一种采用自然语言模型的新方法正在扩大人工智能在边缘计算领域的应用。利用一种先进的人工智能（AI）技术，只需在现场布置极少数量的传感器，就能重建大量数据集，如海洋积温。这种方法利用高能效的"边缘"计算，在工业、科学研究和医疗保健等各个领域都有广泛的潜在用途。

在使用自然语言模型方面的一项创新将人工智能引入了包括无人机在内的可现场部署的传感器。洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）正在探索人工智能技术，用于定位和描述会排放导致气候变暖的甲烷的无主油气井。资料来源：洛斯阿拉莫斯国家实验室

洛斯阿拉莫斯国家实验室研究员哈维尔-桑托斯（Javier Santos）说："我们开发了一种神经网络，它能让我们以非常紧凑的方式表示一个大型系统。这种紧凑性意味着，与最先进的卷积神经网络架构相比，它需要的计算资源更少，因此非常适合在无人机、传感器阵列和其他边缘计算应用上进行实地部署，使计算更接近其最终用途。"

新颖的人工智能方法提高了计算效率

桑托斯是洛斯阿拉莫斯研究人员团队在《自然-机器智能》（Nature Machine Intelligence）上发表的一篇论文的第一作者，他们将这种新型人工智能技术称为 Senseiver。这项工作以Google开发的人工智能模型 Perceiver IO 为基础，将 ChatGPT 等自然语言模型的技术应用于从相对较少的测量数据中重建广阔区域（如海洋）信息的问题。

研究小组意识到，该模型因其高效性而具有广泛的应用前景。论文共同作者、洛斯阿拉莫斯研究人员丹-奥马利（Dan O'Malley）说："使用更少的参数和更少的内存需要更少的计算机中央处理单元周期，因此它在更小的计算机上运行得更快。"

桑托斯和他在洛斯阿拉莫斯的同事们在已发表的文献中首次验证了该模型的有效性，他们演示了该模型在现实世界稀疏数据集（指从传感器获取的信息仅覆盖感兴趣区域的极小部分）和三维流体复杂数据集上的有效性。

在展示 Senseiver 在现实世界中的实用性时，研究小组将该模型应用于美国国家海洋和大气管理局的海面温度数据集。该模型能够整合数十年来从卫星和船上传感器获得的大量测量数据。通过这些稀疏的点测量数据，该模型预测了整个海洋的温度，为全球气候模型提供了有用的信息。

将人工智能引入无人机和传感器网络

Senseiver 非常适合洛斯阿拉莫斯感兴趣的各种项目和研究领域。

洛斯阿拉莫斯国家实验室研究员、环境科学家兼 Senseiver 相关论文的共同作者哈里-维斯瓦纳坦（Hari Viswanathan）说："洛斯阿拉莫斯拥有广泛的遥感能力，但使用人工智能并不容易，因为模型太大，无法安装在现场的设备上，这就导致我们需要边缘计算。我们的工作将人工智能的优势带到了无人机、基于现场的传感器网络，以及目前尖端人工智能技术无法触及的其他应用中"。

人工智能模型在实验室识别和描述无主井的工作中尤其有用。该实验室领导着由能源部资助的"评估丢失油气井技术联盟"（CATALOG），这是一项联邦计划，其任务是确定无记录无主井的位置和特征，并测量其甲烷排放量。Viswanathan 是 CATALOG 的首席科学家。

该方法为自动驾驶汽车、油气资产远程建模、病人医疗监控、云游戏、内容交付和污染物追踪等大型实际应用提供了更强的能力。