当你为物联网项目规划好发展路线后，下一步就是将其提升至更高水平。比如，主动说话人识别、预测性维护——这些令人瞩目的功能背后，通常都离不开机器学习。而实现机器学习的最佳路径，就是充分利用手头更高性能的硬件与配套软件，把系统潜力发挥到极致。

值得注意的是，机器学习在嵌入式领域仍属较新的技术。不过，英特尔、AMD、nVidia 这些主流处理器厂商，各自都推出了机器学习的实现方案，且技术迭代速度极快。好消息是，这些处理器都能通过 SUSE 工具来落地机器学习。每一类处理器上，都可以（或很快就能）使用基于 TensorFlow 闪存映像的容器——TensorFlow 是目前最主流的开源机器学习框架。

短短几年间，TensorFlow 已被开发者社区广泛接纳，成为免费开源的利器。它凭借在众多平台上的易用性与部署便利性，稳稳占据了机器学习的头把交椅。该框架帮你搭建神经网络，用于开发各类机器学习应用。与之搭配的编程语言也日益丰富，C++、Python、Java、JavaScript 等主流语言悉数支持，其他语言通过第三方包也能实现兼容。

在物联网边缘部署机器学习，如今已是常见做法。为何选择在边缘端而非云端运行？原因有三。第一，前文提到的微处理器能力，已足以应对大量处理需求。第二，在边缘端进行机器学习，能彻底消除数据往返云端带来的延迟。在实时或近实时场景下，这点时间差可能直接决定应用的成败。比如你设计的是一款医疗设备，实时响应可能就是生与死的差别；再比如自动驾驶，将数据传到云端再回传，搞不好就真的“撞车”了（字面意思）。第三，在边缘端处理数据，能省去与云端之间传输和接收的流量费用。假设你用蜂窝网络传输，机器学习应用要推送的数据量可不小，成本会迅速攀升。通常只有计算最为密集的应用，才必须借助云端的庞大资源。

SUSE 的嵌入式 Linux 操作系统可内嵌到最终应用中，帮你构建一个安全、灵活且可扩展的系统。该系统基于经过时间考验的成熟操作系统，物联网系统设计人员早已发现，用它来开发、维护、演进和管理嵌入式 Linux 物联网系统，在各类平台、应用和行业中都游刃有余。开源特性更意味着你可以自由搭配各种设备、硬件和器件。

它让开发者在熟悉的环境内工作，同时提供即时可用的工具与培训、实时安全性，以及贯穿整个产品生命周期的全面支持——代码修复、补丁、更新，一应俱全。灵活的订阅模式还能帮你降低成本，方便产品顺利扩展。

好了，路线图已经明确，行动命令也已下达。让机器学习来引导你的应用吧——只要实施得当，它会告诉你下一步该怎么走。