根據(jù)Metcalfe’s Law，網(wǎng)絡(luò)價(jià)值和用戶數(shù)的平方是成正比的，當(dāng)越來越多的人和智能的物連接在一個(gè)網(wǎng)絡(luò)上，會(huì)讓整個(gè)網(wǎng)絡(luò)增值。調(diào)研機(jī)構(gòu)預(yù)計(jì)，未來79%的物聯(lián)網(wǎng)流量將通過網(wǎng)關(guān)接入，50%的網(wǎng)絡(luò)流量將來自物聯(lián)網(wǎng)，而物聯(lián)網(wǎng)將貢獻(xiàn)超過500億的連接。與此同時(shí)，每個(gè)人、每個(gè)物體在每天所產(chǎn)生的數(shù)據(jù)量也將是當(dāng)前的2000倍。巨大的商機(jī)由此而來，不止為管道商，更是為上游芯片商和服務(wù)商。

　　整體來看，云計(jì)算服務(wù)最多的還是設(shè)備端，物聯(lián)網(wǎng)則是連接這些端的關(guān)鍵橋梁，無論是之后衍生出的移動(dòng)邊緣計(jì)算還是移動(dòng)云計(jì)算，都在將重心引到端上，而不是將精力”浪費(fèi)”在傳統(tǒng)的IaaS或PaaS端。因此，云服務(wù)商在處理工作負(fù)載時(shí)仍將遵循”大智能”在云端，”小智能”在邊緣的原則，但長期來看產(chǎn)業(yè)上下游圍繞邊緣場景打造智能化的解決方案已成必然趨勢。

　　傳統(tǒng)的物聯(lián)網(wǎng)方案會(huì)在設(shè)備端采集數(shù)據(jù)，然后將信息發(fā)送回遠(yuǎn)端的數(shù)據(jù)中心進(jìn)行處理，再由數(shù)據(jù)中心將指令返回到設(shè)備端。就像有一句話說的，世界上最遠(yuǎn)的距離是交通信號(hào)燈與攝像頭的距離，原因就是在于設(shè)備之間的數(shù)據(jù)沒有被打通，即使同一場景中的設(shè)備也必須經(jīng)由千里之外的數(shù)據(jù)中心才能交流。同時(shí)，網(wǎng)絡(luò)帶寬和數(shù)據(jù)存儲(chǔ)也會(huì)對(duì)數(shù)據(jù)中心造成較大的負(fù)擔(dān)。

　　而在網(wǎng)絡(luò)邊緣加入智能化的元素之后，可以讓處于邊緣的每個(gè)設(shè)備都擁有數(shù)據(jù)處理能力，而非只是將數(shù)據(jù)存在云端。與云計(jì)算融合之后，智能邊緣可以規(guī)?；呐渲煤筒渴鸪汕先f的邊緣設(shè)備，并結(jié)合不同的場景進(jìn)行自動(dòng)調(diào)度，讓物聯(lián)網(wǎng)環(huán)境內(nèi)的每個(gè)設(shè)備都能自行采集、計(jì)算、分析、反饋需求，在端與數(shù)據(jù)中心之間自由交互。

　　舉個(gè)例子，微軟Azure IoT Edge借助混合云和邊緣方案允許用戶自定義IoT應(yīng)用，支持在離線狀態(tài)下也能實(shí)現(xiàn)高級(jí)的數(shù)據(jù)分析，同時(shí)降低物聯(lián)網(wǎng)解決方案的構(gòu)建成本。落地到場景中，無人駕駛和AI服務(wù)都是應(yīng)用較為廣泛的。比如，無人卡車可以通過算法來動(dòng)態(tài)獲取駕駛者及貨物的信息，并以此來做出實(shí)時(shí)決策，包括路線規(guī)劃、緊急制動(dòng)等。再如在智能家居場景中，邊緣傳感器也無需持續(xù)將溫度數(shù)據(jù)傳到數(shù)據(jù)中心，而是會(huì)選擇出決定性的溫度變化進(jìn)行傳輸，甚至可以直接做出判斷和響應(yīng)。

　　其實(shí)除了工業(yè)互聯(lián)網(wǎng)的應(yīng)用，另一個(gè)AI在邊緣設(shè)備的場景就是常見的個(gè)人設(shè)備，即個(gè)人AI服務(wù)。英特爾在去年9月推出了一款名為”Loihi”的神經(jīng)網(wǎng)絡(luò)芯片，該產(chǎn)品主要用于幫助邊緣的智能設(shè)備處理數(shù)據(jù)。這樣一來，像Siri這樣的個(gè)人助理就能不僅僅依靠背后的云端處理能力，還可以在”本地”擁有真正的數(shù)據(jù)理解能力。

　　從技術(shù)層面來看，AI賦能邊緣計(jì)算的形態(tài)主要體現(xiàn)在兩個(gè)層面：數(shù)據(jù)和算力。這些數(shù)據(jù)在處理時(shí)會(huì)消耗機(jī)器學(xué)習(xí)系統(tǒng)的大量算力，之后將數(shù)據(jù)信息送到?jīng)Q策系統(tǒng)中進(jìn)行訓(xùn)練建模，之后推送到網(wǎng)絡(luò)邊緣進(jìn)而采取行動(dòng)。這一過程中，云端發(fā)揮的作用可能只是存儲(chǔ)，更重要的處理能力則通過邊緣的AI芯片來完成。通過引入機(jī)器學(xué)習(xí)技術(shù)，原有網(wǎng)絡(luò)邊緣的工作負(fù)載也會(huì)被有效緩解。

　　總體來看，物聯(lián)網(wǎng)環(huán)境的愈發(fā)復(fù)雜使得邊緣計(jì)算的出現(xiàn)成為必然，在低時(shí)延、高響應(yīng)逐漸發(fā)展為邊緣場景的必備能力時(shí)，如何引入更多的智能元素就成了大家都在思考的問題，否則邊緣設(shè)備也只能是割裂的設(shè)備而已。