作者：John Koon，特約作家

根據Statista的數據，到 2025 年，隨著物聯網 (IoT) 設備（例如手機、虛擬助手、筆記本電腦、平板電腦、樓宇傳感器、無人機、安全攝像頭和可穿戴健康傳感器）的數量將超過 700 億臺，edge - 計算應用程序也將增加。根據 Tratica 的數據，全球人工智能 (AI) 邊緣設備的數量預計將從 2018 年的 1.614 億臺躍升至 2025 年的 26 億臺。

物聯網設備在零售、醫療保健、工業、航空航天、國防、交通運輸、設施維護、能源、制造、供應鏈物流和智慧城市等廣泛領域具有眾多多樣的應用。每個物聯網設備都在持續收集數據，需要對其進行快速分析以做出實時決策，尤其是對于自動駕駛汽車、電網、遠程手術、石油鉆井平臺甚至軍用無人機等應用。

物聯網設備的邊緣計算與云計算傳統上，云計算是物聯網設備分析和預測的模型。在中央云計算模型中，數據從最終用戶設備（“邊緣”）發送到云端進行分析；然后，該決定被傳回設備執行。雖然中央計算模型中的數據中心具有巨大的處理和存儲數據的能力，但它們的維護成本高且耗電。

邊緣和云端之間的數據傳輸不僅成本高昂，而且非常耗時并會導致延遲（滯后時間）。此外，數據傳輸所需的能量超過了低能量無線物聯網設備所能支持的能量。當收集到的數據中只有一小部分可能被證明有用時，將所有數據傳輸到云中也沒有邏輯、運營或財務意義。最后，數據傳輸可能對數據完整性和安全性產生不利影響。

相比之下，通過邊緣計算，在物聯網設備上收集和分析數據以進行快速推理（或決策）。稍后，少量有用的數據將被移動到云端。邊緣計算提供了幾個優勢。由于無需將數據從物聯網設備傳輸到中央云，因此產生的延遲時間、帶寬消耗和成本將很低，并且可以根據數據分析快速做出決策。

此外，即使系統處于離線狀態，邊緣計算也可以繼續運行，即時數據處理可以更輕松地確定應將哪些數據傳輸到云端進行進一步分析。

開發 AI 邊緣：挑戰雖然將 AI 與邊緣計算相結合是有意義的，但硬件和 AI 軟件組件面臨著多重挑戰。

第一個挑戰是處理和功耗。人工智能由訓練和推理軟件組成。訓練教一個模型識別相關參數，以便它可以解釋數據。推理是模型進行基于學習的預測的時候。

在云計算中，高耗能訓練發生在云端；然后將經過訓練的軟件部署到邊緣以執行相對低能耗的預測（或推理）任務。在邊緣計算中，訓練向邊緣轉移，對邊緣硬件的處理能力提出了更高的要求。對于物聯網設備，這種增加的能耗帶來了更大的問題，需要重新平衡處理能力與功率需求。

數據存儲和安全提出了第二個挑戰，因為邊緣設備將保留大部分數據并僅將一小部分傳輸到云端。此外，設備需要存儲學習和推理的參數。第三個挑戰是物聯網設備的數量龐大以及目前缺乏針對它們的安全標準。

因此，科技公司需要開發具有更高處理能力和更低能耗的硬件以及更有效地執行學習和推理的軟件。此外，物聯網的應用是針對特定場景和行業的，因此為定制提供強大的生態系統和開發人員環境至關重要。

開發 AI 邊緣：進展專注于物聯網邊緣硬件的大大小小的公司包括BrainChip（Akida Neuromorphic System-on-Chip）、CEVA（NeuPro 系列）、Google（Edge TPU）、GreenWave（AI 處理器 GAP8） 、華為（Ascend Chips）、英特爾（Xeon）、英偉達（Jetson TX2）、高通（視覺智能平臺）和意法半導體（STM32微控制器）。

較小的公司傾向于專注于物聯網邊緣軟件。一些專注于學習，如 Ekkono、FogHorn 和 Swim（基于云的 POS），而另一些專注于推理，如 Renesas (e-AI)。許多公司還開發具有這兩種功能的軟件，例如 Amazon（AWS Greengrass ML 推理模型）、BrainChip（Studio 軟件）、Google（Cloud IoT Edge）、華為（Atlas 平臺）和 IBM（Watson IoT 平臺）。

大型科技公司處于構建生態系統的最佳位置，以使開發人員能夠創建特定于行業和場景的解決方案。這些公司包括谷歌（人工智能平臺）、華為（MindSpore）、IBM（沃森）、英特爾（人工智能開發者計劃）和微軟（Azure）以及企業物聯網構建模塊，如物聯網中心、Azure Databricks、ML Studio 和 Power BI） .

但是，也有一些較小的公司正在創建生態系統，例如BrainChip 的 Akida 開發環境。此外，OpenFog Consortium 等貿易組織和 Living Edge Lab、ETSI 多接入邊緣計算和 EdgeX Foundry 等開源項目也在為生態系統做出貢獻。此外，包括高通、微軟和英特爾在內的領先企業在行業內也有很多合作，它們正在與各個領域的合作伙伴進行合作。

結論借助專門的硬件、軟件和開發人員環境，邊緣計算可能會提高操作可靠性、實現實時預測并提高數據安全性。5G 承諾降低延遲并增強覆蓋和響應能力，而量子計算加速計算，可能會進一步提高邊緣計算的效率。

然而，跨邊緣設備網絡有效分配處理需求將是一個挑戰。此外，任務的有效調度對于避免系統故障和優化機器學習將變得至關重要。隨著時間的推移，預計會出現更強大、功耗要求更低的處理芯片，屆時基于人工智能的邊緣計算將真正大放異彩。

審核編輯 黃昊宇