什么是邊緣人工智能？

Edge AI 在硬件上本地處理和實施機器學習算法。這種形式的本地計算減少了數據傳輸的網絡延遲，并解決了一切都發生在設備本身上的安全挑戰。

邊緣人工智能的流程

Edge AI 的本地處理并不意味著機器學習模型的訓練應該在本地進行。通常，訓練在具有更大計算能力的平臺上進行，以處理更大的數據集。最后，這個經過訓練的模型可以部署在系統的處理器或硬件上。該系統具有人工智能加速功能以及用于實時數據處理應用程序的部署模型。

隨著對 GPU、NPU、TPU 和 AI 加速器的需求增加，Edge AI 技術經歷了巨大的增長。隨著機器學習和人工智能已成為當前情況下的趨勢技術，這種需求是顯而易見的。因此，由于當前應用程序的需求，Edge AI 在硬件中找到了自己的位置。硬件中對本地高級處理和計算能力的需求解釋了 Edge AI 的重要性。

云 AI 能比邊緣 AI 活得更久嗎？

Cloud AI 通過在云端遠程提供計算能力來支持硬件處理。由于處理是遠程進行的，因此系統在性能和處理方面更加強大。此外，云計算增加了有關架構和設計的選項。由于高級處理發生在云上，它降低了系統硬件功耗的復雜性。然而，正如引言中所討論的，這些好處是以延遲和安全問題為代價的。

云AI的流程

當計算需求非常密集并且需要大量數據處理時，云人工智能可以比邊緣人工智能更長壽。如果應用程序可以在延遲和安全性方面做出妥協，那么 Cloud AI 是比 Edge AI 更好的選擇。Cloud AI 還可以解決功耗問題。但是，它不能被視為選擇 Cloud AI 而不是 Edge AI 的決定因素。

邊緣人工智能與云人工智能

在 Edge AI 和 Cloud AI 之間進行選擇的不確定性主要發生在機器學習或深度學習用例中。由于深度學習算法需要密集處理，因此硬件的性能成為一個重要因素。Cloud AI 絕對可以為系統提供更好的性能，但大多數深度學習應用程序無法在數據傳輸延遲和網絡安全威脅方面妥協。因此，對于人工智能應用，Edge AI 比 Cloud AI 壽命更長。

如前所述，功耗因素總是會影響邊緣 AI 處理器。這是可以理解的，因為繁重的計算需要更高的電源。但是當前的 Edge AI 處理器具有 AI 加速器，可提供更高的性能和更低的功耗。然而，GPU 和 TPU 仍然需要更高的功率，但設計和電路架構的改進將克服這個問題。

由于單獨的云并不是人工智能應用程序的絕佳選擇，邊緣和云人工智能的混合可以提供更好的性能。可能會影響延遲的部分處理可以在云上完成，其余部分則在硬件本身上完成。

示例：由于訓練后的模型需要根據實時數據進行更新，因此可以在云端完成更新后的訓練。但實時數據通過 Edge AI 在硬件上進行處理以生成輸出。

因此，處理的劃分帶來了兩種技術的最佳效果。因此，它可能是 AI 應用程序的更好選擇。但是，大多數應用程序都需要更快的實時更新訓練，因此 Edge AI 比 Cloud AI 技術壽命更長。因此，Edge AI 在深度學習應用方面正在超越 Cloud AI。

審核編輯：郭婷