環(huán)顧四周，你會看到廣泛佩戴健康和健身可穿戴傳感器設備的身影，例如Fitbit、Garmin、小米或其他設備。

許多人不知道的是，我們還使用傳感器來監(jiān)測橋梁和建筑物的結構完整性，以及跟蹤昆蟲和其他動物的活動。

隨著物聯(lián)網（ IoT ）的迅速發(fā)展，預計未來十年將會有數(shù)百億個物聯(lián)網傳感器設備連接起來。這些連網的傳感器設備將自動化各個經濟領域的流程，從制造工廠到醫(yī)療保健管理等等，從而提高生產力，并改善生活質量。

這些傳感器設備將部署在廣泛的應用領域，它們都具有微處理器、存儲器、有線或無線通信接口，以及電池或其他能源。

每個應用程序和物聯(lián)網設備都將迎來自己獨特的環(huán)境，例如其位置、周圍環(huán)境的條件以及該地區(qū)人們的行為，個別設備將觀察并適應其獨特環(huán)境。

加入人工智能

那么，當我們將人工智能（ AI ）引入到這個組合中會發(fā)生什么呢？有了人工智能，這些設備可以根據(jù)不斷變化的環(huán)境來優(yōu)化它們的行為，就像生物如何根據(jù)周圍環(huán)境優(yōu)化它們的行為一樣，即使是我們周圍較小的物聯(lián)網設備也可以運行人工智能功能，并隨著時間推移進化它們的系統(tǒng)。

想想便攜式移動設備，例如智能手表或智能手機，通常提供大量適用于所有用戶的功能和應用程序。

要對其進行個性化設置，用戶必須單獨手動配置每個應用程序，并隨著時間推移不斷更新這些配置。

如果設備本身可以通過觀察我們的使用模式來了解我們的偏好，會怎么樣？這有助于個性化過程的自動化。

那么，對于我們設備還沒有經歷過的情況呢？該設備是否有可能了解我們在未知情況下的偏好？

這是人工智能設備可以通過彼此分享信息來幫助彼此更快、更有效地學習的地方，從而對這些設備的學習速度產生倍增效應。

會說話的智能手機

舉例來說，我們已經展示了彼此靠近的智能手機如何既能運行自己的人工智能模塊，又能分享程序中的邏輯塊，以加速學習如何保持電池壽命。

這些好處背后有兩個原因。首先，每部手機都是獨立學習，開發(fā)自己的程序邏輯遺傳材料——各種各樣的進化。

這在進化計算中被稱為“島嶼模式”。在物聯(lián)網中，每臺設備都成為自己的“孤島”，有時，這些設備會分享它們學到的知識。

這增加了它們遺傳庫的多樣性，這對學習或進化的系統(tǒng)是有益的，這也意味著兩個設備都知道如何更好地對其他協(xié)作設備最初可能觀察到的新環(huán)境做出反應。

動物跟蹤提供了物聯(lián)網設備中協(xié)作人工智能（AI）的類似驅動程序，設備經常被放置在項圈或耳標上，以跟蹤牲畜、寵物或野生動物的位置和活動。

為了提供準確的跟蹤信息，每臺設備都需要了解它正在跟蹤動物的具體運動特征——例如物種、年齡和性別——這是人工智能可以幫助的。

然后，當兩個或更多動物相遇時，物聯(lián)網設備可以分享它們對動物運動的了解，這可以加快其他設備對具有相似特征動物的學習過程。

預測故障

物聯(lián)網中共享學習的好處不僅限于動物和人的設備，還可以用于監(jiān)控橋梁或道路結構健康狀況的設備。

在許多情況下，由于成本高昂和位置偏遠，這些設備無法與網絡有效鏈接，但是它們可以在本地收集信息，并學習觀測到傳感器數(shù)據(jù)中可能預測故障的特定模式。

由于故障相對較少，因此與相鄰設備共享學習提供了更大的資源庫，用于培訓可能尚未遇到故障的物聯(lián)網設備，以及需要注意的事項。

在實現(xiàn)物聯(lián)網設備共享學習的道路上，仍有一些懸而未決的問題，比如，如果設備參與共享學習環(huán)境，它是否會損害其所有者的隱私？答案是，這取決于人工智能方法是否共享具有內在意義的信息，例如遺傳編程。

物聯(lián)網設備還需要確保在學習如何應對新情況時繼續(xù)完成日常任務。更需要設計適當?shù)陌踩刂拼胧?，例如對設備可以學習什么，以及為了響應學習而不應該改變的內容設置嚴格限制。

另一個問題是，在決定與哪些設備協(xié)作時，設備如何知道信任哪些相鄰設備？如果惡意實體進入網絡，目的是將破壞性邏輯注入共享物聯(lián)網學習環(huán)境，會怎么樣？因此，仍然需要創(chuàng)建方法來全面解決這些問題。

那么，我們在哪里可以找到可以相互學習的物聯(lián)網設備呢？雖然它們的應用仍被認為處于初級階段，但潛在的機會還是值得我們關注、辯論和調查。