1、凭借既有业务经验积累 ， 推动Edge AI做出标杆应用
在所谓“To B”浪潮中 ， 很多企业尤其是互联网企业的普通做法 ， 都是先制定一个宏观蓝图然后一个个场景去推进 。 而联想在制造业等优势领域的常年耕耘 ， 推动其Edge AI能够在起步期即做到了领域内的深度扎根 ， 做到了先有场景标杆案例后再进行Edge AI宏观布局 。
例如 ， 目前联想Edge AI在手机、笔记本生产线上已经有广泛的落地 ， 其智能化缺陷检测可以大大提升流水线产品缺陷检测的效率和准确率；此外 ， 联想Edge AI还服务其重要的产业链伙伴 ， 例如世界上最大电池生产厂商的电池缺陷检测 ， 等等 。

文章图片

目前 ， 联想Edge AI将主要布局制造、零售、医疗、金融等四个主要领域 ， 在“初生”伊始 ， 就向业界表达出其经受了大规模实践检验的可信度 。 场景和实践先行 ， 让联想Edge AI的快速发展有了市场认知的先天优势 ， 也更容易在特定场景走得更为深入 ， 挖掘更多价值 。
2、凭借技术突破创新 ， 解决Edge AI行业痛点问题
Edge AI在很多应用场景下面临着基础数据不充分的问题 ， 难以支撑通常的那种通过大量数据喂养而来的算法 ， 且边缘设备的计算能力相对于云端又十分有限 ， 不能支撑那些对算力有很高要求的算法 。
由此 ， Edge AI必须做到用更少的数据就能训练出高准确率而又“节约”算力的算法 。
但很多所谓的AI巨头、AI独角兽所拥有的往往还是那些大数据量、大算力支撑的技术 ， 如多模态、大模型 ， 它们引领着AI发展潮流却未必契合Edge AI 。
而联想Edge AI采用了目前业界前沿的小样本学习 ， 可以做到在较少数据量的情况下较好地进行AI模型的训练 ， 提升能力 。
小样本学习如同人类对世界的认知不太需要大量的重复 ， 例如看一个苹果后 ， 其他的苹果基本都能认出来 ， 而大样本学习的逻辑是通过大量的图片训练让AI“认识”几乎所有的苹果形态 。
在这种状况下 ， 小样本学习契合了多样化场景的需要 ， 尤其是在用户基础数据不多的情况下（这种情况十分普遍） 。 此外 ， 联想Edge AI还采用了云端预训练模型的方式 ， 通过压缩、量化把来自云端的优质算法与边缘设备计算能力相契合 。

文章图片

而面对边缘部署较为棘手的升级难题 ， 联想的Edge AI在模型设计初期就借助小样本便利实现了根据应用需求升级的能力 ， 例如 ， 当手机电路板设计发生变化时 ， 用于缺陷检测的Edge AI应用可以自主实现“认知升级” 。
3、凭借硬件的定制化创新 ， 实现两种业务模式的市场契合
规模化和定制化的矛盾 ， 在面向企业的智能化转型升级服务中一直存在 ， 而联想Edge AI以抽出技术共性的巧妙方式解决了这个问题 。
目前 ， 联想Edge AI应用在平台上以AI units（技术单元 ， 类似可组合的积木块）的方式实现了80%左右的共通核心技术 ， 而剩余20%则根据场景进行个性化定制 。 如此 ， 以快速的积木化组合的方式 ， 联想Edge AI的发展摆脱了一个个案例从头做的境况 ， 能够实现较为快速的规模化扩张 ， 做到了标准化与个性化的统一 。
而这也让联想Edge AI附带实现了所谓“一个平台 ， 两种业务模式” ， 即那些有AI开发能力的企业可以快速组建起“小快灵”应用；而没有AI开发能力的客户 ， 订阅模式下系统可以根据场景需求自动组合、提供AI解决方案 。