，這些數(shù)據(jù)對于各行業(yè)核心的生產(chǎn)經(jīng)營和智能化升級意義重大,。

在這些特殊數(shù)據(jù)的“投喂”下,，AIGC模型或許能夠更深入地學(xué)習(xí)各行業(yè)具體場景知識，輸出更精準(zhǔn)的信息,，為行業(yè)經(jīng)營者和物聯(lián)網(wǎng)用戶參考,，并進一步驅(qū)動應(yīng)用創(chuàng)新，加速產(chǎn)業(yè)數(shù)字化升級的步伐,，例如大幅提高預(yù)測性維護,、供應(yīng)鏈協(xié)同的效率，簡化人們與智能家居,、智能硬件交互的方式,。可以說，AIGC能夠成為物聯(lián)網(wǎng)應(yīng)用的重要助手,。

近日,，Open AI發(fā)布了ChatGPT的插件功能，允許ChatGPT和其他第三方應(yīng)用程序的聯(lián)通,，首批應(yīng)用插件的包括旅行軟件,、購物軟件、支付平臺,、在線訂餐平臺,、電商平臺、工作軟件等方面十余家合作方,。在筆者看來,，未來不排除ChatGPT的插件功能與車聯(lián)網(wǎng)平臺、智能家居平臺甚至工業(yè)互聯(lián)網(wǎng)平臺應(yīng)用的聯(lián)通,。在此模式推動下,，物聯(lián)網(wǎng)應(yīng)用將與AIGC形成融合，物聯(lián)網(wǎng)數(shù)據(jù)投喂和AIGC對物聯(lián)網(wǎng)應(yīng)用協(xié)助的潛力進一步釋放,。

“社交”物聯(lián)網(wǎng)設(shè)備進化,，以邊緣計算提供定制化AIGC服務(wù)

上文所述的AIGC作為物聯(lián)網(wǎng)應(yīng)用的助手，還是聚焦于用戶和經(jīng)營者對物聯(lián)網(wǎng)場景的管理,，是人與物之間的互動,。正如當(dāng)前大部分物聯(lián)網(wǎng)設(shè)備允許用戶通過API的形式訪問數(shù)據(jù)，并形成相應(yīng)的服務(wù),，這種形式下物聯(lián)網(wǎng)設(shè)備并不具備自主性,。

隨著物聯(lián)網(wǎng)智能化的提升，“社交”物聯(lián)網(wǎng)設(shè)備不斷發(fā)展,，尤其是物聯(lián)網(wǎng)設(shè)備具備更多“社會性”,，各類物能夠在一定程度上自我進化，甚至與其他物聯(lián)網(wǎng)設(shè)備之間自主進行“社交”,。市場研究機構(gòu)IoT Analytics近期發(fā)布的一份AIGC研究報告中,，提出了AIGC可以從多個方面提升自主“社交”能力，即：

• 允許設(shè)備回答用戶可能會提出的復(fù)雜問題;

• 允許終端用戶與設(shè)備對話以改變設(shè)置;

• 允許設(shè)備本身使用AIGC來生成答案,。

這一設(shè)想已經(jīng)逐漸變?yōu)楝F(xiàn)實,，尤其是一些機構(gòu)探索機器人使用AIGC大模型，在機器人得不到清晰的指令時,，能夠與用戶進行互動并完成與其他設(shè)備的協(xié)同,。

例如，亞馬遜開發(fā)了一個名為DialFRED的模型框架,，允許機器在不確定的情況下向用戶提問。亞馬遜認為此前的很多只能設(shè)備通常只允許單向通信，人類用戶向智能設(shè)備發(fā)出自然語言命令,，智能設(shè)備只能被動地遵循命令,。

圖源：亞馬遜

亞馬遜推出的DialFRED的模型框架是支持對話的嵌入式指令集，允許智能設(shè)備主動向用戶提問,，智能設(shè)備可使用用戶響應(yīng)中的附加信息來更好地完成任務(wù),。為了訓(xùn)練DialFRED，亞馬遜提出了一個提問者-執(zhí)行者的交互式框架,，其中提問者用人類標(biāo)注的數(shù)據(jù)進行預(yù)訓(xùn)練,，并用強化學(xué)習(xí)進行微調(diào)。

亞馬遜的DialFRED可以說是AIGC推動“社交”物聯(lián)網(wǎng)設(shè)備的一個實例,，相信隨著全球AIGC生態(tài)的發(fā)展,，針對提升“社交”物聯(lián)網(wǎng)能力的模型和技術(shù)會不斷出現(xiàn)，推動更加智能的物聯(lián)網(wǎng)應(yīng)用落地,。

由于AIGC賦能物聯(lián)網(wǎng)應(yīng)用場景需要模型能夠更進一步下沉到各行業(yè),，因此已有不少針對AIGC進一步下沉的研究。筆者注意到,，今年年初由新加坡南洋理工大學(xué),、電子科技大學(xué)、廣東工業(yè)大學(xué)等高校研究人員聯(lián)合發(fā)表的一篇《Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks》中提出了“AIGC-as-a-service”(AaaS)的概念,，認為AIGC 服務(wù)提供商可以在邊緣服務(wù)器上部署人工智能模型,，通過無線網(wǎng)絡(luò)向用戶提供即時服務(wù)，以及更便利和可定制的體驗,，用戶可以低延時和低資源消耗輕松地訪問和享受 AIGC服務(wù),。

在這種模式下，AIGC 服務(wù)提供商需要首先在大數(shù)據(jù)集上訓(xùn)練AIGC模型,，然后將其擴散模型托管在邊緣服務(wù)器上,，服務(wù)商需要持續(xù)的維護和更新，以確保AIGC模型在生成高質(zhì)量內(nèi)容方面保持準(zhǔn)確和有效,。用戶可以提交內(nèi)容生成請求,，并從供應(yīng)商租用的邊緣服務(wù)器接收生成的內(nèi)容。

這一模式允許AIGC模型根據(jù)用戶的需求進行定制的內(nèi)容,，提供個性化的體驗,，而且通過在更接近用戶的地方部署AIGC服務(wù)，QoS將得到顯著提高,。然而,，這一模式對無線網(wǎng)絡(luò)帶寬、訓(xùn)練數(shù)據(jù)集,、算力消耗等都是巨大的挑戰(zhàn),，例如未來移動通信網(wǎng)絡(luò)需要5.5G或6G的支持,。

若這一模式的瓶頸能夠突破，AaaS將和當(dāng)前很多服務(wù)一樣可以隨用隨取,，對于廣泛分散,、碎片化但海量連接的物聯(lián)網(wǎng)智能化化升級帶來較好支持，在很大程度上提升“社交”物聯(lián)網(wǎng)設(shè)備的部署,。

當(dāng)然,，AIGC在物聯(lián)網(wǎng)方面的廣泛應(yīng)用還非常遠。我們看到,，當(dāng)前大多數(shù)AIGC模型主要關(guān)注文本和圖像,，只有非常少量的模型關(guān)注將傳感器數(shù)據(jù)作為輸入。另外,，大量產(chǎn)業(yè)物聯(lián)網(wǎng)場景中,，對于AI能夠給出的解決方案的確定性要求非常高，當(dāng)前AIGC模型生成的文字或圖片很多情況下是一種“最有可能”的答案,，并不一定能夠應(yīng)用于生成經(jīng)營場景,。

例如，在工業(yè)互聯(lián)網(wǎng)場景中,，生產(chǎn),、質(zhì)檢等需要近乎100%的確定性答案或輔助;又如，聯(lián)網(wǎng)汽車在重要場合下需要反饋完全確定性指令來采取行動,。因此,，對于關(guān)鍵任務(wù)型物聯(lián)網(wǎng)應(yīng)用，AIGC或許還需要很長的路要走,。

不過,，雖然AIGC在物聯(lián)網(wǎng)的應(yīng)用還不明朗，但AI與物聯(lián)網(wǎng)深度融合的趨勢已經(jīng)非常明朗,，除了AIGC外,，未來AI仍然會有各類新的創(chuàng)新，和物聯(lián)網(wǎng)結(jié)合來服務(wù)千行百業(yè),，這才是技術(shù)創(chuàng)新的使命,。正如華為創(chuàng)始人任正非在近期一次專家座談會上所述，人工智能軟件平臺公司對人類社會的直接貢獻可能不到2%,，98%都是對工業(yè)社會,、農(nóng)業(yè)社會的促進。