为了克服Big Data的挑战，透过模拟人类大脑的方式打造智能传感器解决方案，实现从边缘传感器、融合中枢再到云端资料分析的分层智能化…

德国电子公司罗伯特·博世（Robert Bosch）认为，为了克服大数据（Big Data）的挑战，我们必须透过让各个层面智能化的方式打造解决方案，包括从边缘传感器到集中的传感器中枢，再到云端资料分析。

所幸我们的大脑拥有最智慧的智能传感器——包括眼睛、耳朵、鼻子、味蕾和触觉灵敏度，能够因应物联网（IoT）的需要塑造我们的电子大数据解决方案。

Bosch Sensortec业务开发主管Marcellino Gemelli在国际半导体产业协会（SEMI）最近举行的年度MEMS与传感器高峰会议（MEMS & Sensor Executive Congress； MSEC）上说：“我们必须将大数据的问题馈入基于人脑的模型产生器，然后用这个模型来预测优化解决方案应该是什么样子的。由于神经元具有多功能性，使得这些机器学习解决方案够在多个层面上运作。”

神经元是大脑的微处理器——它能接受数以千计的大数据输入，但在接收到记忆突触介导的数以千计树突输入后，仅沿着轴突输出单一电压突波。透过这样的方式，眼睛、耳朵、鼻子、味蕾和触觉传感器（主要用于存在、压力和温度）的接收器就能预先处理大量的原始大数据输入后，再沿脊髓传送摘要信息（在电压突波上编码）至被称为‘old brain’的中枢 -——这是负责呼吸、心跳和反射等任务的脑干和自动行为中心。

最后，经过预处理的数据经由一个巨大的互连数组——称为“白质”（white matter）——到达大脑有意识的部份（大脑皮层灰质）的最终目的地。大脑皮层的每个部份分别专用于视觉、语言、嗅觉、味觉和触觉等感官，以及注意、推理、评估、判断和相应规划等认知功能。

智能传感器仿真大脑以三个层次进行建模：以腕戴型穿戴装置实时撷取大数据读数为代表的感官层次；第二层中枢（在此以智能型手机为例）以趋势图形进行汇整，然后每隔几分钟传送至第三层的云端

Gemelli说：“大脑神经网络的数学运算就相当于感知，它可以透过其可变电导突触来学习，而大数据则透过它进行串流传输。我们可以添加多种层次的感知器，学习人类所能学习的所有东西，例如人们走路的各种不同方式。”

大脑对于认知系统与边缘系统的感知数据处理

摩尔定律的影响

摩尔定律（Moore‘s Law）也有助于实现多层次的感知——称为深度学习（deep learning）——因为它提供了一种在边缘传感器、在中枢进行智慧处理以及在云端分析的通用方法。

Gemelli说：“首先，数量方面很有帮助——大数据的量越多越好。其次，多样性有助于学习事物的各种不同面向，例如上述人们用来行走的不同步态；第三，感知器必须响应的速度需要加以量化。一旦你定义了这三种参数，就可以为任何特定应用优化神经网络。”

例如，Gemelli说，智能手表/智能手机/智能云端组合可以分别控制大数据。智能手表评估来自个人用户的实时连续数据，然后每隔几分钟将最重要的摘要数据发送到智能型手机。接着，智能手机在一天中只需几次向智慧云端发送趋势摘要即可。最重要的数据点的详细分析就在云端中执行，并反馈回给佩戴智能手表的特定用户，以及为其他智能手表佩戴者适时建议如何达到相同设定目标。

目前，博世正借助在其边缘传感器上加入处理器，以模拟这种三种层级的大脑模型，使其得以辨识并集中大数据趋势，然后再传送至智能中枢。

Gemelli说：“特别是智慧城市需要利用内建处理器的智能传感器，才能实现实时边缘传感器趋势。然后，他们再将这些趋势发送到传感器中枢，分析并发送最重要的讯息至云端，以便为城市管理者分析可行的信息。”

责任编辑：ct