隨著物聯(lián)網(wǎng)設備（例如手機，虛擬助手，筆記本電腦，平板電腦，建筑物傳感器，無人機，安全攝像機和可穿戴式健康傳感器）的數(shù)量有望在 2025 年超過 700 億，邊緣計算應用也將增加。

物聯(lián)網(wǎng)設備在零售，醫(yī)療保健，工業(yè)，航空航天，國防，運輸，設施維護，能源，制造業(yè)，供應鏈物流和智慧城市等廣泛領域中具有廣泛多樣的應用。每個物聯(lián)網(wǎng)設備都連續(xù)收集數(shù)據(jù)，需要快速分析以做出實時決策，特別是對于自動駕駛汽車，電網(wǎng)，遠程手術，石油鉆機甚至軍用無人機等應用。

物聯(lián)網(wǎng)設備的邊緣計算與云計算

傳統(tǒng)上，云計算是物聯(lián)網(wǎng)設備分析和預測的模型。在中央云計算模型中，數(shù)據(jù)從最終用戶設備（“邊緣”）發(fā)送到云以進行分析；然后將決策發(fā)送回設備以執(zhí)行。盡管中央計算模型中的數(shù)據(jù)中心具有處理和存儲數(shù)據(jù)的巨大能力，但它們的維護成本高昂且耗電大。

邊緣與云之間的數(shù)據(jù)傳輸不僅昂貴，而且很費時，并且會導致延遲（延遲時間）。此外，數(shù)據(jù)傳輸所需的能量超過了低能耗無線IoT設備可以支持的能量。當僅收集的一部分數(shù)據(jù)可能有用時，將所有數(shù)據(jù)傳輸?shù)皆埔矝]有邏輯，操作或財務意義。最后，數(shù)據(jù)傳輸可能會對數(shù)據(jù)完整性和安全性產(chǎn)生不利影響。

相比之下，通過邊緣計算，可以在IoT設備上收集和分析數(shù)據(jù)以進行快速推斷（或決策）。以后，少量有用的數(shù)據(jù)將被移到云中。邊緣計算具有幾個優(yōu)點。由于無需將數(shù)據(jù)從IoT設備傳輸?shù)街醒朐疲虼水a(chǎn)生的滯后時間，帶寬消耗和成本將很低，并且可以基于數(shù)據(jù)分析快速做出決策。

此外，即使系統(tǒng)處于脫機狀態(tài)，邊緣計算也可以繼續(xù)運行，并且即時數(shù)據(jù)處理使確定哪些數(shù)據(jù)應該傳輸?shù)皆埔赃M行進一步分析變得更加容易。

開發(fā)AI前沿：挑戰(zhàn)

將AI與邊緣計算相結合雖然很有意義，但硬件和AI軟件組件面臨著多重挑戰(zhàn)。

第一個挑戰(zhàn)是處理和功耗。AI由訓練和推理軟件組成。培訓講授一個模型來識別相關參數(shù)，以便它可以解釋數(shù)據(jù)。推論是模型進行基于學習的預測的時間。

在云計算中，高能耗訓練在云上進行，然后將經(jīng)過訓練的軟件部署到邊緣，以進行相對低能耗的預測（或推斷）任務。在邊緣計算中，培訓轉移到了邊緣，從而對邊緣硬件的處理能力提出了更高的要求。對于物聯(lián)網(wǎng)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。

現(xiàn)在，數(shù)據(jù)存儲和安全性構成了第二個挑戰(zhàn)，因為邊緣設備將保留大部分數(shù)據(jù)，僅將一小部分傳輸?shù)皆浦?。另外，設備需要存儲用于學習和推理的參數(shù)。第三個挑戰(zhàn)是物聯(lián)網(wǎng)設備的數(shù)量龐大，并且目前缺乏針對它們的安全標準。

因此，科技公司需要開發(fā)具有更高處理能力和更低能耗的硬件，以及能夠更有效地執(zhí)行學習和推理的軟件。此外，物聯(lián)網(wǎng)的應用是針對特定場景和特定部門的，因此對于自定義而言，強大的生態(tài)系統(tǒng)和開發(fā)人員環(huán)境至關重要。