随着人工智能（AI）和机（jī）器学习（ML）的发展，以算法形式处理大量数据的能（néng）力变（biàn）得越来越重要。

为了使数十亿连接设备上的数（shù）据应用（yòng）程序能够（gòu）更高效、更有价值德尔使用，处理从集中（zhōng）式第三方云服务器迁（qiān）移到分散的、本地化的（de）设备上（通常称为（wéi）边缘（yuán）计算）的势头越来越大。根据（jù）SAR Insight ＆ Consulting最新的人工智能／机器学习（xí）嵌（qiàn）入式芯片数据库（kù）显示（shì），在（zài）2019－2024年，全球（qiú）支持人（rén）工智（zhì）能的（de）设（shè）备和边（biān）缘（yuán）计算的CAGR将以（yǐ）64．2％的速度增长。

在边缘进行数（shù）据计算，不（bú）需要网络

Edge AI将算（suàn）法和处（chù）理数据尽可能地接近（jìn）物理系统，在（zài）这种情（qíng）况下，本（běn）地需在硬件设备上进行处理（lǐ）。其优点是数（shù）据（jù）处（chù）理不需（xū）要连接。数据的计算发生（shēng）在网络（luò）的“边（biān）缘”，也就（jiù）是数据被开发（fā）的地方，而不是（shì）集中数据（jù）处理（lǐ）中（zhōng）心。对于设备、技术和（hé）组件提供商（shāng）来说，在边缘处理的能力和应该（gāi）能（néng）力之（zhī）间取得适当的平衡将成为最重（chóng）要的决策之（zhī）一。

在生产深（shēn）度学习预测模型的训练和推理引擎中（zhōng），边缘处理通常需（xū）要（yào）来自Intel、Qualcomm、Nvidia和谷歌等供应商的x86或Arm处（chù）理（lǐ）器，以（yǐ）及一个（gè）AI加（jiā）速器，并且能（néng）够处理10－14个核心高达2．5 GHz的（de）速度。

为（wéi）时间敏（mǐn）感的应用程序（xù）提供实（shí）时（shí）结果

随着市（shì）场的（de）扩大，计（jì）算（suàn）数据和计（jì）算能力的服务和应用需求也在不断扩大，这会对推动边缘计算发展起到积极作（zuò）用。由于可靠（kào）、可适（shì）应性强（qiáng）的情境资讯（xùn）的需求不断变化， 大多数数据都迁移到本地的（de）设备上处理，从而获得更快的性能和响应时间（少于几毫秒）、更低的延（yán）迟、更（gèng）低的（de）电源（yuán）效率。此（cǐ）外，通过在设备（bèi）上保留数据提高了安全性，以及通过（guò）最小化数据中心传输而节（jiē）省了成本（běn）。

边缘（yuán）计算的最大好处之一是能够为时（shí）间敏感的（de）需求确保实时结果（guǒ）。在许多（duō）情况下，传感器数据可以直接收集、分析和交（jiāo）流，而无需将数据发送（sòng）到时间（jiān）敏感的云中心。

关（guān）键是，跨各种边（biān）缘设备的可伸缩（suō）性（xìng）能够帮助（zhù）加速本地决策。为提供即时和可靠数据的能力建立了（le）基础（chǔ），也提高了客户参与度（dù），在许多情况（kuàng）下，还挽救了生命（mìng）。想想家庭安全、航空航天、汽车（chē）、智（zhì）能城市、医疗保健（jiàn）等这些（xiē）行业——这对诊断和设备性能的即时解释至关重要。

人（rén）工智能（néng）优势的发展

亚马逊、谷歌（gē）、苹果（guǒ）、宝（bǎo）马、大众、特斯（sī）拉、Airbus， Fraunhofer， Vodafone， Deutch Telekom， Ericsson， 和Harting等创新机构，现在都在为AI下着（zhe）巨（jù）大的（de）砝（fǎ）码。此外，许多（duō）这样的公司正在建立行业（yè）协会，如（rú）欧洲边缘计算联（lián）盟（EECC），它可帮助（zhù）教育和激励中小型和大型企业，以（yǐ）推（tuī）动制造业和其他（tā）工业市场（chǎng）采用边缘计算。

欧洲边（biān）缘计（jì）算产业联盟旨在支持欧洲和世（shì）界各地的大（dà）中（zhōng）小型企业（yè）采用相关（guān）技术，尤其侧（cè）重（chóng）于（yú） OT 技术与 ICT 技（jì）术的融合（hé）。ECCE将（jiāng）推动在制造业，运（yùn）营商以及企业与（yǔ） IoT 等相关领域解（jiě）决方案中采用边缘计（jì）算技术（shù），注重发（fā）现和推（tuī）动现有的技（jì）术，标准的（de）应用并持（chí）续贡献，使得联盟成员的产品更（gèng）加符合用户（hù）对边缘（yuán）计算解决方（fāng）案的需求。联盟成立的目标（biāo）包括：边缘（yuán）计算参考架构模型（ECCE RAMEC）、边缘计算全栈技术实现（边缘计算节点）、识别产业发展的短板并通过对不同（tóng）路径的评估比较找到最佳（jiā）实践（ECCE Pathfinders），与相关（guān）产业（yè）／标准化组织积极互动，对联盟的成果进行推广。

portant;" />

边缘计算的参考体系结构（gòu）模（mó）型

从（cóng）边缘往（wǎng）下看

人（rén）工智能和机器学习的发展为创造智能设备（bèi）提供了（le）大量的机会，这些设备能够感（gǎn）知周围的（de）环境。对（duì）智能机器的（de）需求将受益于多感官（guān）数（shù）据的增长，这些数据能够以更高的精度和性能进行计算（suàn）。边（biān）缘计（jì）算可以将人（rén）工智能数据（jù）转化为几乎所有行业（yè）的“实时”价值。智能边缘是（shì）人工（gōng）智（zhì）能（néng）技（jì）术（shù）发（fā）展（zhǎn）和（hé）成功的下一个阶段。

延伸（shēn）阅读

华为携手多家合作伙伴（bàn），成立欧洲边缘计算产业（yè）联盟

在第二届欧洲边（biān）缘计（jì）算论坛（tán）（ECF）上，华为与（yǔ）多家合作伙伴达成意向，将共同努力，联合建立欧洲边缘计算（suàn）产业联盟（méng）（ECCE）。ECCE旨在为智（zhì）能制造（zào）、运营商、企业（yè）与IoT等领（lǐng）域的厂（chǎng）商与组（zǔ）织（zhī）提供（gòng）全方位（wèi）的边缘计算产（chǎn）业合（hé）作平台（tái），通（tōng）过产业协同，开放创新和示范推广，深化行业数字化（huà）转型，共（gòng）同推进（jìn）边缘计算产（chǎn）业的蓬勃发展。

portant;" />

边缘计算（suàn）横跨（kuà）多个领域，涉及网络联接（jiē）、数据聚合、芯片、传感、行（háng）业应用多个产业链角色。根据IDC统计数据显示，到2020年将有超过（guò）500亿的终端和设（shè）备联网，其中超过50％的数据需要在网络边缘侧分析、处理与存（cún）储，边缘计（jì）算市场之大显而易见。另外，边缘计算（suàn）和（hé）5G相辅相成，5G 的加速（sù）推进（jìn）也会促进边缘计算的大（dà）规模部署。边缘（yuán）计算（suàn）产（chǎn）业发展已进入重要机遇期。

除（chú）了华为（wéi）以（yǐ）外，此次参与合作的（de）还（hái）有ADI、ARM、庞巴（bā）迪、贝加莱自动化、德国人工智能研（yán）究中心（DFK）、IBM、英特尔、库卡等（děng）来自（zì）世（shì）界（jiè）各地不（bú）同行业的公司。

边缘智能：现状和展望

（摘自（zì）：湖南（nán）大学信息科学与工程学院，国家超级（jí）计算长沙中心）

以云计算为代表的集（jí）中式（shì）处（chù）理（lǐ）模式将（jiāng）无法高效地处理边缘设备产生的数（shù）据，无法满足人们（men）对服（fú）务质量的需求。其劣势主要体现在以下两个方面。

● 实时性不够。在云计算服（fú）务模式下，应用需要将数据传送（sòng）到云计（jì）算中（zhōng）心进行处理，这增（zēng）大了（le）系统的时（shí）延（yán）。以（yǐ）无人驾驶汽车为例，高（gāo）速行驶的汽车需要在（zài）毫秒级的时间内响应，一旦由于数据传输、网（wǎng）络等（děng）问题导致系统响（xiǎng）应（yīng）时间增加，将（jiāng）会造（zào）成严（yán）重的后果。

● 带（dài）宽（kuān）不足。边（biān）缘设（shè）备（bèi）产生的大量（liàng）数据（jù）全部传（chuán）输至云计算中心，给网络带（dài）宽造成了极（jí）大的压力。例如，飞机波（bō）音787每秒产（chǎn）生的数据（jù）超过5 GB，但（dàn）飞机与卫星之（zhī）间的带宽不足以支（zhī）持数据的实时传输。

边缘计算模型应运（yùn）而生。边缘（yuán）计算是（shì）部署在边缘终端设备和云计算（suàn）中（zhōng）心之间的一种新（xīn）型（xíng）计（jì）算（suàn）模型。边缘（yuán）计算的资（zī）源是指从数据源到云计算（suàn）中心路径上（shàng）的任意计算和网络资源，是一个连（lián）续系统。在（zài）该（gāi）模式下（xià），边缘设备上（shàng）亦有（yǒu）计算（suàn）。边缘计算具有几个明显的优（yōu）点：首（shǒu）先，边缘设备处理了部分产生的（de）临时数据，不再需要将全部数（shù）据上传至云端（duān），只需要传输有（yǒu）价（jià）值的数据，这（zhè）极大地减轻了网络带宽的压力，且减少了对计（jì）算存储资源的需求。其次，在靠近数据源端进行数据处理，能（néng）够大大地减少系（xì）统时延，提高（gāo）服务（wù）的（de）响（xiǎng）应（yīng）时间（jiān）。

而人工智能（néng）技（jì）术（shù）已（yǐ）成功（gōng）应（yīng）用（yòng）于（yú）目标识别、智能搜索（suǒ）、语言处理、智能（néng）交通等领域。然而（ér），由于人工智能方（fāng）法包含（hán）大量的计算，当前人工智能大（dà）部分（fèn）计算任务部署在（zài）云计算中（zhōng）心等大规模计（jì）算资源集中的平台上，这极（jí）大（dà）地限制了人工智能带（dài）给人们的便（biàn）利。

为此，边缘智能应声（shēng）而出。边缘智能（néng）是指终端智（zhì）能，它是融合网（wǎng）络、计（jì）算、存储、应用核心能力的（de）开放平台，并提供边缘智能服务，满足行（háng）业数字化在敏（mǐn）捷连接、实时业务（wù）、数据（jù）优化、应用智能、安全与隐私保护（hù）等（děng）方面的关键需求。将智能部署在边缘设备上，可以使智能更贴（tiē）近（jìn）用户（hù），更快、更好为用户地提供智能服务。

边缘智能面临的挑战

人工智能方法主（zhǔ）要包括训练和推断两部分。训练主要是利用已知结果的大量数据（jù）来训练模（mó）型，即（jí）根据已（yǐ）有的大量数据来拟合模型及（jí）参数。推断（duàn）主要是用拟（nǐ）合好的模型对未知结果（guǒ）的（de）数据结果进行预测。训练（liàn）过（guò）程需要（yào）大量的计算资源和存储资源。将人工智能部署在边缘设备上，主（zhǔ）要面临以下几个挑战。

● 计算、存储（chǔ）、能耗等资源受（shòu）限。相比于云计算中心等大规（guī）模服务器（qì）集（jí）群（qún），边缘计算（suàn）的资（zī）源是指从（cóng）数据源到云计算中心路径上的任（rèn）意计算（suàn）和（hé）网络资源（yuán）（如（rú）摄像头、网（wǎng）关等）。因而（ér），边缘设备的计算（suàn）、存（cún）储能力往往远远小于专（zhuān）用服务器的（de）计算、存储能力（lì），无法（fǎ）满（mǎn）足人（rén）工智能（néng）训（xùn）练所需的大量计算和存（cún）储资源（yuán）。除此之（zhī）外，部（bù）分边缘设备采用蓄电池（chí）等小型供电设（shè）备，无法满足计算所（suǒ）需的（de）能耗。

● 边缘网（wǎng）络资源不足。根据Cisco云指数的预测，到2021年，全球范（fàn）围将有超过500亿的终端设备（bèi），每年产生（shēng）的数据总量将达到（dào）847 ZB。相（xiàng）比而言，全球数据中（zhōng）心（xīn）的存（cún）储能力预（yù）计仅能达到（dào）2．6 ZB，而网络流（liú）量（liàng）为19．5 ZB。

● 人工智能在“边（biān）缘”并行困难（nán）。人（rén）工智能是研究使计算机（jī）模拟人的某（mǒu）些思维（wéi）过程和（hé）智能行为（如学习、推理（lǐ）、思（sī）考、规划等（děng））的学（xué）科。人工智（zhì）能模（mó）型模拟人脑神（shén）经元的互联关系，模型复杂，各组成部分之（zhī）间依（yī）赖性强，在分布式环境（jìng）下并行困难。