为了克服BigData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…

　　智能传感器模拟人脑解读大数据

　　德国电子公司罗伯特·博世(RobertBosch)认为，为了克服大数据(BigData)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能的智能传感器——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。

　　BoschSensortec业务开发主管MarcellinoGemelli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&SensorExecutiveCongress;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最佳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，再沿脊髓传送摘要资讯(在电压突波上编码)至被称为‘oldbrain’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，经过预处理的资料经由一个巨大的互连阵列——称为“白质”(whitematter)——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。

　　智能传感器模拟大脑以三个层次进行建模：以腕戴型穿戴装置即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：“大脑神经网路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。”

　　摩尔定律的影响

　　摩尔定律(Moore’sLaw)也有助于实现多层次的感知——称为深度学习(deeplearning)——因为它提供了一种在边缘传感器、在中枢进行智能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，感知器必须回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最佳化神经网路。”

　　例如，Gemelli说，智能手表/智能型手机/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即时连续数据，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，智能型手机在一天中只需几次向智能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，博世正借由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：“特别是智能城市需要利用内建处理器的智能传感器，才能实现即时边缘传感器趋势。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资讯。”