新时代的到来，这是数字化转型的主要驱动力。工业物联网将带给我们重大好处，并且像任何技术/数字操作模型的演进过程一样，优化这些功能将面临挑战。关于工业物联网，目前在数据换算和工作速度方面有局限性，影响工业物联网的成功。难怪在该领域中，我们加强了和训练和推断，这些努力共同促成规模化和接近即时的决策。总的来说，这统称为

　　人工智能理论最初由达特茅斯学院的约翰·麦卡锡（John McCarthy）于1956年提出，涉及到开发利用计算机系统执行常常要利用人类智慧才能完成的任务。例如，高级人类活动包括：视觉感知、决策和语言翻译。虽然人脑毫不费力地同时处理许多这些事务，但计算机在历史上一直难以实现类似人类的认知。

　　然而，55年后，特别是在过去10年中，人工智能所依仗的底层技术，如计算机科学、先进的芯片、强大的计算能力，以及传输并处理现代世界丰富所需的连接，改变了人工智能的现状。人工智能不再局限于于认知任务。

　　人工智能在B2B领域得到日益广泛的应用，其中的一个分支是机器学习（ML），这是一套技术，其特点是采用类似于针织物编织的算法：将多个部件拼接在一起，以加速计算机的学习过程。为此，ML采用自我纠正决策，并加倍采用成功策略，同时跟着时间的推移削减效率较低的模式。它是一个强大的数字化转型工具，使我们更接近与实现工业4.0的所有潜力，而工业4.0是以更有力或极端的方式运行的工业物联网。

　　这种技术的特点是非常全球化，AI/ML中的巨大潜能，可促使全球工业取得巨大进步。显然，那些能够在AI和机器学习（AI/ML）方面取得领先的国家，将会在工业演进中占据市场占有率。但是，我们的底线在哪里？谁在我们前面？谁是主要竞争者，在迈向工业4.0未来过程中，关键驱动力是什么？

　　最近的研究1表明，虽然美国/欧盟长期处在探索时代的领头羊，但日本和韩国的拥有数量最多的人工智能专利申请2，而中国则在实施1方面走在了前列。在AI系统方面，美国专注于对初创企业的投资、研发资金和芯片设计等关键领域，但亚洲却拥有庞大的人口和相应的产业基础，能够最终靠ML促进工业自动化的发展和数字化转型。

　　中国国家高层的中国制造2025战略是在此前提下制定的。在最初构思和定义时，该战略的预期效果不如工业4.0，但AI和ML技术的进步正在最终加速工业自动化的转型，工业4.0及其对大量数据集的操作处理是一个越来越现实的目标。

　　那么，尽管中国可能正在公共AI领域占据头条新闻，但从目前情况去看，台湾的信息通讯技术与半导体产业是智能技术发展的坚实基础。在东亚其它地区，重点是扩大该技术在工业和家用机器人无人驾驶汽车、智能医疗保健、智能制造和智能城市项目中的应用，就像一家大型汽车开发商在富士山脚下规划的项目一样。

　　中国的相关发展是强劲和先进的，中央和企业家有决心在这方面在全球占据主导地位。更具体地说，在中国和其它地方，缩小IT与OT之间的差距是一个重要的条件，它决定了工业4.0的实现速度或成功程度，而在这方面AI/ML很重要，因为不同规模的工业公司寻求将其运营和数据程序进行高效结合。简言之，通过数据处理、分析和模式/趋势变化分析，谨慎实施AI/ML将提高运营效率并加快加工速度。AI/ML和工业4.0的魅力当然适合中国（和全球）大多数行业，可突显这一些行业的潜力和实力。

　　中国针对人工智能宣布了雄心勃勃的目标。他们要在这项技术中占了重要地位，然后走向全球领头羊，这将是国家当务之急。在推动第一先考虑AI和领导爆炸式发展方面，政府并不掩饰其积极姿态。

　　因此，抓住机遇去实现这方面的目标似乎是中国目前针对AI/ML的做法，因为它期待在百度，阿里巴巴和腾讯这三家老牌互联网龙头的帮助下实现工业4.0的超高效生产目标，这三家有突出贡献的公司统称为BAT。他们都积极投资于人工智能技术。

　　搜索引擎龙头百度开展了三大人工智能相关投资项目：Apollo，一个雄心勃勃的全球性无人驾驶开源项目；DuerOS，一个支持语音的数字助理；百度ABC，一个面向企业的云平台。

　　2019年9月，阿里巴巴宣布了其人工智能加速器芯片汉光800。汉光800采用12纳米的工艺制造，包含170亿个晶体管，可处理每秒78，563张图片（IPS）和每瓦每秒500张图片（IPS/W），这是以ResNet-50为基准的评测结果。

　　腾讯拥有用户群最大的社会化媒体平台-微信，并作为全球最大的视频游戏发行商，于2016年在中国启动了AI实验室，随后于2017年在美国华盛顿贝尔维尤开设了人工智能研发中心，致力于语音识别和自然语言处理（NLP）。

　　可以说，AI/ML背后的关键成分或构件是数据，而连接性是将数据带向有意义与影响力方向的胶水。假如没有连接功能来传输数据，成功推进工业4.0这一趋势将受到限制。

　　作为一个概念和现实，机器学习（ML）在全球和地方两个层面都提供了非常高效的经济模式。数据集能够最终靠ML快速和大规模构建，方法是算法训练，然后产生有见解的推断以支持战略决策。通信的进步非常接近实时传送水平，就像5G的快速发展和推出一样，这推动了人工智能（AI）以惊人速度进入应用阶段。

　　这些潜在应用既分散又高度本地化，类似于无人驾驶汽车的发展，以及在更大范围内类似于金融科技（fintech）和供应链管理（SCM）。目的是实现自动化和生产效率的创新飞跃。

　　在可扩展性方面，AI服务（AIaaS）和ML服务(MlaaS)已经建立，其相比SaaS（软件服务）能提供更准确的解决方案来实现用户需求。软硬件的结合将提高计算能力和学习潜力，最重要的是加强数据管理，这反过来又将促使AI/ML在深度和多样性方面都能顺畅扩展。例如，中国通过5G来推进实现先进的连接性和较低的延迟度，并挖掘更大的数据潜力，中国在量子计算等领域也取得进步，这些进步使其具有计算能力优势，因此可扩大其AI/ML成就。

　　事实上，最近针对AI/ML对SCM（供应链管理）的影响所做的市场分析3得出结论，人工智能型供应链的效率可提高60%，该供应链降低了风险和整体成本。到2025年，服务于SCM的基于云的AIaaS市场将在全球达到19亿美元规模。到2025年，服务于SCM且涉及到背景感知计算的AI市场将达到13亿美元规模。到2025年，涉及物联网解决方案前沿计算的人工智能型SCM市场将达到32亿美元。

　　在Molex莫仕，我们正真看到AI/ML的价值可能会呈指数级增长。计算机不仅会判别模式，而且还会证明和解释决策，并提出新的建议。这些功能具有巨大的潜力来推荐产品功能，同时在增加产量之前预测产品需求，以确保在该过程中改善客户体验。

　　虽然AI/ML将提高B2B决策的效率和准确性，但我们一定要认识到：数据服务、功耗和训练模型等重要的条件还是不同于人类的智慧、判断和输入。在许多情况下，在B2B领域的决策中，情感和创造性的输入比其它领域更被需要。关键是启用UI（用户界面）功能，以促进适当的专注和执行，来获得AL/ML带来的好处。

　　AI/ML处于全球拐点，可以收集数据并将其大规模使用。AI/ML是未来。然而，云在通信中呈现延迟，AI/ML处理正逐渐迁移到前沿计算。例如，在汽车中，智能手机和笔记本电脑和相关的各种本地设备和场合都需要具有前沿计算速度的AI/ML。作为工业互联网转型版的工业4.0需要采用具有前沿计算速度的AI/ML，无数本地设备必须以接近实时的速度进行互连、联网和互操作，而数据包不会丢失或被破坏。

　　这仅仅是因为工业4.0寻求超高效的生产效率，它采用一个恒定过程来从部署在生产的全部过程每个点的传感器阵列中获取数据反馈。这形成了巨大的数据集，为机器学习提供基础，接着进行人工智能的推断，以促成B2B决策。

　　正是随着向本地、前沿和无处不在的计算的迁移，电子与半导体世界的供应商与分销商将确保通过数字化转型为企业战略提供AI/ML技术的巨大潜力，并使AI/ML成为B2B级别的变革性工具箱和成套技能。

　　随着这些数字化转型技术重新定义系统和控制基础设施的部署和未来用途，连接功能在整个这些转型的设计和实施链条中慢慢的变基本。模块化技术的进步使机器的连接程度比以往更加高。简单地说，一切东西都一定要能说话，必须能有效地相互沟通和互动，而高效的连接在成功实现工业4.0中起着至关重要的作用。Molex在AI的演进中发挥着至关重要的作用，支持开发并应用AI功能来实现客户的产品创新、质量、效率等，确保我们的客户把有效的数据和连接功能放在其战略目标的核心地位，能够积极关注工业4.0及随后的发展。

　　将在各行各业为创新设计带来新的动力，它也将催生新的业态和商业模式，引发现有

　　，而是使用人类推理作为提供更好服务或创造更好产品的指南。但是这有啥作业呢？我们来看看目前的方法。ML：解析，

　　和核心驱动力，将重构生产、分配、交换、消费等经济活动各环节，深刻改变人类生产、生活方式和思维方法，正成为国际竞争新焦点和经济发展新引擎。世界主要发达国家把

　　带来了新的机会和紧迫性，预计在2021年将会有更大的发展。疫情显然慢慢的变成了一种催化剂，从产品创新到

　　垂直领域得到普遍应用。根据2020年的一项估计，37% 的组织已经在使用这种或那种形式的

　　支持140亿参数AI模型，229TOPS！英特尔重磅发布第一代车载独立显卡

　　e2studio开发磁力计LIS2MDL(1)----轮询获取磁力计数据

　　STM32进行DMA数据转运，为什么只有A组最后一位数据被转运到B组去？

　　【核桃派ZeroW开发板体验连载】小小气象站 03 aht10、bmp280测试

　　国产芯上运行TinyMaxi轻量级的神经网络推理库-米尔基于芯驰D9国产商显板