面向中低收入国家的边缘人工智能洞察报告

核心观点

• 全球 AI 基础设施存在鸿沟：目前全球 AI 生态系统主要依赖集中式云基础设施，而低中和低收入国家 (LMIC) 在计算能力、可靠的网络连接和稳定的能源供应等方面存在结构性差距，导致其在 AI 领域发展受限。
• 边缘 AI 成为重要解决方案：边缘 AI 通过在数据生成源头或附近进行推理，减少对云基础设施的依赖，成为 LMICs 部署 AI 的可行方案。智能手机作为 LMICs 主要的数字接入设备，将成为边缘 AI 部署的重要平台。
• 智能手机能力与采用趋势：短期内，支持轻量级 AI 工作负载的中端智能手机将成为边缘 AI 发展的主要驱动力。然而，设备的价格、获取渠道和数字技能等因素仍将限制其普及。
• 成本效益分析：边缘 AI 的成本效益取决于使用模式和应用程序类型。低频或偶尔使用的应用程序，云推理可能更具成本效益；而高频使用或数据密集型应用程序，边缘推理则更具优势。
• 混合架构成为主流：边缘 AI 部署将采用混合架构，结合本地推理和云端协调，以平衡性能、成本和可靠性。
• 最小化可行计算：AI 系统设计将围绕特定任务和部署环境所需的最小计算能力，而不是以超大规模云基础设施为默认部署模型。
• 案例研究和部署现实：边缘 AI 已在医疗保健、农业、教育、生物多样性等领域得到应用，例如离线诊断、作物监测、个性化学习和环境监测等。
• 负责任 AI 部署：边缘 AI 部署需要考虑公平性、问责制、隐私和人类监督等负责任 AI 原则，并根据当地部署现实进行调整。
• 规模化边缘 AI 的挑战和机遇：边缘 AI 的规模化取决于设备价格、连接性、能源可靠性、数字技能、政策框架和访问互补服务等因素。

关键数据

• 全球 60% 的人口通过移动设备接入互联网。
• 在 LMICs，约 51% 的人口拥有智能手机。
• 非洲智能手机渗透率最低，60% 的移动互联网用户仍使用 3G 智能手机或功能手机。
• 预计到 2030 年，印度和印尼将成为亚太地区边缘 AI 智能手机采用率最高的市场。

研究结论

边缘 AI 为 LMICs 提供了一种更具包容性、弹性和本地相关性的 AI 部署方案，但需要解决设备价格、连接性、能源供应、数字技能和政策框架等结构性问题，才能实现其规模化应用和广泛影响。