稍加留意，你就會發現越來越多的人開始使用有健康和健身功能的可穿戴裝置，比如Fitbit，Garmin 等。
但很少人知道，感測器還用於檢測大橋和建築物的結構完整性，或跟蹤昆蟲等生物的運動等。
物聯網正迅猛增長，10年以後將有幾百億量級的感測器裝置接入網路。這些聯網的感測器裝置將實現各種經濟領域的流程自動化，比如工業廠房，醫療管理等，最終促進生產力甚至是人們生活質量的提升。
然而讓人眼花繚亂的感測器裝置大多都具有相似的核心內容。比如都會有一個微處理器，一個記憶體，還有個奇怪的或無線的通訊介面連線到網路，以及一塊電池或其他能源裝置等。
每種應用和物聯網裝置都會有自己獨特的應用場景，比如地理位置，周圍環境的情況，本地區居民的行為等。單個裝置將透過觀察使自己更適應於特定的應用背景。
進入人工智慧時代
那麼，物聯網加人工智慧會有什麼化學反應？有了AI以後，裝置就可以隨著環境的變化不斷演化自己的行為，就像生物根據周圍環境最佳化自己的行為一樣，常見的小型物聯網裝置中或許也會執行可隨時間不斷演化的AI軟體。
比如說，現在的智慧手錶或手機等便攜的移動裝置經常會一刀切地給使用者統一地提供所需的大量特徵和應用程式。
為使裝置個性化，使用者不得不手動單獨配置每個應用，隨著自己偏好的改變不斷升級配置。
如果裝置可以透過觀察使用者的使用模型，自動了解到使用者的偏好呢？這將有助於個性化過程的自動化。
如果裝置還沒有遇到過某些場景怎麼辦？裝置有可能學習未知場景中使用者的偏好嗎？
在這些問題上，AI機器都可以透過分享各自的資訊，促進對方提高學習速度和效率，並使不同裝置的學習速度得到乘數效應。
說說智慧手機
我們曾探討過，兩個相近的智慧手機可以透過執行各自的AI機器和分享各自程式中的邏輯塊，以加速學習如何延長電池壽命。（請看連結http：//www。sciencedirect。com/science/article/pii/S1568494614004232）
相互學習的益處來源於兩個方面。第一，每個手機透過獨立學習發展出自己的程式邏輯的遺傳物質——有點類似於演化。
人們稱之為進化計算中的“island model”。物聯網中，每個裝置都成為了自己的“island ”。這些裝置會偶爾分享自己學習到的東西。
這進一步提高了裝置的基因庫多樣性，在一個可以學習或演化的系統中，多樣性的提高可能會使該系統受益。同時，這也意味著兩個裝置知道了如果更好地響應由其他協作裝置先觀察到的新環境。
動物追蹤同樣激發了物聯網裝置中協作式AI的發展。為跟蹤家畜、寵物或野生動物的位置和活動，這些裝置通常放在動物脖子或耳朵上的標籤上。
為了得到準確的追蹤資訊，每個裝置都需要學習所追蹤動物的特定的移動特徵，比如品種，年齡，性別等，而應用AI則有助於蒐集這類資訊。
然後，如果兩個以上動物相遇，物聯網裝置就可以分享各自對動物運動學習到的內容，使其他放在有相似特徵的動物身上的裝置加速學習過程。
預測故障
物聯網中的學習分享不僅僅受限於跟蹤動物和人類活動的裝置，還可以用於檢測大橋或公路的結構一體性的裝置等。
很多應用例項中，由於成本和距離過遠等因素，裝置可能與網際網路並無通訊連線，但裝置可以蒐集本地資訊，從其負責觀察的可能會預測故障的感測器裝置資料中，學習到特定模型。
因為故障相對較少，與相鄰裝置分享學習資訊，可以使尚未遇到故障的物聯網裝置更加明確資訊搜尋範圍。
想要使物聯網裝置分享學習內容，還有一些問題尚未解決。裝置如果參與了分享式學習環境會破壞使用者的隱私嗎？這取決於AI演算法是否分享有內在含義的資訊，比如遺傳規劃（GP）等。
還必須保證物聯網裝置能夠在不斷學習如何適應新環境的情況下，持續執行日常任務。還需要制定相應的安全控制機制，比如嚴格限制裝置的學習內容，規定不能在學習過程中改變的內容等。
另一個問題是，一個裝置在決定與某個周邊裝置協作時，如何確定其是否可信呢？如果某個惡意實體進入網路，想要將破壞性的邏輯注入共享的物聯網學習環境怎麼辦？對這些問題還需要我們創造新的方法。
物聯網裝置相互學習功能還處於發展初期，我們應不斷丟擲問題，繼續關注、討論並實踐。
