人工智能技術(shù)的復(fù)興，主要歸功于過去幾年以來以IT為代表的計算能力的顯著提升。在與圖形處理單元（GPU）以及云計算資源的彈性特征配合使用的情況下，在機器學(xué)習(xí)與自然語言處理實例當(dāng)中，AI提出的計算資源需求對于企業(yè)而言終于不再是可望而不可及的奢求。

盡管如此，還有另一種不那么廣受關(guān)注但又同樣重要的AI復(fù)興趨勢，即AI技術(shù)被應(yīng)用于物聯(lián)網(wǎng)與邊緣計算場景當(dāng)中。

而所有這一切，都必須通過存儲底層來支撐——換言之，除了計算能力之外，存儲已經(jīng)成為AI在數(shù)據(jù)生態(tài)系統(tǒng)當(dāng)中發(fā)揮重要作用的另一支柱。存儲對于AI技術(shù)之所以不可或缺，是因為AI巨大的計算量需要對數(shù)據(jù)進行大規(guī)?？焖僭L問，而這方面要求在邊緣計算與備份等實際場景中又顯得更加現(xiàn)實且突出。

當(dāng)配合理想的存儲容量時，AI的計算速度才能夠為諸多有利于智能物聯(lián)網(wǎng)（IIoT）的前沿邊緣計算用例提供助力。

人臉識別。智能物聯(lián)網(wǎng)的存儲要求主要體現(xiàn)在邊緣計算應(yīng)用當(dāng)中。比如，美國國防部目前正在利用人臉識別等AI技術(shù)對偏遠地區(qū)進行管理，用以驗證進出設(shè)施的具體人員。很明顯，涉及高級機器學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)以及統(tǒng)計認知計算等因素的人臉識別技術(shù)，對存儲設(shè)備提出了特殊的要求，而這，也是確保其正常運作的基礎(chǔ)所在。在這個特定用例當(dāng)中，人臉識別的實現(xiàn)在很大程度上依賴于存儲對邊緣計算的支持。

AI在邊緣。在之前提到的示例與其它邊緣AI部署方案當(dāng)中，存儲單元往往面臨著一系列特定要求。一般來講，縮小設(shè)備尺寸對于實現(xiàn)物聯(lián)網(wǎng)而言至關(guān)重要。因此，尺寸成為了邊緣位置下，附加存儲設(shè)備的核心設(shè)計因素，而在這樣的設(shè)計下，同時還要保證其在“瘦身”之后仍然有能力處理AI所需要的數(shù)據(jù)規(guī)模。

移動邊緣計算。此外，便攜性的重要性同樣在不斷攀升，除了邊緣存儲之外，包括邊緣計算本身也在強調(diào)便攜性。目前最典型的案例，就是大量智能手機正在持續(xù)生成傳感器數(shù)據(jù)。盡管與智能物聯(lián)網(wǎng)中的IT資產(chǎn)相比，智能手機可能并沒有那么大的存儲需求，但它也從另一個方面強調(diào)了便攜性的優(yōu)勢。另一個典型例子是部署在偏遠地區(qū)的軍用戰(zhàn)斗車輛上的存儲單元。

智能邊緣。存儲對于智能物聯(lián)網(wǎng)的提升至關(guān)重要，它使得相關(guān)設(shè)備能夠根據(jù)需要卸下數(shù)據(jù)、按需訪問數(shù)據(jù)，并支持由部署在云端的AI提出的計算要求。如此一來，AI技術(shù)的可行性將不僅延伸至認知計算，現(xiàn)時也將延伸至物聯(lián)網(wǎng)領(lǐng)域。此外，便捷而可靠的存儲對于集中部署的AI方案同樣必不可少，并直接為我們帶來了當(dāng)前各類常見的AI實現(xiàn)成果。