今年的消费电子里，伴随着人工智能技术的快速推进，智能玩具，特别是萌宠机器人的新品越来越多。
早在2019年，日本公司GROOVE X就打造出了家庭陪伴机器人“LOVOT”，并在2023年2月进入中国大陆市场。2023年5月，日本松下公司也推出了同类产品NICOBO，用其可爱呆萌的外观治愈了很多孤独的人。
最近卡西欧自主开发的小型宠物机器人“Moflin”也成为热门话题，可放在手掌上的可爱外观和动作加上合适的价格，使得这款首次发售的产品比预期更早售罄，颇受欢迎。
Moflin去掉了传统的高性能机器人具备的活动手脚等。减少了直接关系到成本的马达数量等，呈现出可放在掌上的像小动物一样的外观和动作。此外，考虑到即使不说话也能显得可爱和带来治愈，并没有搭载说话功能。没有设定主题，只注重让人感到可爱的尺寸、外观和动作。虽然去掉了说话和走路等要素，但Moflin拥有最尖端的技术。搭载了卡西欧自主开发的专注于情感的AI。根据主人的触碰方式和说话方式等，Moflin的情感会发生变化，逐渐形成自己的性格。据悉，花费50天左右，经过情感表现范围扩大等成长后，形成不同个性，总共有400万种以上。
国内由萌友智能研发的AI毛绒萌宠Ropet，产品在去年12月完成研发并上线众筹平台Kickstarter，筹集金额已超500万港元。Ropet立足情感陪伴，从视觉、听觉、触觉等多个方面打造出了萌宠机器人，为那些高情感需求的人提供了一种另类的陪伴，特别适用于年轻独居女性群体。
我注意到，Ropet采用了离线方式的推理技术，将使用过程中所有的原始数据，都只通过端侧大脑处理，将数据矩阵变成一些简单的代码长时间储存至本地，并保证在断网环境下能够完成。对人们的行为也只是识别并不会记录，以此来保证用户隐私不受到人工智能的“侵犯”。
按照其团队的说法，在欧美对隐私安全十分敏感的地区，如不能很好地保证隐私安全，将失去很多潜在购买者。无论是AI软件还是硬件产品，隐私安全一直以来都是被关注的重点。随着与AI“相处”得越来越默契，依赖感增强的同时，用户也变得警惕起来。并发出类似“AI这么了解我，是否窃取了个人隐私数据？”这样的疑问。
欧美对于智能玩具有比较严格的隐私保护法规：
1. 美国的COPPA法案：美国1998年通过的《儿童网络隐私保护法》（COPPA）明确规定，智能联网玩具和其他物联网设备属于COPPA涵盖的在线服务范围，必须遵守隐私保护要求。
2. 欧盟的GDPR和AI法案：欧盟2016年通过的《一般数据保护条例》（GDPR）首次明确为儿童数据提供特别保护。此外，欧盟新《人工智能法》要求使用人工智能技术的玩具必须遵守网络安全、个人信息保护和隐私要求。
智能玩具的隐私风险是客观存在的。智能玩具通常内置麦克风、摄像头、GPS和语音识别技术，通过Wi-Fi和蓝牙连接互联网，可能收集儿童的姓名、地理位置、照片、音频和视频等信息，存在数据泄露风险。例如，2017年美国FBI曾警告，联网玩具可能被黑客利用，获取儿童的隐私信息。
采用离线推理模式，可以减少数据传输过程中的隐私风险，避免儿童信息被上传到云端或第三方服务器，从而更好地保护儿童隐私。
欧美对隐私保护的高度关注确实会促使智能玩具更多地采用离线模式进行推理，以减少隐私风险并符合相关法规要求。
在边缘推理中，从技术和运营成本的角度，离线和在线方式各有利弊。
离线边缘推理：
优点
1. 低延迟：数据处理在本地完成，无需依赖网络传输，响应速度更快，适合对实时性要求高的场景。
2. 隐私保护：数据在本地处理，不上传到云端或外部服务器，减少了隐私泄露的风险。
3. 离线可用：即使在网络不可用的情况下，设备仍能正常运行。
4. 节省带宽：减少了数据传输量，降低了网络带宽的使用。
5. 降低成本：减少了对云端资源的依赖，降低了长期运营成本。
缺点
1. 计算资源有限：边缘设备的计算能力、存储空间和能源供应通常有限，难以处理复杂的模型。
2. 模型更新困难：离线模式下，模型的更新和优化需要手动操作，不如在线模式灵活。
3. 初始部署成本高：需要在边缘设备上部署硬件和软件，可能增加初始投资。
4. 维护复杂：边缘设备分布广泛，管理和维护难度较大。
在线边缘推理：
优点
1. 计算能力强大：可以利用云端的强大计算资源，处理复杂任务。
2. 模型更新灵活：模型可以在云端进行训练和更新，实时同步到边缘设备。
3. 易于扩展：通过云端管理，可以快速扩展到更多设备和场景。
4. 资源优化：可以根据需求动态分配计算资源。
缺点
1. 依赖网络：需要稳定的网络连接，否则可能导致延迟或服务中断。
2. 隐私风险：数据需要传输到云端，增加了隐私泄露的风险。
3. 带宽需求高：大量数据传输会增加网络带宽的使用。
4. 成本较高：长期依赖云端资源会增加运营成本。
离线边缘推理更适合对实时性、隐私保护和可靠性要求较高的场景，如自动驾驶、智能医疗等。在线边缘推理则适合对计算能力和灵活性要求较高的场景，如复杂的数据分析和动态模型更新。实际应用中，云边协同模式（结合离线和在线的优点）可能是更优的选择。