物联网把沉睡数十年的边缘计算学说推到市场浪尖，是神经元理论把CPU带到NPU时代，它赋能本地学习能力，算力和决策智能，形成边缘智能新领域。边缘计算在数学领域属分布式计算的延伸，在计算机理论属本地计算，现在物联网把它叫边缘计算，其实更确切的叫法是端计算，对仗云计算。
边缘计算是云计算的有机组合，并不是为了取缔云服务。从网络的拓扑结构看，边缘智能是指边缘节点在边缘侧提供的高级数据分析、场景感知、实时决策、自组织与协同等服务。从系统维度来看，边缘智能就是将云的能力下沉到设备终端，在终端打造一个涵盖网络、计算、存储、应用于一体的微型平台，更高效地处理边缘设备产生的数据。
“电子哨兵”是云边计算的最具规模的成功应用，物业实时处理本小区大楼的数据，定期上传数据到云，国家大数据云端分析统计给出决策。无论是消费还是工业应用，如今的物联网越来越智能了。其中的原因，边缘计算与物联网的协同构成边缘智能。边缘智能是计算、处理和存储的未来，这项技术虽然仍处于起步阶段，但发展迅速，据Gartner称，截至2018年，约有10%的企业数据是在“边缘”生成和处理的，到2025年，这一数字将达到令人震惊的75%。它还预计，在未来3-5年，边缘计算将成为下一个数百亿以上的蓝海市场。
边缘智能 (Edge AI) 主要是指在用户设备上处理人工智能算法。边缘智能依靠的是设备自身的硬件来处理与机器学习和深度学习相关的数据和过程。它带来3个方面好处：一是减少延迟以改善用户体验；二是减少必要的带宽，从而降低互联网服务的成本；三是提高数据的安全性和隐私性。
IDC预测，到2025年，全球将有414亿台物联网设备，期间将产生73147EB数据，其中约四分之一属于实时生成的。要想完全在云端对这些数据进行处理和AI分析很可能超过系统和通信链路的处理极限，再加上网络带宽、数据安全等限制，要实现AI向多行业的渗透，困难重重。
聚焦中国市场，在5G+物联网+产业互联网发展的推动下，随着应用和数据量激增，网络带宽与计算吞吐量均成为计算的性能瓶颈，同时终端设备产生海量“小数据”等实时处理需求高速增长，带动边缘计算成为数据时代技术落地的重要计算平台，成为满足行业数字化转型中敏捷连接、实时业务、隐私保护等关键支撑。边缘计算作为巨大的增量市场，近年来同比增速均在50%以上。据CCID数据显示，2020年，边缘计算市场规模达199.4亿元，同比增长62.2%;2021年中国边缘计算市场规模预计达到325.3亿元，同比增长63.1%。
既然边缘智能由物联网而起，那么边缘智能对物联网发展的益处和局限性在哪里，物联网应用有哪些分割市场机会的要素。这些都是方案商，设备终端制造商，系统集成商和IC原厂必需掌握的内容，从而做好自己的研发和生产活动。
1、物联网和边缘智能是一对孪生兄弟
物联网通过网络接收和传输数据时无需人为干预，其生态系统由支持网络的智能设备组成，这些设备使用嵌入式系统（如处理器、传感器和通信硬件）来收集、发送和处理从环境中获取的数据。物联网设备通过连接到物联网网关或其他边缘设备共享它们收集的传感器数据，在这些设备中，数据被发送到云端进行分析或直接在本地进行分析。现在，物联网还可以通过人工智能（AI）和机器学习（ML）的帮助使数据收集过程更容易。
物联网对海量数据进行快速处理和分析，边缘智能使计算服务更接近最终用户或数据源，如物联网设备。这样一来，物联网数据就能够在设备所在的边缘收集和处理，而不是将数据发送回数据中心或云，对于需要更快启动或实时操作的工作模式而言，这种操作的智能化非常重要。
自动驾驶是物联网和边缘计算需要协同工作的一个典型示例。在道路上行驶的自动驾驶车辆需要收集和处理有关交通、行人、街道标志和停车灯等大量的实时数据。如果车辆需要快速停车或转弯时，若将数据在车辆和云端之间来回传送将花费较长时间，无法满足行驶车辆需要实时处理的需求，存在巨大安全隐患。边缘计算为车辆带来了相当于云计算的服务，它使得车辆中的物联网传感器得以实时地处理本地处理数据，以避免发生事故的发生。
2、边缘智能的必要性与数据安全
在物联网和智能网联汽车的带动下，全球边缘智能设备已经驶入发展的快车道。根据MarketsandMarkets的统计报道，全球边缘智能硬件的市场规模预计将从2021年的9.2亿台增长到2026年的20.8亿台，年复合增长率高达17.7%。当然，应用与技术是相互促进，通过引入边缘智能也有助于增强物联网的优势，具有诸多好处。
首先，传统物联网单纯采用数据上云的模式，随着数据量指数级增加，这种方式瓶颈明显。通过引入边缘智能，增强了系统的可扩展性，同时对系统带宽明显减负。其次，边缘智能让系统具有多点智能性，意味着系统中很多功能都可以下放到终端设备，而设备最终返回给云系统的是处理之后的结果，数据的聚合性得到进一步加强，进而提升系统的反应速度与实时性。
第三，边缘智能的出现无疑增强了物联网的适用范围。传统物联网模型受限于云部署成本或者边缘的智能化水平不足，很多场景都无法实施。智能终端让很多数据和任务不必返回云端系统，部署深度大大提升。
第四，边缘智能提高了系统的可靠性和安全性。过往云端数据损毁之后整个系统将彻底瘫痪，而边缘智能出现之后，传输上云的数据更多是结果以及用以训练的数据，系统可靠性和安全性得到明显增强。
第五，运维成本也是边缘智能的一大优势。传统物联网系统的运维是响应式的，也就是发生了故障才会去处理，而这样的事故往往带来巨大的损失。而边缘智能出现之后，系统运维进化成预防式，智能终端拥有的自感知和自分析能力，降低了大型事故发生的几率，并为维修提供明确的目标。
边缘智能方案设计的挑战来源于两个方面，一个是设备本身，另一个则是边云协同。
边缘智能要求在边缘端完成数据的训练和推理，计算、存储等资源的配置是一个挑战。电子哨兵在边缘的学习能力部署非常成功，原因是人脸识别和二维码识别标准化，一个学习模型给全国百万个门禁用，规模决定成功。但是，工业生产品质管理上“表面检测”，钢材和玻璃等表面检测就进展缓慢，原因是不同材料的“缺陷算法”是掌握的各个工厂，建模和开发算法都是非标的。
功耗问题也需要重点关注。在数据安全保护方面，用户需要在打造边缘智能设备的最开始就将安全防护纳入其中，包括设备完整性保护和加密通信等。
边云协同给打造计算模型带来了明显的变化，其中之一就是模型分割，这也是云能力下沉的关键所在。在这个过程中，随着边缘智能的发展会延伸出很多新概念，包括多用户管理、私有云化、隔离共享等。当用户打造方案时，边云协同就需要安全云注册、设备到设备身份验证、设备溯源等多方面的保护机制，保障边缘端处理后的高质量数据在系统内的安全传输。
3、边缘人工智能面临的挑战
人工智能正在成为企业商业计划中不可或缺的一部分，人工智能对人类的影响将远远超过火和电。IDC更是看好边缘计算及边缘智能在未来几年的发展前景，据其分析，到2024年，全球AI市场支出将达到1100亿美金，边缘智能将占到AI市场支出的29.5%。良好的发展前景并非意味着前进道路一片坦途，在边缘智能的发展过程中，仍存在诸多技术挑战：
糟糕的数据质量
全球主要互联网服务提供商的数据质量差是边缘智能研发的主要障碍。最近的一份Alation报告显示，以IT公司为主的受访者中，其中有87%的员工认为，数据质量差是他们所在企业未能部署边缘智能基础设施的重要原因。
潜在的安全威胁
边缘计算的分散性增加了较多的安全风险。以物联网为例，那些提供数据的物联网设备多且分散，这使得边缘智能基础设施比较容易受到各种网络攻击。
受限的机器学习能力
在边缘计算硬件平台上，机器学习常常需要强大的计算能力的支持。在Edge AI基础设施中，计算性能仅限于边缘或物联网设备的性能。在大多数情况下，大型复杂的边缘人工智能模型必须在部署到边缘人工智能硬件之前进行简化，这样才能提高其准确性和效率。
4、边缘智能：AI计算与智能的复合应用
随着人工智能向边缘侧的转移，AI行业的应用得到了极大扩展。现在的AI计算已经在制造业、政府、新零售、电信、医疗等不同应用场景下获得应用。很显然，边缘智能在拓展AI边界过程中发挥了重要作用，它能显著提升AI针对现场多样化业务场景的适应性，从而更好地支撑业务运营、为客户创造更多的价值。
边缘计算的快速发展使得计算能力加速向边缘迁移，AI也逐步从中心节点向更贴近数据源和业务现场的边缘侧拓展，边缘与云的关系已经呈现出既有分工又彼此合作的局面。在边缘侧，当边缘智能与边缘计算和人工智能相结合，能有效地执行实时、小数据的处理，开展AI模型的推理，并将结果回传至云端，这种“云—边—端”协同的边缘智能架构，解决了目前AI应用中存在的海量数据处理、实时响应以及数据安全等问题，为AI在更多行业的应用奠定了基础。
制造业是国民经济的基础性产业，同时也是推动智能化发展最迫切的行业之一。根据IDC的预测，未来几年，边缘智能支出在生产过程智能化、智能供应链与物流、数据安全与合规等应用场景将保持20%以上的年均复合增长率。以产品质检为例，传统的产品质检主要依靠人工目视或传统的基于模式匹配技术的机器视觉，漏检、误检率高。采用边缘智能技术后，不仅显著提升了机器视觉的检测能力和适用性，产品质量也能得到有效控制。
在智慧城市建设中，AI应用已经渗透到城市管理、交通、民生等诸多方面，随着智慧城市向精细化和社区化下沉，边缘智能在智慧交通、应急响应、城市安全等场景下的应用日渐增多。IDC的预测是，在未来几年，边缘智能支出在城市运维管理场景这一市场将保持25%的增速。
5G支持的人工智能和创新应用对网络延迟有很高的要求，边缘智能在此过程中将发挥重要作用。比如电信运营商通过建设具备GPU的MEC边缘数据中心，就可以为行业用户提供边缘计算服务，降低企业自建边缘计算中心的成本。
对许多应用而言，边缘侧显然是进行机器学习处理的理想位置。在制造业、政府、零售、电信、医疗等重点领域，敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护已经成为核心需求，边缘智能是实现行业数字化转型的关键。随着边缘智能技术和解决方案的不断完善，在汽车、消费电子、服装、钢铁、化工等信息化基础良好的行业，AI场景化应用也将逐步落地。IDC的预测是，到2024年，制造业、政府、零售、电信、医疗五大行业在边缘智能应用上的支出将达到159亿美元，占整体边缘智能市场支出的49%。
来源：我爱方案网 链接：https://www.52solution.com/
