IDC預計到2018年有40%的物聯網數據需要在邊緣進行存儲處理和分析，那么將有50%的物聯網的網絡會面臨著帶寬的問題。到2020年全世界將有多達500億的智能設備接入互聯網，未來40%以上數據需要在邊緣進行分析、處理和存儲。這些智能設備包括，智能手機、個人穿戴設備、汽車、核磁共振儀、智能路燈、蒸汽發電機、飛機發動機等各式各樣的智能設備。嵌入式開發

物聯網時代引發的智能設備數量激增已經成為共識，幾乎所有的行業都對數據處理的響應速度提出了更高的要求，各類應用場景均無法容忍網絡的延遲和計算延遲。以自動駕駛為例，如果攝像頭識別到正有行人從車前方走過，攝像頭識別圖象，然后對圖象進行壓縮，再通過網絡傳到數據中心進行分析并做出相應判斷，這還遠未結束，判斷結果需要再次通過網絡傳回給前端車輛，采取相應的制動操作。如果按照這樣的閉環，當汽車做出最終決策的時候，可能已經造成了不可避免的損失。

另外，數據擁有者對數據隱私保護的意識也逐漸提升，他們不希望將數據上傳至云端，再通過第三方進行分享，而希望這些數據在本地就得到處理。因此，在一些對隱私保護要求相對比較高的應用場景則需要數據在邊緣進行處理。

當前，很多計算處理都發生在后端的數據中心，物聯網的應用一定需要端到端的能力，會有越來越多的應用被推送到前端進行處理。那么，邊緣計算就可以憑借緩解帶寬壓力、及時響應和保護隱私等獨特優勢，發揮出至關重要的作用。

邊緣計算與云計算，二者將呈現出相輔相成、協同發展的狀態：一方面，隨著數據量的攀升，云計算的負荷不斷加重，若想持久發展就需要邊緣層“伸出援手”來做數據的預處理;另一方面，在很多的應用場景中云計算則可以站在高處，把數據進行匯總從而實現綜合應用。例如，在交通行業，攝像頭能捕捉到的車輛運行軌跡是有限的，只能觀察到一個路口或一個區域，若想完整查賬一輛車的軌跡，則必須要在云端通過不同攝像頭相連，匯總成更加全景式的記錄。

隨著人工智能對邊緣計算提出了更高的要求，工作負載整合將成為大勢所趨。工作負載整合就是把小型邊緣計算集成到中央服務器，從而降低服務成本，提升計算效率。邊緣側經過負載整合，可以匯總成數據節點，同時也是控制中心。

可以說，人工智能在其中同樣也擔當了受益與反哺的角色。一方面，人工智能的發展離不開海量數據的訓練，邊緣計算的很多應用場景都是人工智能很好的落腳點。反過來，人工智能也可以充分發揮其優勢，不斷挖掘數據潛力、釋放數據價值，進一步推動邊緣計算向前發展。

來源：朗銳智科