Erik：欢迎来到工业 IoT Spotlight，这是您从工业 IoT 思想领袖那里获得洞察力的第一站，他们正在与您的主持人 Erik Walenza 一起改变当今的业务。

欢迎回到工业物联网聚焦播客。我是您的主持人，IoT ONE 的首席执行官 Erik Walenza，该咨询公司专门支持亚洲运营和业务的数字化转型。我们今天的嘉宾是 Hailo Technologies 的首席执行官 Orr Danon。 Hailo 专注于人工智能处理器，为边缘设备提供数据中心级性能。在本次演讲中，我们将讨论专用处理器对于在边缘实现机器视觉的重要性。我们还探索了边缘处理可以降低成本并提高检查和质量保证等任务的性能的方法。

如果您发现这些对话很有价值，请给我们留下评论和五星级评价。如果您想分享您公司的故事或推荐一位演讲者，请发送电子邮件至 team@IoTone.com。最后，如果您有想要讨论的 IoT 研究、战略或培训计划，可以直接发送电子邮件至 erik.walenza@IoTone.com 给我发电子邮件。谢谢你。穆罕默德，非常感谢你今天加入我们。谢谢你。奥尔，感谢您今天加入我们。

奥尔：谢谢你邀请我，埃里克。

Erik：这对我来说真的是一个有趣的话题，因为我们最近在边缘计算方面做了很多工作。您与政府、以色列军队共事了大约 10 年左右。然后你在 2017 年一起，我想可能和你网络中的一些同事或人一起建立 Hailo。背后的故事是什么？您是如何从军队飞跃到成立边缘计算处理器公司的？

Orr：这两个主题有什么关系？答案是，它们并不真正相关，但它确实适合最终我会尝试解释。所以我已经在军队服役了很长一段时间，十多年了。在那里的整个职业生涯中，我经历了很多领域，从模拟电子、数字，到最近几年，网络和嵌入式，几乎都是如此。这就是我发现我喜欢做的事情。我喜欢做跨学科的事情。

在某个时候，我决定我想离开这个大组织和它的好处，去寻找一些更属于我自己的东西。这就是我与我的联合创始人 Rami, Avi [听不清 03:04] 合作的原因。实际上，我们在那里有一个相当大的故事。联合创始人拉米实际上是我在细胞智能部门的指挥官。因此，他将我们所有人聚集在一起，参与了我们将要做什么的超级兴奋的事情。 Avi，我的 CTO，当时在德州仪器工作，他是德州仪器物联网部门的 CTO。他告诉我这个全新的人工智能大趋势，直到那时我才知道他在说什么。

回想这些年，我主要从事软件工作，似乎正在发生一个非常大的范式转变，不仅我们倾向于从深度学习的角度来看待人工智能，还从支持的应用程序的角度来看。这是最重要的部分。但是您也可以从我们如何开发这种技术来思考它？数据驱动的整个方法，无论是在开发中还是在运行时，都是而不是决策驱动的，这是设计计算机程序的经典方式，这是设计处理器的经典方式，如何非常有效地做出决定。

在这里，它是关于开发收集数据的模型时的两个方面。数据定义了您正在开发的解决方案，并在运行时通过您的深度神经网络传输数据。所以当时很清楚，这将是一个非常大的范式转变。很明显，当时的加工技术存在巨大的效率差距。在理论上可以实现的目标与当时实际可以实现的目标之间存在很大差距。

因此，我们决定专门探索 AI 治疗过程的这个方向。它真的很吸引人，因为很明显这将是一个高度多学科的项目。这将是关于算法的。这将是关于更好的软件，关于构建系统，关于芯片设计。因此，它将对应用程序有很多构建洞察力。它是如此广泛，通过人们今天所做的事情令人惊讶。

所以总而言之，它真的很吸引我，因为它有很多方面。这就是根据我在军队中的经验，我意识到我喜欢做的事情。这就是我们创办这家公司的原因。实际上，我说的是拉米，他实际上在我们开始几个月后就去世了。这是一场悲剧，淹死在地中海。开始创业是一次非常令人震惊的经历。但我们坚持了下来，在某种意义上，甚至有更多的精力来完成这个项目。但这就是公司背后的创始故事。

Erik：每家公司都有一个创始故事，这个故事非常强大。我要问的是，在你的 LinkedIn 个人资料上，你是研发副总裁，然后在 10 个月内成为 CEO，这就解释了那里的过渡。但是，是的，现在你肯定有一些遗产可以为它而战，发展公司。我认为我们的很多听众越来越熟悉边缘计算的概念，为什么我们需要专门用于在边缘设备上进行计算的处理器？

但是很多人仍然是一个模糊的概念，为什么我们不在云中做事，或者为什么我们不能在数据中心、笔记本电脑或手机上使用相同的流程为边缘设备工作。如果你可以简单地说，你打算为这个行业解决的主要价值主张或主要问题是什么？

Orr：所以，基本上，作为一家公司，我们正在努力实现的目标是提供目前在云端可用的 AI 处理能力，并使它们更接近数据源或数据同步。这是一种边缘计算或物联网范式。问题是，当你走到边缘时，你会受到限制。与拥有大量电力、大量可用计算能力的数据中心相反，您正在寻找功率受限、成本受限、面积受限的小型设备，您需要制定真正高效的流程。而且，您制作它们的效率越高，您可以为终端设备带来的功能或特性就越多。这必须是不同类型的人。

但此外，近年来发生的事情，尤其是围绕视觉传感器发生的事情是，对处理信号的处理器的主要要求是做人工智能，近年来视觉处理中的一切都转向人工智能或深度学习，至少就我们的目的而言与基于 AI 的方法相同。而计算机设备，就仅给出数字的能力而言，以显着的分辨率处理视频流，比方说一百万像素，在实时，典型的假期约为每秒 10 万亿次操作 [听不清 09:16]。好吧，如果您考虑到处理器设计为千兆赫范围，这些数字是疯狂的，多出三个数量级。

克服这个问题的方法是设计计算机架构，专门针对有效地进行这种类型的人工智能计算。不像我们想象你几十年来一直在做错电脑，现在我们要做得更好两个数量级；也许明天，也许不会。但就目前而言，情况并非如此。情况是，您希望通过特定领域来提高效率。因此，一方面，我们正在缩小人工智能的范围，另一方面，我们当然希望尽可能多地留出灵活性，因为人工智能本身就是一个快速发展的领域。因此，最重要的是，我们需要依靠高效架构在边缘执行 AI 的处理器。

Erik：所以这是一个专门从某种程度上已经存在的技术中获得卓越性能的案例？如果我看看你服务的行业，它是汽车工业 4.0、智能城市、智能零售、智能家居，然后如果我看看你周围的产品，那么也许你有一套产品，但是你的汽车，你有 ADAS 电子控制单元和前置摄像头，然后对于其他人，你有边缘 AI 盒子和智能摄像头。那么，是否需要为每个不同的特定用例定制处理器？这就是你最大化的方式吗？还是在所有这些用例背后主要是同一个处理器，但您只是针对这些不同情况将它们置于不同的外形尺寸中？

Orr：我认为这是该业务实际上最令人放心的方面之一。我们有一些变体。但主要是一款名为 Hailo 8.0 的产品是第一代处理器。我们实际上发现，您提到的所有这些行业的客户实际上对相同的核心技术感兴趣的远不止这些。当然，你需要做一些专业化，一些定制，无论是硬件还是软件的调整，但最终基于相同的产品，你可以服务于各种各样的垂直领域。

这可能的根本原因是即将到来的破坏来自同一方向。那是围绕他们的视频处理能力。如果物联网的前一波革命浪潮是连接性，而这定义了物联网或边缘计算的一般定义，那么人工智能是下一个定义特征。具体来说，你提到的所有这些垂直领域，我们正在谈论实时处理视频，并在所有这些垂直领域使用类似的工具。因此，数据集在 [听不清 12:26] 实施细节方面有所不同。正如所见，实际上来自使用我们产品的客户的事实是，他们都在使用相同的核心技术。

Erik：所以你在这里强调机器视觉。我会将机器视觉归类为三大用例集群之一。您可以将其用于自动驾驶。您可以将其用于猪的面部识别，将其用于生产线上的质量检测。所以有很多机器视觉用例。这是您关注的主要用例集群是处理来自相机的数据，还是您还解决其他边缘计算场景，在这些场景中，您可能没有来自单一来源的大量数据，而是来自数千个传感器的数据，例如，在您需要处理的工业环境中？

Orr：我们着手解决行业最紧迫需求的任务是远景处理，因为您要处理的数据量很大，每年有数十亿个传感器部署在手机之外的世界。所以加上手机，这个数字大约是这个数字的两倍。他们正在创建大量数据，这意味着需要进行大量处理才能使数据有意义和使用。因此，尽管我们确实拥有混合信号类型的能力和客户，但我想说的是，主要优势在于视觉信号的视觉，其中所需的处理量非常快。

Erik：我猜如果你可以处理视觉数据，你也可以处理温度传感器，所以在那个时候这不是一个非常具有挑战性的过程。需要多少定制？因此，假设一方面，您有一家汽车 OEM，另一方面，您有一家为智能城市制造摄像头的公司，您是否与这些公司合作设计定制解决方案以满足特定需求，或者是基本上没问题，我们有我们的产品，我们为您提供工具包，您可以根据需要对其进行定制，而您在销售产品时没有围绕它建立研发项目？您在多大程度上还提供定制和支持项目开发的服务？

Orr：所以，这更多的是字母。我们有一个主要产品线并围绕该产品，因为我们提供大量支持。我们不是服务公司，也不提供人工智能工程服务。但我们所拥有的是，我们在人们如何部署人工智能方面积累了相当广泛的经验。因此，我们永远不会比我们的客户更了解客户在其特定用例中使用的数据，但我们会知道什么是 [听不清 15:17] 以及部署它的最佳方式是什么。

我会说，我给出的一般性声明有一个例外，这实际上给了我一个明确的例子，我们已经经历了与汽车行业相关的特别附加扩展。首先，有两件主要的事情是相关的；一是工艺质量，主要是设备的物理质量。因此，我们提出的价值主张之一是非常低的功耗。这使我们能够在非常高的环境温度下工作，这对汽车行业非常有帮助，设备可以在高达 105 摄氏度的温度下运行。

还有功能安全机制，在关键任务系统中存在一个很大的问题。您的设备的故障率是多少？它实际上是按照 ISO 26262 标准化的吗？由于我们了解汽车行业在人工智能应用方面的巨大潜力，我们已经融入了架构安全机制，使您能够检测到这些可能在 [音频不清晰 16:27] 上随机发生的错误？

通常，能够检测错误并采取相应行动的天真方法是复制所有计算，因此只需执行两次。现在，如果你是一个制动系统，那很好，你想计算，然后你再做一次。但是，如果我们回到我给出的关于 [听不清 16:51] 操作的数字，那么复制它们是没有意义的。但是你可以利用神经网络的一些基本特性来显着减少你需要确保你的计算没有错误的开销。所以这是我们专门为汽车行业所做的事情。

Erik：主要是因为它是一项关键任务活动，所以基本上需要在第一次就正确完成繁重的处理。所以我知道Hailo 8.0 AI处理器是主要的。然后您还有 M2 加速模块、mini PCLE 加速模块、评估板和数据流编译器。加速模块的作用是什么？我猜评估板和编译器，它们支持研发能力或加速器可能是更高的功率能力？

Orr：所以，模型基本上是相同的设备。当我们开始与客户合作时，他发现他们中的许多人都有与现有计算平台类似的用例，这些平台都有 PCLE 的扩展插槽，无论是 M.2 还是 Mini PCLE，而 M.2 是 Mini 的巨大演变PCLE。我们提供 Hailo 品牌的模块，将我们的设备整合到这些型号上，这确实加快了客户的上市时间，因为他们不需要经历硬件周期设计，他们只需将其插入即可。这可能是最初的插槽计划如何使用此驱动器或 WiFi 模块或 GSM 模块。

因此，Hailo 平台倾向于为想要在其产品中添加 AI 的客户提供这些扩展槽，这可能会很快发生。并且至少节省了硬件设计周期，当然，你仍然需要设计你的软件，但在硬件方面，你得到的东西几乎是开箱即用的。因此，我们发现这非常有帮助，并且非常受客户欢迎。

Erik：所以现在我认为我们对您所服务的行业和产品的用例有了很好的了解，让我们更深入地了解技术堆栈。所以你提到对你来说这是一个非常有趣的问题，因为它集成了许多不同的技术。你如何看待技术栈？然后，您在内部构建了哪些技术堆栈元素？市场上有哪些元素，但您正在将它们整合到完整的解决方案中？

Orr：我们正在构建的核心技术是神经网络处理核心。这是我们自己的专有架构设计，无论是在硬件还是软件方面。如果您放眼整个市场，这实际上是我们的核心差异化。在堆栈的这一部分，这是一个非常有趣的问题，因为我们构建设备的方式实际上不是逐个节点地查看神经网络的图形计算问题，而是并行执行。我们沿着核心分布计算。我们有非常小的虚拟代码，我们在运行时动态构建。而这些小核心，每一个都负责神经网络的不同部分。

所以这实际上意味着计算通过网络传播，因为它们是可用的，这是描述计算问题的一种非常不同的方式，而不是顺序地遍历你需要做的所有计算，并在一个非常强大的瘫痪的核心，如 CPU 或 GPU。这可以追溯到我所说的范式转变。这种空间分布的做事范式甚至可以类比为 lambda 函数部署。这主要适用于我们使用神经网络时，它不适用于操作系统等通用代码或类似的东西。

这需要一个非常广泛的软件堆栈，从用户那里抽象出所有这些复杂性，只想在人们主要用来描述神经网络的 TensorFlow 或 PyTorch 等流行框架中描述一个图形，并自动完成所有翻译到我们的硬件实现的原语。这些是核心竞争力，我们在硬件设计和软件设计方面投入了很大一部分努力，当然还有定义在硬件和软件方面需要做什么的机械能力。这是关于跨学科性的一个方面，我们正在努力工作。

实际上，对于作为 CEO 的我来说，找到精通所有这些领域的人非常重要，并且不怕在伟大的神话部分、软件部分、硬件实现部分之间跳槽，并且拥有非常平衡的架构。除此之外，当然，从技术栈的角度来看，我们正在构建一个完整的产品，所以我们通常在芯片设计方面的嵌入式编程是一个大的嵌入式计算系统。芯片设计是我们持有的一个大 [音频不清晰 22:18]，以及所有嵌入式拍摄器、驱动程序、计算机视觉，以及在我们也在做的井设计系统中实现成熟产品所需的所有集成内部。我们不是在重新发明轮子。我们正在使用现成的技术，将它们填充到一个完整的系统中是我们内部做的事情。

Erik：您在您的网站上很好地展示了您在这里所采用的创新方法。因此，如果您查看神经网络图，您正在从第一层、第二层、第三层、第四层等移动，然后您实际上，至少据我了解，您在物理上的过程或不同领域正在处理这些层中的每一层。

这里有两个问题，我们从第 1、2、3、4 层等看，每一层包括什么？第一层是说我们了解线，第二层是我们了解线之间的连接，然后是子配置等吗？或者你正在经历的功能是什么？然后也许第二个问题有点不同，这个概念是从哪里来的？这是一个明确的概念，也许您的 CTO 想测试一下，还是这只是一堆实验，而您最终认为这是解决问题的最佳方案？但也许第一个问题是你能解释一下每一层实际上表示什么吗？

Orr：你刚刚非常了解硬件的结构。实际上，在 TensorFlow PyTorch 等抽象编程框架中描述神经网络的方式的反映，当你看神经网络的描述时，通常是由层组成的；每一层都应该代表我们对图像理解的更深层次的表示。所以第一层，感受野是图像的像素。让我们将像素视为第一层。

当我们进入第二层、第三层和第四层时，我们将像素和图案的组合聚合在一起，以创建一个越来越复杂的图像表示，试图从概念上从原始数据转变为另一侧的洞察力。管道。这就是神经网络的运作方式。这与我们的架构无关。

我们架构的优点在于它反映了硬件中的结构。这就是它如此高效的原因。这实际上也是我们到达那里的方式。当我们开始的时候，我们真的不知道如何去做。我们确实意识到有很大的改进潜力，但我们并不确切知道，因为设计一个可以非常有效地运行一项任务的处理器很容易，我的意思是，这不是微不足道的，但你可以相对轻松地完成它。

当您开始将其视为 [听不清 25:14] 设备并认为一方面具有容量和效率，另一方面具有能够运行不同工作负载的灵活性，而且我认为我们一直在努力从 2017 年到 2017 年至今，人工智能的世界发生了多少事情？这个世界发展的速度有多快？因此，您还需要在架构中进行思考，以使事情在未来的发展方面保持足够的灵活性，以及该领域将如何发展，以及我需要在我的架构中再次提供支持意味着什么，同时保持高效，并提供高容量？

在我们存在的第一年，大约在架构上进行了四次迭代，我们得到了一个概念或处理器，我们实现了它，我们开始尝试对其进行编程，但仍然存在什么问题，有什么问题，有什么瓶颈？抛开一切，再做三个，直到我们说，好吧，这看起来不错，现在，让我们制作一个产品。所以我们花了大约一年的时间来实现这个概念，然后我们将开始向产品迈进。

Erik：[听不清 26:33] 基本上在您完成此过程以确定一年的良好状态时使用模拟，还是您实际上必须在物理世界中构建和测试它？

奥尔：是的。所以我非常相信端到端循环。所以我们实际上使用了一些听众可能熟悉的 FPGA 技术来完成这些循环。它不会为您提供整个设备的全貌，但它确实提供了 [音频不清晰 27:04] 人员和一个非常强大的工具，而不是模拟，模拟往往非常冗长且非常有限。描述因为您只能对一小部分用例进行抽样，我的信念实际上是帮助您了解您所做的是对还是错的主要事情是在其上运行尽可能多的软件。这可以更容易地通过可能实际呈现在硬件方面的东西来完成，但更多地呈现在其上扩展软件的能力方面。所以我们实际上是从使用 FPGA 开始的，然后转向更面向硬件或面向异步的方法。

Erik：你什么时候第一次构建物理芯片？

Orr：所以我们有一个原型设备进行了采样，当时是 2019 年夏季的开始。就在去年年底，我们有了我们的生产设备，今年年初我们开始更准确地为大量客户提供样品。

Erik：你能说出是谁和你一起制作的还是保密的？

奥尔：主要创始人之一？

Erik：过去供应链受到了相当大的破坏，尤其是在汽车芯片方面。这对你有影响吗？我想这其中很大一部分正在影响更多的老一代芯片。但这会对您的业务造成干扰吗？你仍然能够很好地解决这个问题吗？

Orr：我们已经能够解决这个问题，无论是否 [听不清 28:44]。正如您所提到的，专门针对较旧的流程节点已经出现了很大的短缺。过度优化的成本，我听说很多人正在重新考虑他们的及时政策，这意味着如果你是供应商，只有在我需要时才给我提供组件，当然，风险是供应商不有货源，到那时，您将陷入无法销售产品的困境。

所以一个，它更有效率和资本。另一方面，您的操作能力风险更大。因此，我认为当我们走出当前供应链的这一环节时，每个人都会采用一些不同的方法。甚至相对幸运的是，我们已经成功地度过了这个难关。希望这将保持这种状态。

Erik：作为一个行业，我们最终会解决这个问题，至少是当前的挑战。因此，我们应该在这里讨论技术堆栈的许多不同领域。但我认为有一个特别值得关注的行业，比如汽车行业，还有很多制造商，他们都担心边缘设备的安全性。因此，这似乎是短期内更广泛采用的瓶颈之一。这是您正在解决的主题，还是基本上是一组独立的公司正在应对与网络安全相关的挑战，并且您在构建解决方案时正在整合最佳实践？

Orr：我们的主要关注点是人工智能，在标准处理方面，我们遵循最佳实践来采用我坚信的既定解决方案。我们遇到网络安全的一个方面是，对于一些这样做的客户会实际上，某种意义上的动机来自安全或隐私问题。所以实际上，让数据远离集中式数据库是他们发现在边缘结构上更好的东西，而不是在保存所有敏感数据的集中位置。

能够在边缘进行动态处理使您根本无需保存数据，即使不在边缘也是如此。因此，这并不能直接减轻网络或隐私风险，但它减少了攻击面或可能受到此类风险损害的数据。

Erik：不，不传输数据也至少减少了部分风险。但是很多制造商对于迁移到云端以获取任何类型的关键解决方案也非常犹豫。因此，边缘计算在这些情况下可能是一个很好的解决方案。您是否有一个或两个关键客户，您不必提及公司的名称，但您可以讨论您与他们建立的关键客户，以及如何在当今世界部署这些客户？

奥尔：好的。因此，我们看到的一件主要事情是视频分析的推动。有很多玩家正在与我们合作。这是解决方案提供商、垂直集成商、ODM 正在解决的问题，他们正在构建相机或人们现在喜欢称之为边缘 AI 盒子的聚合点，他们正在做分析。因此，我们主要看到人们正在努力解决的一件事是以合理的质量进行实时处理。

你是从两个方向来的。要么你说，好吧，我要制定一个合理的边缘解决方案。这意味着采用坚固的 PC，例如，取消了来自相机的 8 个馈送，有多个这样的项目。要么，我要做一些合理处理的东西，所以它必须是无风扇的，这意味着它的功耗低于 15-20 瓦。如果您想检测您在相机上看到的事件，并且它必须以至少接近实时的性能（每秒 20-30 帧）工作，否则只会错过事件。将所有这些约束结合在一起会带来广泛而紧凑的信封。

我们从客户那里看到的是他们正在苦苦挣扎。因此，他们要么采用明显的解决方案，即在解决方案中添加令人反感的 GPU，从而立即将您带到完全不同的外形、价格点、功耗部署方案，或者您主要采用现成的产品英特尔，或者今天来自谷歌。但是，问题在于性能有限。我的意思是，你可以获得实时甚至接近你可以使用标准神经网络的时间。您必须使用精度非常低的非常精简的移动版本。

这样做的结果是你给客户带来了低价值，因为你的错误非常高，而且你被误报了。所以归根结底，它是有限的。这是我们在视频分析中看到的典型场景。它们跨越了人们用于这些盒子的所有用例。所以我会告诉你，我们看到的主要是安全、监控、零售分析、访问控制、智慧城市，它们由以下所有内容的组合支持，它们都面临着相同的挑战，并正在寻找能够弥合高性能、合理成本、合理外形尺寸和合理假设之间的差距。

Erik：在你的行业中，你有两个主要的形式因素。一个是边缘AI盒子，另一个是智能摄像头。这里的主要区别是智能相机是单个传感器设备，然后具有嵌入式计算来处理来自该设备的信息吗？ AI盒子正在从多个传感器获取输入并进行传感器融合以处理更大的数据集？这是我们看待这些的方式，还是有不同的方式来区分这些？

Orr：实际上，定义，这是您在各个行业看到的常见架构困境。您想直接在传感器处进行处理，还是想在聚合点进行处理？每个都有优点和缺点。例如，如果您已经建立了套件感，无论是在建筑物中部署，还是在您的机器人上，您都不想触摸摄像头。所以这可能是你想在聚合点做事情的一个原因。

另一方面，在某些情况下，您会说，好吧，我们有一个客户正在做智慧城市，并将传感器放在高杆上，进行各种监控和暴力检测，诸如此类。所以在这种情况下，它是一台相机。聚合点在云端，但他们不想依赖与云端的连接，因为这会使系统变得更加复杂，并且还意味着他们将不得不将经常性开支花在云端处理上。所以他们想在一个传感器中关闭系统。有进入感官数据处理的动机。

所以我们看到了两种部署选项。我认为聚合点对大多数客户来说更容易。顺便说一句，这同样适用于汽车，如果你仔细想想，这就是完全相同的架构。我认为对于许多客户来说，今天将其作为将其整合到聚合点的第一步更容易。但我确实认为，从现在开始的一两年内，我们会看到传感器本身的输入更加智能。

Erik：我想这也是一个问题，为了获得所需的洞察力，您需要来自多少不同传感器的数据？那么收集就够了吗？这是一个合理的思考方式吗？如果您需要来自多个输入的数据，那么您需要使用聚合器盒之类的东西，但如果您可以通过一种集成传感器获得结果，或者这可能是一个可能具有几个传感器的设备，这些传感器也集成在相同的硬件，那将是一个解决方案？但这也是一种思考实现预期效果所需的输入多样性的方法吗？

Orr：您可以从系统集成的角度来看待它。当你融合数据时，你想在整个层面上进行融合，显然，它包含的信息最多，然而，这是最复杂的整合。您可能想在更高的抽象层次上进行讨论，说每个传感器都有自己的特性、角度视图、照明，或者甚至可能来自不同的供应商，只是提供了一个标准化的对象列表。然后你融合数据，如果三个摄像头看到相同的东西，那么物体就在那里。如果三个人中只有一个人看到了，那么这可能是一场虚惊。

这实际上是系统工程师必须做的一个选择，您是否更喜欢集成的简单性，而牺牲了单个组件的复杂性？或者你说，好吧，我想把复杂性集中在一个点上，如果那里的所有东西我都会有一个相对复杂的集成，但第一件事会在一个点上，第二件事，我会拥有所有的信息？所以它真的取决于用例。

Erik：所以你可能会遇到这样一种情况，你更喜欢拥有多个传感器，它们都说，检测到物体，检测到物体，检测到物体，检测到物体，它们只是报告有一个物体已经被检测到，或者有一只猫被检测到，然后中央聚合器只知道四个传感器都检测到了一个物体，它可以基于此做出决定，而不是将所有原始数据移动到该聚合器并在那里运行流程？

奥尔：是的。

Erik：让我们谈谈未来。对于 Hailo 来说，这是一个真正充满活力的创新领域，但也适用于整个行业。您认为随着这个市场的发展，未来五年我们应该关注哪些重大创新杠杆？

Orr：首先，我们已经开始看到，规划的专业知识正在从云玩家和真正成熟的全技术堆栈公司扩散到每个制造电子产品的人。这是我认为深度学习能力的民主化和同情将带来的一种趋势。我们已经开始看到它的到来，大量的产品价值创新。我们在日常生活中使用的各种不同的产品，或者整个行业都在使用人工智能进行重新构想，而这不仅仅是谷歌和微软的世界。所以这是即将发生的一件事。

也已经开始看到云播放器在边缘计算方面投入更多的迹象。我认为今天的每个人都特别了解边缘 AI 领域，尤其是视觉，在云中做事非常实用。我认为我们会看到云玩家更多地参与到边缘。因此，最终谁会占上风将会很有趣：边缘的典型供应商，或者云全套产品是否将包括管理。而且您已经谈到了安全性、配置，这将对客户更具吸引力。 [听不清 41:25] 值得关注的有趣趋势。

Erik：有几家公司与我交谈过，它们对 5G 的前景非常感兴趣，这会导致一种本地化服务器。因此，假设您有一个 5G 枢纽，为大型炼油厂或城市社区提供服务，半径可能为半公里，您可以汇总数据然后对其进行处理，因此在某种程度上可以说是边缘云。您是否认为这是一个有趣的架构，或者现在看看它是否会被广泛采用还为时过早？

Orr：我认为这有点太早了，尽管人们正朝着这个方向前进。市场是否会接受，这很难说，因为它确实需要定制或端到端的解决方案。从电信公司的角度来看，增加价值始终是一个挑战，提供完整的应用程序。即使它仍然只是作为浮动油脂计算资源，我认为它不会非常成功。但是，如果它能够很好地与您提到的用例集成，这可能是一个真正的价值主张。

Erik：也许在这一点上，最后一个问题是，我们谈到了物联网，但我认为现实情况是，在很多情况下，你并没有真正的互联网，你有很多相对孤立的设备正在与在许多情况下，几乎没有其他设备可以完成这项工作。

但是，例如，如果我们看一下智慧城市，拥有数千个以某种方式真正相互协调的设备将变得越来越重要。仅从技术角度来看，您认为这可能是什么状态……存在一整套与商业、法律和隐私相关的挑战。但仅从技术角度来看，您对今天的状态有何看法？然后你觉得这是一个需要发展的重要领域吗？或者您觉得如果没有这个系统级集成系统，我们可以完成工作并解决大多数实际问题吗？

Orr：系统系统是实现整个生态系统的绝对关键组成部分。而且我认为在每个系统所做的事情以及它们如何协调或整合到客户可以使用或操作员可以使用的东西之间取得适当的平衡是至关重要的。我认为我们还没有缩小范围。但我认为我们正朝着那个方向发展。作为一个行业，我们必须解决它。这套全新的概念，如楼宇管理和安全管理，以及智能门禁控制，如果你想让它们成为现实，它必须发生，这种服务水平聚合和协调所有这些较小的系统组件，因为我不相信独立系统。

Erik：至少在接下来的十年里，我们都会很忙。有没有什么我们今天没有涉及到的但对每个人来说都很重要的事情？

Orr：不，我认为我们已经完成了 [听不清 44:39]。非常感谢，埃里克。

埃里克：是的。嗯，谢谢。只是最后一个问题。如果我们的一位听众有兴趣更多地了解您的解决方案，那么他们与公司取得联系的最佳方式是什么？

奥尔：所以你很受欢迎。只需访问网站 www.hailo.ai，我们在那里拥有所有信息，您可以通过那里与我们联系。我们很乐意提供帮助。

埃里克：谢谢你，奥尔。珍惜你的时间。

奥尔：谢谢你，埃里克。

Erik：感谢您收看另一个版本的工业物联网聚光灯。不要忘记在 IotoneHQ 的 Twitter 上关注我们，并查看我们在 IoTONE.com 上的案例研究数据库。如果您有独特的见解或项目部署故事要分享，我们很乐意在未来的版本中介绍您。写信给我们 erik.walenza@IoTone.com。