隨著人工智能(AI)和機器學習(ML)的發展，以算法形式處理大量數據的能力變得越來越重要。

為了使數十億連接設備上的數據應用程序能夠更高效、更有價值德爾使用，處理從集中式第三方云服務器遷移到分散的、本地化的設備上(通常稱為邊緣計算)的勢頭越來越大。根據SAR Insight & Consulting最新的人工智能/機器學習嵌入式芯片數據庫顯示，在2019-2024年，全球支持人工智能的設備和邊緣計算的CAGR將以64.2%的速度增長。

在邊緣進行數據計算，不需要網絡

Edge AI將算法和處理數據盡可能地接近物理系統，在這種情況下，本地需在硬件設備上進行處理。其優點是數據處理不需要連接。數據的計算發生在網絡的“邊緣”，也就是數據被開發的地方，而不是集中數據處理中心。對于設備、技術和組件提供商來說，在邊緣處理的能力和應該能力之間取得適當的平衡將成為最重要的決策之一。

在生產深度學習預測模型的訓練和推理引擎中，邊緣處理通常需要來自Intel、Qualcomm、Nvidia和谷歌等供應商的x86或Arm處理器，以及一個AI加速器，并且能夠處理10-14個核心高達2.5 GHz的速度。

為時間敏感的應用程序提供實時結果

隨著市場的擴大，計算數據和計算能力的服務和應用需求也在不斷擴大，這會對推動邊緣計算發展起到積極作用。由于可靠、可適應性強的情境資訊的需求不斷變化,?大多數數據都遷移到本地的設備上處理，從而獲得更快的性能和響應時間(少于幾毫秒)、更低的延遲、更低的電源效率。此外，通過在設備上保留數據提高了安全性，以及通過最小化數據中心傳輸而節省了成本。

邊緣計算的最大好處之一是能夠為時間敏感的需求確保實時結果。在許多情況下，傳感器數據可以直接收集、分析和交流，而無需將數據發送到時間敏感的云中心。

關鍵是，跨各種邊緣設備的可伸縮性能夠幫助加速本地決策。為提供即時和可靠數據的能力建立了基礎，也提高了客戶參與度，在許多情況下，還挽救了生命。想想家庭安全、航空航天、汽車、智能城市、醫療保健等這些行業——這對診斷和設備性能的即時解釋至關重要。

人工智能優勢的發展

亞馬遜、谷歌、蘋果、寶馬、大眾、特斯拉、Airbus, Fraunhofer, Vodafone,?Deutch?Telekom, Ericsson,?和Harting等創新機構，現在都在為AI下著巨大的砝碼。此外，許多這樣的公司正在建立行業協會，如歐洲邊緣計算聯盟(EECC)，它可幫助教育和激勵中小型和大型企業，以推動制造業和其他工業市場采用邊緣計算。

歐洲邊緣計算產業聯盟旨在支持歐洲和世界各地的大中小型企業采用相關技術，尤其側重于 OT 技術與 ICT 技術的融合。ECCE將推動在制造業，運營商以及企業與 IoT 等相關領域解決方案中采用邊緣計算技術，注重發現和推動現有的技術，標準的應用并持續貢獻，使得聯盟成員的產品更加符合用戶對邊緣計算解決方案的需求。聯盟成立的目標包括：邊緣計算參考架構模型（ECCE RAMEC）、邊緣計算全棧技術實現（邊緣計算節點）、識別產業發展的短板并通過對不同路徑的評估比較找到最佳實踐（ECCE Pathfinders），與相關產業/標準化組織積極互動，對聯盟的成果進行推廣。

邊緣計算的參考體系結構模型

從邊緣往下看

人工智能和機器學習的發展為創造智能設備提供了大量的機會，這些設備能夠感知周圍的環境。對智能機器的需求將受益于多感官數據的增長，這些數據能夠以更高的精度和性能進行計算。邊緣計算可以將人工智能數據轉化為幾乎所有行業的“實時”價值。智能邊緣是人工智能技術發展和成功的下一個階段。

延伸閱讀

華為攜手多家合作伙伴，成立歐洲邊緣計算產業聯盟

在第二屆歐洲邊緣計算論壇（ECF）上，華為與多家合作伙伴達成意向，將共同努力，聯合建立歐洲邊緣計算產業聯盟（ECCE）。ECCE旨在為智能制造、運營商、企業與IoT等領域的廠商與組織提供全方位的邊緣計算產業合作平臺，通過產業協同，開放創新和示范推廣，深化行業數字化轉型，共同推進邊緣計算產業的蓬勃發展。

邊緣計算橫跨多個領域，涉及網絡聯接、數據聚合、芯片、傳感、行業應用多個產業鏈角色。根據IDC統計數據顯示，到2020年將有超過500億的終端和設備聯網，其中超過50％的數據需要在網絡邊緣側分析、處理與存儲，邊緣計算市場之大顯而易見。另外，邊緣計算和5G相輔相成，5G 的加速推進也會促進邊緣計算的大規模部署。邊緣計算產業發展已進入重要機遇期。

除了華為以外，此次參與合作的還有ADI、ARM、龐巴迪、貝加萊自動化、德國人工智能研究中心（DFK）、IBM、英特爾、庫卡等來自世界各地不同行業的公司。

邊緣智能：現狀和展望

（摘自：湖南大學信息科學與工程學院，國家超級計算長沙中心）?

以云計算為代表的集中式處理模式將無法高效地處理邊緣設備產生的數據，無法滿足人們對服務質量的需求。其劣勢主要體現在以下兩個方面。

●?實時性不夠。在云計算服務模式下，應用需要將數據傳送到云計算中心進行處理，這增大了系統的時延。以無人駕駛汽車為例，高速行駛的汽車需要在毫秒級的時間內響應，一旦由于數據傳輸、網絡等問題導致系統響應時間增加，將會造成嚴重的后果。

●?帶寬不足。邊緣設備產生的大量數據全部傳輸至云計算中心，給網絡帶寬造成了極大的壓力。例如，飛機波音787每秒產生的數據超過5 GB，但飛機與衛星之間的帶寬不足以支持數據的實時傳輸。

邊緣計算模型應運而生。邊緣計算是部署在邊緣終端設備和云計算中心之間的一種新型計算模型。邊緣計算的資源是指從數據源到云計算中心路徑上的任意計算和網絡資源，是一個連續系統。在該模式下，邊緣設備上亦有計算。邊緣計算具有幾個明顯的優點：首先，邊緣設備處理了部分產生的臨時數據，不再需要將全部數據上傳至云端，只需要傳輸有價值的數據，這極大地減輕了網絡帶寬的壓力，且減少了對計算存儲資源的需求。其次，在靠近數據源端進行數據處理，能夠大大地減少系統時延，提高服務的響應時間。

而人工智能技術已成功應用于目標識別、智能搜索、語言處理、智能交通等領域。然而，由于人工智能方法包含大量的計算，當前人工智能大部分計算任務部署在云計算中心等大規模計算資源集中的平臺上，這極大地限制了人工智能帶給人們的便利。

為此，邊緣智能應聲而出。邊緣智能是指終端智能，它是融合網絡、計算、存儲、應用核心能力的開放平臺，并提供邊緣智能服務，滿足行業數字化在敏捷連接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求。將智能部署在邊緣設備上，可以使智能更貼近用戶，更快、更好為用戶地提供智能服務。

邊緣智能面臨的挑戰

人工智能方法主要包括訓練和推斷兩部分。訓練主要是利用已知結果的大量數據來訓練模型，即根據已有的大量數據來擬合模型及參數。推斷主要是用擬合好的模型對未知結果的數據結果進行預測。訓練過程需要大量的計算資源和存儲資源。將人工智能部署在邊緣設備上，主要面臨以下幾個挑戰。

●?計算、存儲、能耗等資源受限。相比于云計算中心等大規模服務器集群，邊緣計算的資源是指從數據源到云計算中心路徑上的任意計算和網絡資源（如攝像頭、網關等）。因而，邊緣設備的計算、存儲能力往往遠遠小于專用服務器的計算、存儲能力，無法滿足人工智能訓練所需的大量計算和存儲資源。除此之外，部分邊緣設備采用蓄電池等小型供電設備，無法滿足計算所需的能耗。

●?邊緣網絡資源不足。根據Cisco云指數的預測，到2021年，全球范圍將有超過500億的終端設備，每年產生的數據總量將達到847 ZB。相比而言，全球數據中心的存儲能力預計僅能達到2.6 ZB，而網絡流量為19.5 ZB。

●?人工智能在“邊緣”并行困難。人工智能是研究使計算機模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科。人工智能模型模擬人腦神經元的互聯關系，模型復雜，各組成部分之間依賴性強，在分布式環境下并行困難。