邊緣運算(edge computing)正逐漸從一個相對模糊的概念演變成分散式運算架構中的復雜元件，資料處理工作也正從遠程轉移至終點和衛星資料設備。邊緣運算在兩個主要領域獲得關注，一是工業物聯網(IIoT)，可作為現場資料中心的DIY基礎設施，一是沒有足夠時間向云端請求解決方案的自駕車領域。

據Semiconductor Engineering報導，大眾對于邊緣運算的困惑來自于邊緣運算不是一種技術，而比較象是技術性的應對機制。邊緣運算是透過在資料生成地消化部分資料的方式，因應來自數十億終端裝置資料的快速成長，這需要將大規模的運算效能建在傳感器、手機等產品內，而且必須執行更嚴格的功率預算。

邊緣運算方法與數年前的普遍認知形成鮮明對比，過去認為傳感器只需要收集實體世界的資料，然后移到云端進行處理即可，然而最初的概念并未考量到傳感器資料量的迅速成長導致資料無法快速移動，最好的解決方案就是預處理這些資料，將無用的資料先剔除。

邊緣裝置的責任越來越重要，但是如何演變，以及演變的速度，將取決于推動邊緣運算發展的終端市場的就緒程度。許多芯片制造商和系統公司都在研究將運算轉移到邊緣的各種可能方式。

明導國際(Mentor)產品營銷經理Jeff Miller表示，真正高效能機器語言或運算資源會繼續留在云端，但由于共享頻譜的資源有限，帶寬十分昂貴，因此，將成千上萬臺裝置的資料都上傳到云端而不在邊緣進行預處理是不切實際的做法。

IIoT是驅動邊緣運算模型的初始因素之一，工業組織嘗試用它來解決成本效益和資料沖擊的問題。NetSpeed Systems營銷和業務發展副總裁Anush Mohandass表示，工業領域有工廠自動化和邊緣智能的需求，而且風險相對較小，因為可以展現價值。

將運算資源放在離實體工廠更近的地方，會比保持IoT裝置離線帶來更大的效益，處理能力提升代表可將資料預處理，移除重復的溫度讀取等資料。

蘋果(Apple)在2017年宣布在iPhone中導入機器學習功能，Gartner預測到了2022年，將有80%的智能手機搭載AI技術，這些是功能強大、對延遲敏感的邊緣裝置，但著重的是針對個人消費者的功能，如擴增實境(AR)和生物識別。

Mohandass表示，將機器學習功能增加到自駕車和其它智能裝置，可能創造一個可讓各種強大應用程序建立于其上的生態系統并使用邊緣資料中心提供支持。

許多邊緣模型都是根據人體處理信息的方式建立，例如，人碰到熱的鍋爐不等到訊號抵達大腦之前會立即縮手，大腦之后會解釋剛發生的事情，避免將來出現這種情況。這個概念聽起來很簡單，但從芯片設計的角度來看卻不容易達成。

2015年，思科(Cisco)提出霧運算(fog computing)的想法，透過結合了路由和Linux應用服務器的盒子，將云端應用程序延伸至邊緣，并使用思科的IOx操作系統分析傳感器資料。從硬件角度來看，邊緣可以是使用共享機房的本地云或資料處理設施的服務器和儲存單元集合，或是安裝在低溫冷卻貨柜中的超融合資料中心。

IHSMarkit分析師表示，某些物聯網的安裝規模將迫使一些組織在邊緣建立完整規模的資料中心，或使用服務供應商提供的設施。美國有些電信業者想加速轉換境內的17,000個電信布線中心，以提供包括邊緣服務在內的IT服務。