IDC預(yù)計(jì)到2018年有40%的物聯(lián)網(wǎng)數(shù)據(jù)需要在邊緣進(jìn)行存儲處理和分析，那么將有50%的物聯(lián)網(wǎng)的網(wǎng)絡(luò)會面臨著帶寬的問題。到2020年全世界將有多達(dá)500億的智能設(shè)備接入互聯(lián)網(wǎng)，未來40%以上數(shù)據(jù)需要在邊緣進(jìn)行分析、處理和存儲。這些智能設(shè)備包括，智能手機(jī)、個人穿戴設(shè)備、汽車、核磁共振儀、智能路燈、蒸汽發(fā)電機(jī)、飛機(jī)發(fā)動機(jī)等各式各樣的智能設(shè)備。嵌入式開發(fā)

物聯(lián)網(wǎng)時代引發(fā)的智能設(shè)備數(shù)量激增已經(jīng)成為共識，幾乎所有的行業(yè)都對數(shù)據(jù)處理的響應(yīng)速度提出了更高的要求，各類應(yīng)用場景均無法容忍網(wǎng)絡(luò)的延遲和計(jì)算延遲。以自動駕駛為例，如果攝像頭識別到正有行人從車前方走過，攝像頭識別圖象，然后對圖象進(jìn)行壓縮，再通過網(wǎng)絡(luò)傳到數(shù)據(jù)中心進(jìn)行分析并做出相應(yīng)判斷，這還遠(yuǎn)未結(jié)束，判斷結(jié)果需要再次通過網(wǎng)絡(luò)傳回給前端車輛，采取相應(yīng)的制動操作。如果按照這樣的閉環(huán)，當(dāng)汽車做出最終決策的時候，可能已經(jīng)造成了不可避免的損失。

另外，數(shù)據(jù)擁有者對數(shù)據(jù)隱私保護(hù)的意識也逐漸提升，他們不希望將數(shù)據(jù)上傳至云端，再通過第三方進(jìn)行分享，而希望這些數(shù)據(jù)在本地就得到處理。因此，在一些對隱私保護(hù)要求相對比較高的應(yīng)用場景則需要數(shù)據(jù)在邊緣進(jìn)行處理。

當(dāng)前，很多計(jì)算處理都發(fā)生在后端的數(shù)據(jù)中心，物聯(lián)網(wǎng)的應(yīng)用一定需要端到端的能力，會有越來越多的應(yīng)用被推送到前端進(jìn)行處理。那么，邊緣計(jì)算就可以憑借緩解帶寬壓力、及時響應(yīng)和保護(hù)隱私等獨(dú)特優(yōu)勢，發(fā)揮出至關(guān)重要的作用。

邊緣計(jì)算與云計(jì)算，二者將呈現(xiàn)出相輔相成、協(xié)同發(fā)展的狀態(tài)：一方面，隨著數(shù)據(jù)量的攀升，云計(jì)算的負(fù)荷不斷加重，若想持久發(fā)展就需要邊緣層“伸出援手”來做數(shù)據(jù)的預(yù)處理;另一方面，在很多的應(yīng)用場景中云計(jì)算則可以站在高處，把數(shù)據(jù)進(jìn)行匯總從而實(shí)現(xiàn)綜合應(yīng)用。例如，在交通行業(yè)，攝像頭能捕捉到的車輛運(yùn)行軌跡是有限的，只能觀察到一個路口或一個區(qū)域，若想完整查賬一輛車的軌跡，則必須要在云端通過不同攝像頭相連，匯總成更加全景式的記錄。

隨著人工智能對邊緣計(jì)算提出了更高的要求，工作負(fù)載整合將成為大勢所趨。工作負(fù)載整合就是把小型邊緣計(jì)算集成到中央服務(wù)器，從而降低服務(wù)成本，提升計(jì)算效率。邊緣側(cè)經(jīng)過負(fù)載整合，可以匯總成數(shù)據(jù)節(jié)點(diǎn)，同時也是控制中心。

可以說，人工智能在其中同樣也擔(dān)當(dāng)了受益與反哺的角色。一方面，人工智能的發(fā)展離不開海量數(shù)據(jù)的訓(xùn)練，邊緣計(jì)算的很多應(yīng)用場景都是人工智能很好的落腳點(diǎn)。反過來，人工智能也可以充分發(fā)揮其優(yōu)勢，不斷挖掘數(shù)據(jù)潛力、釋放數(shù)據(jù)價值，進(jìn)一步推動邊緣計(jì)算向前發(fā)展。

來源：朗銳智科