一種採用自然語言模型的新方法正在擴大人工智慧在邊緣運算領域的應用。利用一種先進的人工智慧（AI）技術，只需在現場佈置極少數量的感測器，就能重建大量資料集，如海洋積溫。這種方法利用高能效的”邊緣”計算，在工業、科學研究和醫療保健等各個領域都有廣泛的潛在用途。

在使用自然語言模型方面的一項創新將人工智慧引入了包括無人機在內的可現場部署的感測器。洛斯阿拉莫斯國家實驗室（Los Alamos National Laboratory）正在探索人工智慧技術，用於定位和描述會排放導致氣候變暖的甲烷的無主油氣井。資料來源：洛斯阿拉莫斯國家實驗室

洛斯阿拉莫斯國家實驗室研究員哈維爾-桑托斯（Javier Santos）說：”我們開發了一種神經網絡，它能讓我們以非常緊湊的方式表示一個大型系統。這種緊湊性意味著，與最先進的捲積神經網路架構相比，它需要的運算資源更少，因此非常適合在無人機、感測器陣列和其他邊緣運算應用上進行實地部署，使運算更接近其最終用途。”

新穎的人工智慧方法提高了運算效率

桑托斯是洛斯阿拉莫斯研究人員團隊在《自然-機器智能》（Nature Machine Intelligence）上發表的一篇論文的第一作者，他們將這種新型人工智慧技術稱為Senseiver。這項工作以Google開發的人工智慧模型Perceiver IO 為基礎，將ChatGPT 等自然語言模型的技術應用於從相對較少的測量數據中重建廣闊區域（如海洋）資訊的問題。

研究小組意識到，該模型因其高效性而具有廣泛的應用前景。論文共同作者、洛斯阿拉莫斯研究人員丹-奧馬利（Dan O’Malley）說：”使用更少的參數和更少的內存需要更少的計算機中央處理單元週期，因此它在更小的計算機上運行得更快。”

桑托斯和他在洛斯阿拉莫斯的同事們在已發表的文獻中首次驗證了該模型的有效性，他們演示了該模型在現實世界稀疏數據集（指從感測器獲取的資訊僅覆蓋感興趣區域的極小部分）和三維流體複雜資料集上的有效性。

在展示Senseiver 在現實世界中的實用性時，研究小組將此模型應用於美國國家海洋暨大氣總署的海面溫度資料集。該模型能夠整合數十年來從衛星和船上感測器獲得的大量測量數據。透過這些稀疏的點測量數據，該模型預測了整個海洋的溫度，為全球氣候模型提供了有用的信息。

將人工智慧引入無人機和感測器網絡

Senseiver 非常適合洛斯阿拉莫斯感興趣的各種計畫和研究領域。

洛斯阿拉莫斯國家實驗室研究員、環境科學家兼Senseiver 相關論文的共同作者哈里-維斯瓦納坦（Hari Viswanathan）說：”洛斯阿拉莫斯擁有廣泛的遙感能力，但使用人工智慧並不容易，因為模型太大，無法安裝在現場的設備上，這就導致我們需要邊緣運算。我們的工作將人工智慧的優勢帶到了無人機、基於現場的感測器網絡，以及目前尖端人工智慧技術無法觸及的其他應用中”。

人工智慧模型在實驗室識別和描述無主井的工作中尤其有用。該實驗室領導著由能源部資助的”評估丟失油氣井技術聯盟”（CATALOG），這是一項聯邦計劃，其任務是確定無記錄無主井的位置和特徵，並測量其甲烷排放量。Viswanathan 是CATALOG 的首席科學家。

該方法為自動駕駛汽車、油氣資產遠端建模、病人醫療監控、雲端遊戲、內容交付和污染物追蹤等大型實際應用提供了更強的能力。