2030-ті будуть працювати на краю: чому наступне десятиліття обчислень починається зараз

Якщо ви хочете побачити майбутнє штучного інтелекту, забудьте про серверні ферми Північної Вірджинії або стартові інкубатори Сан-Франциско. Поїдьте до компанії з мийки автомобілів просто за межами Форт-Лодердейла.

Інтелект, який керує цією операцією, походить від компанії, про яку ви, можливо, не чули, якщо тільки ви не займаєтеся бізнесом з мийки автомобілів, де вони є лідерами галузі – Sonny’s The CarWash Factory. Sonny’s – найбільший у світі виробник конвеєрної техніки для мийки автомобілів – бізнес, який традиційно визначається щітками, милом і ременями, а не кодом. Однак на тисячах місць вони заміняють десятилітні сонарні системи на комп’ютерне зору, щоб розміряти транспортні засоби за мілісекунди, використовувати розпізнавання номерних знаків для миттєвої реєстрації лояльності та тестування розмовного штучного інтелекту на станції самообслуговування.

Хоча мільярди доларів вкладаються в наступний продукт типу ChatGPT – інвестиції, які багато аналітиків попереджають, що вже обганяють реальне впровадження – тиха революція відбувається на парковках, фабричних підлогах, кораблях у морі та госпітальних підвалах.

Ми є свідками біфуркації. З одного боку – споживчий штучний інтелект: ефектний, субсидований і операційно дорогий. З іншого боку – фізичний штучний інтелект: непоказний, заснований на твердому ROI і вже змінює операції в галузях, які не можуть дозволити собі затримку або простій.

Ця розкол визначить майбутнє десятиліття. Якщо 2010-ті роки були присвячені підключенню пристроїв (IoT), а 2020-ті роки були присвячені обробці даних там, де вони походять (обчислення на краю), то 2030-ті роки будуть присвячені дії на цих даних миттєво. Це епоха штучного інтелекту на краю.

Інновації в несподіваних місцях

Для галузей, які базуються на фізичних товари, хмара часто знаходиться занадто далеко – і буквально, і операційно.

Взявши, наприклад, ринок роздрібної торгівлі. Кожний магазин бореться з розривом між записами про запаси та реальністю. Одяг пересувається, пробується та переміщується, що робить традиційні бази даних застарілими вже за кілька хвилин. Однак деякі компанії рухаються до моделі, в якій сам магазин стає базою даних. Потолочні сканери RFID відстежують одяг в режимі реального часу – визначаючи, що увійшло до кімнати для пробування, що ніколи не вийшло та де закінчується певний розмір. Вони не просто оновлюють записи; вони цифрують фізичний простір в режимі реального часу – що можливо лише завдяки локальній обробці.

Охорона здоров’я рухається подібним шляхом. Сучасні комп’ютерні та магнітно-резонансні томографії генерують гігабайти даних на пацієнта – дані, які занадто важкі та занадто чутливі, щоб постійно відправляти до хмари. Відповідь не полягає в збільшенні пропускної здатності; це полягає в тому, щоб привести штучний інтелект до сканера. Лікарні починають локально виконувати висновок, зберігаючи дані пацієнтів на місці, а діагностичні знання надсилають за секунди.

Морська галузь стикається з подібними обмеженнями. Контейнерні кораблі генерують терабайти операційних даних з двигунів, систем навігації та датчиків вантажу. Однак середньоокеанічна підключення коштує тисяч доларів за гігабайт. Корабельні компанії розгортають сервери на краю на борту, щоб локально обробляти ці дані, виконуючи прогностичні моделі обслуговування, які запобігають виходу двигунів з ладу до прибуття кораблів у порт. Штучний інтелект супроводжує судно, оскільки хмара просто не досягає так далеко.

Це не експерименти з досліджень та розробок. Це операційні проблеми, вирішені обчисленнями на краю.

Трирівнева архітектура

Щоб зрозуміти, куди рухається інфраструктура підприємства, подивіться на телефон у вашому кишені. Apple Intelligence ввела у маси трирівневу модель обчислень: обробку на пристрої для швидкості, приватний рівень обчислень для більш важких завдань та хмару для широких знань. Промислові середовища приймають саме цю архітектуру – не для зручності, а для фізики.

Розгляньте нову хвилю гуманоїдних роботів. Ці машини працюють від батарей; вони не можуть нести суперкомп’ютери на своїх спинах, а також не можуть покладатися на хмару для рішення про безпеку за долю секунди. Замість цього вони покладаються на критичний “середній рівень”:

• Пристрій (робот): обробляє безпосереднє рух та безпеку локально.

• Приватний край: локальний сервер на фабричній підлозі обробляє важкий висновок та координацію флоту.

• Хмара: зарезервована для навчання та глобальних оновлень програмного забезпечення.

2010-ті роки були хмарними. 2030-ті роки будуть краєвими – з хмарою, коли це необхідно.

Ця архітектура вирішує реальні обмеження. Роботи працюють від батарей та не можуть нести важкі обчислювальні навантаження. Фабричні підлоги потребують реакції за мілісекунди, яку не може забезпечити хмарна затримка. Дані пацієнтів у лікарнях повинні залишатися на місці для дотримання нормативних вимог. Середній рівень обробляє важку роботу висновку, координує флоти пристроїв та слугує буфером між локальними операціями та глобальними системами. Подумайте про це як про локальний центр даних, стиснутий у один серверний стелаж, який обробляє терабайти без дотику до публічного Інтернету. Коли робот需要 виконати маневр безпеки, він обробляє локально. Коли йому потрібно оновити свою навігаційну модель на основі операцій дня, сервер на краю обробляє це вночі. Коли виробник випускає нову можливість, хмара надсилає її вниз. Кожний рівень робить те, що він робить найкраще.

Кінець епохи “дIAL-ап”

Незважаючи на ці архітектурні зміни, реальність на землі залишається заплутаною. Фізичний штучний інтелект зараз знаходиться в своїй “дIAL-ап” епохі. Операційні лідери стикаються з “чорними скриньками” – пропрієтарними пристроями для підрахунку людей, відеоаналітики або датчиків, які не спілкуються один з одним. Це еквівалентно носінню окремого пристрою для електронної пошти, карт та фотографій.

Ми зараз бачимо організації з 20 000+ місць, які замінюють цю заплату на уніфіковані платформи на краю, що дозволяє їм розгортати нові програми як оновлення програмного забезпечення, а не проєкти з апаратного забезпечення.

Одночасно мережі супутників LEO, такі як Starlink, ліквідують мертві зони підключення. Як і країни, що розвиваються, пропустили стаціонарні телефони та перейшли безпосередньо до мобільних, галузі, такі як морська, гірнича та залізнична, пропускають центральні хмарні архітектури повністю. Вони переходять безпосередньо до розподіленого штучного інтелекту на краю, оскільки фізика їхніх операцій цього вимагає.

Інвестиційний парадокс

Фізичний штучний інтелект ніколи не матиме моменту “ChatGPT”. Він не може. Помилка в генеративному штучному інтелекті – вірусний знімок екрана; помилка в фізичному штучному інтелекті може бути загрозою безпеці.

Це пояснює, чому прогрес тут є поступовим, а не вибуховим. Waymo витратила понад десятиліття на тестування та симуляцію, перш ніж розширилася до великих міст. У сфері охорони здоров’я штучний інтелект, який аналізує скани, є медичним пристроєм, який потребує схвалення FDA. Ви не можете завантажити безпеку чи зрілість. Ви повинні заслужити це.

Інвестиційний парадокс простий: ефектний споживчий штучний інтелект домінує в заголовках, але операційний штучний інтелект домінує в економіці. 2030-ті роки не належатимуть компаніям з найбільш вірусними моделями, а тим, хто зможе розгортати інтелект всюди, де це потрібно.

Коли ви заїдете на ту мийку автомобілів, яка працює на технології Sonny’s, будь-якої частини світу, і система розпізнає ваш транспортний засіб та говорить з вами природно, не бачите в цьому трюк. Бачите в цьому блупrint. Це інфраструктура. І компанії, які будують її сьогодні, створюють конкурентні рови наступного десятиліття.