可能你早已發現，無論是個人消費還是工業應用，如今的物聯網越來越智能了。其中的原因，邊緣計算與物聯網的協同居功至偉。邊緣計算是計算、處理和存儲的未來，這項技術雖然仍處于起步階段，但發展迅速，據Gartner稱，截至2018年，約有10%的企業數據是在“邊緣”生成和處理的，到2025年，這一數字將達到令人震驚的75%。Gartner還預計，在未來3-5年，邊緣計算將成為下一個數百億以上的藍海市場。

對于這個市場和相關技術的發展趨勢，我們應該如何認識？目前有哪些技術資源，可以助力我們在這個潛力巨大的市場中淘金？今天我們就來聊一聊。

物聯網和邊緣計算為何要協同工作？

物聯網（IoT）是指將物理對象連接到互聯網的過程，在網絡上接收和傳輸數據時無需任何人為干預，其生態系統由支持網絡的智能設備組成，這些設備使用嵌入式系統（如處理器、傳感器和通信硬件）來收集、發送和處理從環境中獲取的數據。物聯網設備通過連接到物聯網網關或其他邊緣設備共享它們收集的傳感器數據，在這些設備中，數據被發送到云端進行分析或直接在本地進行分析。現在，物聯網還可以通過人工智能（AI）和機器學習（ML）的幫助使數據收集過程更容易。

在工作中，物聯網產生的大量數據需要進行快速處理和分析，邊緣計算使計算服務更接近最終用戶或數據源，如物聯網設備。這樣一來，物聯網數據就能夠在設備所在的邊緣收集和處理，而不是將數據發送回數據中心或云，對于需要更快啟動或實時操作的工作模式而言，這種操作非常重要。從諸多實例中可以看出，物聯網設備利用計算能力作為快速實時分析數據的手段正變得越來越有價值。

自動駕駛是物聯網和邊緣計算需要協同工作的一個典型示例。我們知道，在道路上行駛的自動駕駛車輛需要收集和處理有關交通、行人、街道標志和停車燈等大量的實時數據。如果車輛需要快速停車或轉彎時，若將數據在車輛和云端之間來回傳送將花費較長時間，無法滿足行駛車輛需要實時處理的需求，存在巨大安全隱患。邊緣計算為車輛帶來了相當于云計算的服務，它使得車輛中的物聯網傳感器得以實時地處理本地處理數據，以避免發生事故的發生。

邊緣智能如何使物聯網受益？

將邊緣計算引入到物聯網中，其優點主要體現在5個方面。

縮短延遲

邊緣計算可以被描述為一種分布式計算方法，它使計算能力和數據存儲更接近數據的主要來源。邊緣計算的首要目標是改善網絡延遲，而物聯網則是一種有助于實現這一目標的特定技術。減少網絡操作的延遲應該是邊緣計算帶給物聯網的最大好處。

減少帶寬

通過邊緣智能，需要實時處理的數據將全部在本地進行處理，通過互聯網發送的的基于云服務用于后期處理的數據大幅減少，有效節省了網絡的帶寬需求。

提高靈活性

邊緣智能既能集中式部署，也可以是分布式解決方案，具有足夠的靈活性。對云邊緣提供商而言，在規模經濟上頗具吸引力。

預測和分析能力

通過邊緣計算，企業可以利用本地收集的數據以及在云中提供的可視性以及分析能力，開展覆蓋全球的業務。此外，通過對業務運營的實時洞察，企業還能借此預測未來的需求，并提供服務創新，提高運營效率。

成本優勢

邊緣計算有助于縮減昂貴的企業內部網絡部署規模。對于最終用戶來說，雖然邊緣計算是一個幾乎看不見的好處，隨著物聯網業務總體成本的降低，他們是最終的受益者。

邊緣計算芯片的興起

隨著邊緣計算和人工智能（AI）的出現，現在的IoT設備正在變得越來越智能。比如，在工廠中安裝邊緣IoT設備，就可以跟蹤機器的工作狀況，并執行預測性維護，從而避免整個系統的故障和損壞；配備了邊緣AI芯片的智能攝像頭除了捕獲視頻外，還能識別人流量、監控潛水員的行為等。

這些僅僅是邊緣計算為IoT帶來好處的一個縮影。在巨大的應用市場帶動下，邊緣計算市場迅速擴張，GraveVIEW在其市場分析報告中預估，全球邊緣計算市場規模在2020時約為47億美元，在2021至2028年間將以38.4%的復合年增長率（CAGR）高速增長。巨大的市場需求有效帶動了邊緣計算芯片的市場開發熱潮。

從概念提出到今天，云計算已經存在10多年了，直至今日，它依然是電子信息行業的發展熱點。基于云的機器學習的興起深受GPU（NVIDIA是主要推手）的影響。這一成功立刻引起了其他芯片制造商的注意，緊隨其后的是由谷歌、AWS和微軟等推動的AI專用處理器，AMD、英特爾、高通和ARM等領先廠商也加入到這場AI芯片之戰。隨著實時數據處理能力逐漸下移，邊緣計算產業迅速崛起。不過，原先用于云計算的GPU和CPU不屬于微型芯片，特別是GPU，始終存在著能耗大的問題。

在確定邊緣計算硬件處理架構時，FPGA和MCU是一個不錯的選擇。尤其是集成了Arm處理器的FPGA SoC，在應用上有很大的靈活性，非常適合性能受限，對功耗有苛刻要求的實時網絡邊緣側的AI推理計算。在邊緣計算這一市場，由于基于MCU的邊緣設備數量巨大，在這些通用MCU上融入AI功能正在成為芯片廠商發力的一個方向。如今，Maxim、NXP、Silicon Labs、STMicroelectronics等公司已經先后推出全系列面向邊緣計算的微處理器產品。

Xilinx公司的Versal邊緣AI系列將應用處理器、AI處理器和FPGA融為一體，是多種不同處理器的技術組合，其應用部分采用ARM Cortex-A72和Cortex-R5F，集成了AI專用引擎和DSP引擎。Versal邊緣AI系列將整個應用從傳感器加速到AI，實現了實時控制，與過去的AI處理器架構相比，它的計算速度快了四倍，且所有應用的安全性能都達到ISO 26262和IEC 61508等關鍵標準。為了滿足不同場景的性能需求，Versal系列邊緣AI處理器提供了VE2002到VE2802等七種型號供選擇。

圖1：Versal系列邊緣AI專用處理器有7種型號供不同應用選擇（圖源：Xilinx）

Maxim公司的新型神經網絡加速器MAX78000 SoC，集成了兩個MCU核心用于系統控制，即Arm Cortex-M4處理器和32位RISC-V處理器。結合超低功耗深度神經網絡加速器，為高性能AI應用提供所需的算力，是機器視覺、面部識別、目標檢測和分類、時序數據處理和音頻處理等邊緣計算應用的理想選擇。MAX78000的卷積神經網絡（CNN）加速器具有442KB的權重存儲空間，與運行在低功耗微控制器上的軟件解決方案相比，在配置并加載了數據后，其運行AI推理的速度快了100倍，功耗不到其1%。

圖2：Maxim公司神經網絡加速器MAX78000 SoC（圖源：Mouser）

i.MX RT系列是NXP公司這幾年力推的一款跨界MCU，它支持高性能MCU和AP應用處理器的豐富功能，專為低成本、高性能、高集成的邊緣計算而設計。作為NXP EdgeVerse邊緣計算平臺的一部分，i.MX RT系列以實惠的價格提供Arm Cortex-M內核、實時功能和MCU可用性。NXP基于MCU的EdgeReady人臉識別解決方案就是充分利用了i.MX RT106F跨界MCU的性能，在硬件上完全替代了傳統的“MPU+PMIC”的架構，無需昂貴的DDR，開發人員可快速、輕松地將人臉識別活體檢測功能添加到其產品中，并通過低成本的IR和RGB攝像頭來實現，省去了昂貴的3D攝像頭成本。

圖3：i.MX RT106F結構框圖（圖源：NXP）

結語

芯片支持的邊緣智能在許多方面提高了物聯網設備的價值：

• 一是邊緣AI芯片產生的熱量和功耗更少，它們可以與手持設備（如智能手機）和其他非消費設備（如機器人）集成在一起。
• 二是基于邊緣的AI芯片減少或終止了向云解決方案或數據中心發送批量數據的需要。意味著處理器密集型機器學習計算可在本地進行，在提高處理速度的同時，提升了數據的安全性。
• 三是邊緣AI芯片簡化了企業收集和處理數據的操作模式。企業從連接的設備上收集數據的同時，可直接在設備上實時分析數據，減少了決策的復雜性。

計算芯片越來越接近數據所在的位置乃大勢所趨，無論是老牌的芯片制造商還是初創公司，都在專注于向邊緣添加人工智能功能。根據Verified Market Research（VMR）的預測，邊緣人工智能芯片市場從2021開始將以2.27%的復合年增長率（CAGR）擴張，到2028年，該行業將達到20.9億美元。在邊緣計算領域，計算機視覺已經成為人工智能的一個突出應用案例，特別是在深度學習方面，它采用多層神經網絡和無監督技術來實現圖像模式識別的結果。

我們看到，邊緣智能正在深刻地改變著物聯網行業，它使實時數據分析變得更容易，企業的運營效率也越來越高。目前的情況是，客戶越來越喜歡融入邊緣計算的物聯網設備，芯片企業對邊緣AI芯片的研發投入也是逐年看漲。

審核編輯：符乾江