德国电子公司罗伯特·博世(Robert Bosch)认为，为了克服大数据(Big Data)的挑战，我们必须透过让各个层面智慧化的方式打造解决方案，包括从边缘感测器到集中的感测器中枢，再到云端资料分析。

所幸我们的大脑拥有最智慧的智慧感测器——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。

Bosch Sensortec业务开发主管Marcellino Gemelli在国际半导体产业协会(SEMI)最近举行的年度MEMS与感测器高峰会议(MEMS & Sensor Executive Congress； 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、味蕾和触觉感测器(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'old brain'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」(white matter)——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。

摩尔定律的影响

摩尔定律(Moore's Law)也有助于实现多层次的感知——称为深度学习(deep learning)——因为它提供了一种在边缘感测器、在中枢进行智慧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。」

Gemelli说，智慧手表/智慧型手机/智慧云端组合可以分别控制大数据。智慧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慧型手机。接着，智慧型手机在一天中只需几次向智慧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，并反馈回给佩戴智慧手表的特定用户，以及为其他智慧手表佩戴者适时建议如何达到相同设定目标。

目前，博世正藉由在其边缘感测器上加入处理器，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，然后再传送至智慧中枢。

Gemelli说：「特别是智慧城市需要利用内建处理器的智慧感测器，才能实现即时边缘感测器趋势。然后，他们再将这些趋势发送到感测器中枢，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。」

编译：Susan Hong

参考原文：Beating IoT Big Data With Brain Emulation，by R. Colin Johnson