Lata 2030 będą napędzane przez Edge: Dlaczego następna dekada komputingu zaczyna się teraz

Jeśli chcesz zobaczyć przyszłość sztucznej inteligencji, zapomnij o farmach serwerowych w północnej Wirginii lub inkubatorach startupów w San Francisco. Wyjdź do firmy myjni samochodowej tuż za Fort Lauderdale.

Inteligencja zarządzająca tą operacją pochodzi z firmy, której możesz nie znać, chyba że jesteś w branży myjni samochodowych, gdzie są liderem przemysłu — Sonny’s The CarWash Factory. Sonny’s jest największym na świecie producentem wyposażenia do myjni samochodowych na taśmie przemysłowej — biznesem tradycyjnie definiowanym przez szczotki, mydło i pasy, a nie kod. Jednak w tysiącach lokalizacji zastępują one dekady starego sonaru komputerowym widzeniem, aby pomiar pojazdów w milisekundach, używając rozpoznawania tablic rejestracyjnych do natychmiastowego zapisu lojalności i testowania konwersacyjnej sztucznej inteligencji w kasie.

Pomimo tego, że miliardy dolarów są inwestowane w następny produkt w stylu ChatGPT — inwestycje, które wielu analityków ostrzegają, że już przekraczają rzeczywiste wdrożenie — cicha rewolucja ma miejsce na parkingach, podłogach fabrycznych, statkach na morzu i w piwnicach szpitali.

Świadkowie jesteśmy bifurkacji. Z jednej strony jest AI konsumencka: efektowna, dotowana i operacyjnie droga. Z drugiej strony jest AI fizyczna: nieefektowna, oparta na twardym ROI i już zmieniająca operacje w branżach, które nie mogą pozwolić sobie na opóźnienia ani przestoje.

To rozdzielenie zdefiniuje nadchodzącą dekadę. Jeśli lata 2010 były o łączeniu urządzeń (IoT), a lata 2020 są o przetwarzaniu danych tam, gdzie powstają (obliczenia brzegowe), lata 2030 będą o działaniu na tych danych natychmiast. To jest era AI Brzegowej.

Innowacje w nieoczekiwanych miejscach

Dla branż zakorzenionych w fizycznych dobrach chmura jest często zbyt daleko — dosłownie i operacyjnie.

Weźmy na przykład rynek detaliczny. Każdy sklep zmaga się z luką między rekordami inwentarza a rzeczywistością. Odzież jest przenoszona, przymierzana i przesuwana, co czyni tradycyjne bazy danych przestarzałymi w ciągu kilku minut. Ale niektóre firmy przechodzą w kierunku modelu, w którym sam sklep staje się bazą danych. Czytniki RFID zamontowane w suficie śledzą odzież w czasie rzeczywistym — identyfikując, co weszło do przymierzalni, co nie wyszło i gdzie konkretny rozmiar się znalazł. Nie tylko aktualizują rekordy; cyfryzują fizyczne przestrzenie w czasie rzeczywistym — co tylko lokalne przetwarzanie umożliwia.

Ochrona zdrowia podąża podobną ścieżką. Nowoczesne skany CT i MRI generują gigabajty na pacjenta — dane, które są zbyt ciężkie i zbyt wrażliwe, aby ciągle wysyłać do chmury. Odpowiedzią nie jest większy rurociąg; jest to sprowadzenie AI do skanera. Szpitale zaczynają uruchamiać inferencję lokalnie, trzymając dane pacjentów na miejscu, jednocześnie dostarczając wglądy diagnostyczne w ciągu sekund.

Branża morska stoi wobec podobnych ograniczeń. Statki kontenerowe generują terabajty operacyjnych danych z silników, systemów nawigacji i czujników ładunku. Ale łączność w środku oceanu kosztuje tysiące dolarów za gigabajt. Firmy transportowe wdrożenie serwerów brzegowych na pokładzie, aby przetwarzać te dane lokalnie, uruchamiając modele konserwacji predykcyjnej, które zapobiegają awariom silników, zanim statki dotrą do portu. AI podróżuje ze statkiem, ponieważ chmura po prostu nie sięga tak daleko.

To nie są eksperymenty badawczo-rozwojowe. To są rozwiązane problemy operacyjne poprzez komputeryzację na brzegu.

Trójwarstwowa architektura

Aby zrozumieć, dokąd zmierza infrastruktura przedsiębiorstw, spójrz na telefon w Twojej kieszeni. Apple Intelligence wprowadził mainstream do trójwarstwowej architektury obliczeniowej: przetwarzanie na urządzeniu dla szybkości, warstwa prywatnego komputera dla cięższych zadań i chmura dla szerokiej wiedzy. Środowiska przemysłowe przyjmują tę samą architekturę — nie dla wygody, ale dla fizyki.

Zastanów się nad nową falą robotyki humanoidalnej. Te maszyny działają na bateriach; nie mogą one nosić superkomputerów na plecach, ani polegać na chmurze do podjęcia decyzji o bezpieczeństwie w ułamku sekundy. Zamiast tego polegają one na krytycznej „środkowej warstwie”:

• Urządzenie (Robot): Obsługuje natychmiastowe ruchy i bezpieczeństwo lokalnie.

• Prywatny Brzeg: Lokalny serwer na podłodze fabrycznej obsługuje ciężką inferencję i koordynację floty.

• Chmura: Zarezerwowana dla szkolenia i globalnych aktualizacji oprogramowania.

Lata 2010 były Chmura jako Pierwsza. Lata 2030 będą Brzeg jako Pierwsza — z chmurą, gdy jest to konieczne.

Ta architektura rozwiązuje prawdziwe ograniczenia. Roboty działają na bateriach i nie mogą przenosić ciężkich obciążeń komputera. Podłogi fabryczne potrzebują czasów odpowiedzi w milisekundach, których opóźnienia chmury nie mogą dostarczyć. Dane pacjentów w szpitalach muszą pozostać na miejscu ze względów regulacyjnych. Środkowa warstwa obsługuje ciężką pracę inferencyjną, koordynuje floty urządzeń i działa jako bufor między lokalnymi operacjami a globalnymi systemami. Wyobraź sobie to jako lokalne centrum danych skompresowane do jednej szafy serwerowej, przetwarzającej terabajty bez dotyku do publicznego Internetu. Gdy robot potrzebuje wykonać manewr bezpieczeństwa, przetwarza lokalnie. Gdy potrzebuje zaktualizować swój model nawigacji na podstawie dzisiejszych operacji, serwer brzegowy zajmuje się tym w nocy. Gdy producent wydaje nową funkcjonalność, chmura ją wysyła. Każda warstwa robi to, co robi najlepiej.

Koniec ery „dial-up”

Pomimo tych zmian architektonicznych, rzeczywistość na ziemi pozostaje nieładna. AI fizyczna jest obecnie w swojej „erze dial-up”. Liderzy operacyjni są dotknięci „czarnymi skrzynkami” — urządzeniami proprietarnymi do liczenia ludzi, analizy wideo lub czujników, które nie rozmawiają ze sobą. To jest równoznaczne z noszeniem oddzielnego urządzenia do poczty, map i zdjęć.

Widzimy teraz organizacje z 20 000+ lokalizacjami, które zastępują tę patchworkową konstrukcję zunifikowanymi platformami brzegowymi, pozwalając im wdrożyć nowe aplikacje jako aktualizacje oprogramowania, a nie projekty sprzętowe.

Jednocześnie sieci satelitarne LEO, takie jak Starlink, eliminują martwe strefy łączności. Podobnie jak wschodzące gospodarki ominęły linie lądowe, aby przejść bezpośrednio do telefonii komórkowej, branże takie jak morska, górnicza i kolejowa omijają całkowicie scentralizowane architektury chmury. Przechodzą bezpośrednio do rozproszonej AI brzegowej, ponieważ fizyka ich operacji tego wymaga.

Paradoks inwestycyjny

AI fizyczna nigdy nie będzie miała „momentu ChatGPT”. Nie może. Błąd w generatywnej AI to wirusowy zrzut ekranu; błąd w AI fizycznej może być zagrożeniem bezpieczeństwa.

Dlatego postęp tutaj jest stabilny, a nie wybuchowy. Waymo spędziło ponad dekadę na testowaniu i symulacji, zanim rozwinęło się do dużych miast. W ochronie zdrowia AI, która analizuje skany, jest urządzeniem medycznym wymagającym zatwierdzenia FDA. Nie możesz pobrać bezpieczeństwa ani dojrzałości. Musisz je zdobyć.

Paradoks inwestycyjny jest prosty: efektowna AI konsumencka dominuje nagłówki, ale AI operacyjna dominuje ekonomię. Lata 2030 nie będą należeć do firm z najbardziej wirusowymi modelami, ale do tych, które mogą wdrożyć inteligencję wszędzie, gdzie jest potrzebna.

Gdy wjeżdżasz do tej myjni samochodowej zasilanej technologią Sonny’s na całym świecie i system rozpoznaje Twoje pojazdu i mówi do Ciebie naturalnie, nie widzisz tego jako sztuczek. Widzisz to jako plan. To jest infrastruktura. I firmy, które ją budują dzisiaj, tworzą przewagi konkurencyjne następnej dekady.