終端側(cè)AI能夠在靠近數(shù)據(jù)源的位置進行處理，實現(xiàn)低時延、頂級隱私保護、出色的可靠性和極高效的帶寬使用方式。正如外媒評論指出，若把云端AI比作一個巨型大腦，那么終端側(cè)AI則可被認為是集合諸多更小的大腦的蜂巢，它們通過自我復制和自我組織的方式協(xié)同工作。終端側(cè)AI將擁有像我們一樣的行為舉止，可從我們所處的環(huán)境中學習，并輕松地在本地做出最佳決策。

終端側(cè)AI正在飛速發(fā)展。例如，在智能手機領(lǐng)域，目前主要是頂級終端可以支持終端側(cè)AI，但很快就會發(fā)生改變。據(jù)Gartner預測，截止到2022年，80%已經(jīng)出貨的智能手機都將支持終端側(cè)AI功能，與2017年相比實現(xiàn)了10%的提升。

不僅僅是智能手機，終端側(cè)AI將通過多樣的方式顯著推動其他行業(yè)的發(fā)展，例如物聯(lián)網(wǎng)、汽車、擴展現(xiàn)實和金融服務。生物識別將是推動上述行業(yè)發(fā)展最有成效的方式之一。對于很多AI功能，在終端本地運行算法所帶來的響應時間和帶寬效率優(yōu)勢至關(guān)重要，尤其是生物識別等對時效性要求頗高的使用場景。

終端側(cè)AI支持更先進的生物識別

提到生物識別，大部分人都將其局限于指紋掃描，事實上，指紋掃描僅僅是開始。虹膜識別和人臉識別都已取得突破，一些先進的版本可以利用AI來分析用戶的虹膜或面部特征，如瞳孔大小或下頜輪廓。很快，終端側(cè)AI將會激發(fā)更先進的生物識別類別，并成為我們?nèi)粘Ｉ畹囊徊糠帧?/p>

舉例來說，步態(tài)識別這一技術(shù)已經(jīng)投入研究數(shù)十年，它能夠通過步伐來識別一個人的身份，最近在AI的支持下，步態(tài)識別的準確率得到了提升，但在此之前所取得的進展甚微。在今年早些時候，曼徹斯特大學的研究人員實現(xiàn)了99.3%的步態(tài)識別準確率。該系統(tǒng)利用地面?zhèn)鞲衅鞑⒔柚鶤I分析了人體步伐，并發(fā)現(xiàn)實現(xiàn)最后一個百分點的精確度是最具挑戰(zhàn)性的。隨著在終端側(cè)AI取得的更多進展，未來它將有望被應用在機場安檢等使用場景，甚至有可能被用于醫(yī)學診斷。

語音是另一個由AI推動的生物識別領(lǐng)域。用戶已經(jīng)在使用語音認證和語音助手，但終端側(cè)AI的進展將對開發(fā)近乎自然語言的聲紋生物識別技術(shù)至關(guān)重要。人們習慣于會話過程中的快速響應和無縫交談。因此，自然的語音交互應該具備用戶體驗上察覺不到時延。借助終端側(cè)AI的可靠性和對于時延的改進，最終與機器對話將能夠聽起來更像和真人對話。

通過終端側(cè)AI和生物識別助力行業(yè)發(fā)展

對于很多行業(yè)，一些基于生物識別的全新或改進的使用場景，正在改變我們使用終端的方式，同時也為新技術(shù)創(chuàng)造可能。

在物聯(lián)網(wǎng)領(lǐng)域，從普通終端，例如燈泡和恒溫器，到更先進終端，例如智能助手和電器，的演進，很大程度上是依賴于終端側(cè)AI的。從諸如傳感器、麥克風和攝像頭等擁有更先進技術(shù)的設(shè)備中所采集到的數(shù)據(jù)，為機器學習的訓練和預測功能創(chuàng)造了機會。并且考慮到隱私保護、更低時延和更高可靠性等原因，在通常情況下，終端本身就是創(chuàng)造新機會的最佳平臺。我們以智能家庭中的安防攝像頭為例來說明。面部追蹤能夠在攝像頭上對視頻內(nèi)容進行本地化分析，正是因為它無需等待網(wǎng)絡和云端之間來回傳輸數(shù)據(jù)，因此終端側(cè)的響應速度也會更快。

此外，汽車行業(yè)也將受到重要影響。在汽車內(nèi)部，終端側(cè)AI開始支持自然用戶界面、個性化和駕駛員意識監(jiān)測。基于生物識別和偏好，終端側(cè)AI有助于實現(xiàn)個性化體驗，例如播放用戶喜愛的音樂或調(diào)節(jié)駕駛動態(tài)。在車外，借助環(huán)視感知、路徑規(guī)劃和決策，終端側(cè)AI將助力自動駕駛的實現(xiàn)。