亞馬遜的DeepLens如何通過AI連接網絡？

對亞馬遜的DeepLens的介紹以及對AI的一點思索

雖然對提問的內容不是很理解，但還是嘗試回答一下，說不定就說中了呢？對于一款產品，我們通常的理解可以分為三層：1.是什么？2.為什么？3.怎么用？

針對第一個問題，首先我們先來了解一下DeepLens是什么？根據亞馬遜的官方解釋，DeepLens是一款與AWS云服務集成的支持無線傳輸的視頻攝像頭和開發平臺。它允許用戶使用最新的人工智能（AI）工具和技術來開發基于深度學習模型的計算機視覺應用程序。

如果你是一位機器學習（Machine Learning）的初學者，你能夠利用DeepLens現成的基于深度學習示例項目實踐教程來深化學習。亞馬遜提供的每個樣本項目都至少包含一個預先訓練的模型和一個教學上直接使用的推演功能。

而如果是一位經驗豐富的從業者，你可以利用DeepLens開發平臺來訓練卷積神經網絡（CNN）模型，并將包含該模型的計算機視覺應用項目部署到AWS DeepLens設備中。你可以在任何系統支持的深度學習框架中訓練模型，包括

· Caff（一種常用的卷積神經網絡框架，主要應用在視頻、圖像處理方面的應用上)；

· MXNet（一種亞馬遜提供和推薦的高性能、靈活的深度學習庫）

· TensorFlow（一種由谷歌提供的開源機器學習框架，同時也是GitHub上排名第一的神經網絡算法庫）。

DeepLens的硬件配置

AWS DeepLens通常搭載以下硬件配置：

支持MJPEG格式（Motion JPEG）并具備400萬像素的攝像頭8 GB的板載內存16 GB的存儲容量32 GB SD卡支持2.4 GHz和5 GHz標準雙頻網絡的Wi-Fi微型HDMI顯示端口一個音頻輸出和兩個USB端口功耗：20 W電源輸入：5V和4A

AWS DeepLens相機采用Intel?Atom處理器，每秒可處理1000億次浮點運算（GFLOPS）。這可以為用戶提供在設備上執行推演所需的計算能力。微型HDMI顯示端口，音頻輸出和USB端口允許用戶連接外圍設備，可以利用其他計算機視覺應用程序獲得額外創意發揮。

AWS DeepLens軟件的基本工作流程

設備開啟后，AWS DeepLens會開始捕捉視頻內容。 并由此生成兩個輸出流：（A） 設備流 - 未經處理即傳遞的視頻流。（B） 項目流 - 模型處理視頻幀的結果 Inference Lambda函數接收未處理的視頻幀。 Inference Lambda函數將未處理的幀傳遞給項目的深度學習模型，并在其中進行處理。 Inference Lambda函數從模型接收已處理的幀，并在項目中傳遞出已處理的幀。

第二個問題，為什么要創造AWS DeepLens，以及分析亞馬遜更為深層次的商業探索目的。

很顯然，AWS DeepLens是一個開創性的產品，它讓智能實驗室里僅供計算機科學家研究的稀缺物品，變成了尋常工程師能夠接觸和探索人工智能的實驗對象。對于IoT，Edge和AI愛好者而言，它的吸引力無疑是難以拒絕的。 DeepLens將成為一個極具想象空間的成人游樂場，用于測試一些新興技術，如物聯網，邊緣計算，機器學習和無服務器計算等前沿領域場景。

對于亞馬遜推出這款產品的深層原因，我們試分析如下：

1. AWS（亞馬遜）與Google在深度學習領域的分庭抗禮

隨著2017年2月16日，Google正式對外發布Google TensorFlow 1.0正式版本，并保證本次的發布版本API接口完全滿足生產環境穩定性要求。AI端的競爭開始從實驗室走向大眾市場，TensorFlow成為普通開發人員在機器學習方面嘗試涉足的首批項目之一。

隨著TensorFlow的不斷擴張，它不僅僅作為一個框架提供API供用戶調用，也同時在圍繞著算法服務推出各種配套的服務內容。而這，顯然開始侵蝕到了亞馬遜云服務（AWS）的領域范圍，雖然AWS也有自家官方支持的MXNet，但是相對于谷歌正規軍推出的TensorFlow，由零散團體做出來的MXNet還是稍顯稚嫩。

因此，亞馬遜亟需要劃分一個新的賽道出來，突破當前的劣勢地位。

2. 深度學習的核心競爭不僅僅在于算法，還應有數據

對于深度學習（Deep Learning），人工智能的頂級權威吳恩達（Andrew Ng）認為：

深度學習的核心是，我們需要有足夠快的計算機以及足夠多的數據來對大型神經網絡進行實際的訓練。 -- 2013年演講《 深度學習，自主學習和無監督特征學習 》我們現在已經開始擁有非常強大的神經網絡，但還需要有權訪問的大量數據。 --2015在ExtractConf 《 What data scientists should know about deep learning 》

更加通用的描述是：深度學習算法的特點在于提供用于訓練的數據量越大，算法的性能越高，而且是一個隨數據量動態變化的過程。

由此，也不難理解，亞馬遜推出AWS DeepLens的更廣泛的目的，在于通過商業化產品的推廣和AWS云的連接，將更多有效的數據將收集起來，助推自身發展。

3. 物聯網和云的未然布局

邊緣計算、霧計算、云計算，這些都需要有及其龐大的數據進行支撐，而在不遠的未來構成物聯網的數十億設備將是不可忽視的資源。同時，對于這么多設備，物聯網服務將存在無法集中化的問題。它不會圍繞服務器進行擴展以滿足需求，而是在邊緣變得更加智能 - 至少做一部分必要的分析。這就是為什么AWS DeepLens的概念如此引人注目的原因。他一方面為終端產品面臨獨立而智能化的問題提供了解決方案，而同時又推動深度學習在終端的適應性方面進行了探索和驗證。

關鍵的例子在于，對于自動駕駛的車輛而言，一輛隨時需要連接云端的汽車是不可接受的，無論從實際操作層面還是心理層面都不會被用戶接受。因此如何有效保證在離線狀態下，自動駕駛車輛既擁有強大的計算能力，同時又不會消耗大量的資源（比如電力和CPU計算資源），將成為一個重要的研究方向。

至于第三個問題，怎么用？在這里，我們不會去探討AWS DeepLens具體怎么調試，讓這些復雜的技術問題就交給GitHub上面的Geek們去傷腦筋吧。我們來聊一下“未來”：

谷歌在2018年谷歌I/O的演講中，主要有3個主題：

AI - 人工智能Wellbeing - 福利 [劃掉]Fake News - 假新聞 [劃掉]

作為人工智能領域毫無爭議的王者，我們將從谷歌最新的演講中推斷未來人工智能的發展方向：

特征增強

智能助理

虛擬現實

無人駕駛

展望未來，機器將越來越多地成為人類器官的特征延伸，幫助人類監控和預測原來無法知道的內容，修補殘缺人體原本的缺陷。比如利用醫療AI進行視網膜篩查心臟病和糖尿病，通過分析醫療保健中的人類視網膜圖像來診斷疾病以及預測未來24小時內患者再入院的可能性等。而同樣通過AI的加持，能夠讓殘障人士使用摩斯碼設備進行交流從而獲得更好的生活。

智能助理層面，AI將更加貼近人類的實際生活，包括主動推測意圖，更智能地解決問題，以及更自然和聰明的語音助理，至少現在不用再傻傻的先喊一聲“Hey Google！”（我希望蘋果能早日實現這個功能：）。而更加魔幻的場景是，谷歌CEO皮查伊表示，Google助手可以幫助預約理發和訂座，而對接的服務人員甚至不知道對方僅僅是一個語音助理。

“在互聯網上，沒人知道你是一條狗”，看來互聯網上這句最著名的戲言即將變成現實...

虛擬現實，通過Google地圖和相機的連接，手機中的地圖內容將與現實場景結合起來，AR應用將能夠嵌入引導圖標，從而提供更加豐富的圖文信息以及智能地指引。

最后，作為谷歌公司的兄弟公司Waymo，CEO John Krafcik透露，其無人駕駛的錯誤已減少100多倍而預判則得到了大幅提升。

很顯然，隨著AI的深層次介入，設備設施的智能化已不可避免，AI的加速發展勢必會改變我們當前生活的方方面面。我想，AI不應該成為科學家們的獨角戲，極客們的孤獨狂歡，對普羅大眾而言，參與進來，了解它，學習它，適應它，或許是未來人生的必修課。