随着人工智（zhì）能（AI）和机器学习（ML）的发展，以算法（fǎ）形式处理大量数据（jù）的能力变得越来越重要（yào）。

为了使数十（shí）亿连接（jiē）设备上的数据应用（yòng）程序能够更高（gāo）效、更有价值（zhí）德（dé）尔（ěr）使（shǐ）用，处理从集（jí）中式第三方云（yún）服务器迁移（yí）到分散的（de）、本地化（huà）的设备（bèi）上（通常称为边缘计算）的势头（tóu）越来越大。根据SAR Insight ＆ Consulting最新的人工（gōng）智能／机器（qì）学（xué）习嵌入式芯片数据库显示，在2019－2024年，全球支（zhī）持（chí）人（rén）工智能的设备和边缘（yuán）计算的（de）CAGR将以（yǐ）64．2％的（de）速度增（zēng）长。

在边缘进行数据（jù）计算，不需要网络

Edge AI将算法和（hé）处理数据尽可能地接近物理系统（tǒng），在这种情况下，本地需在（zài）硬件设备上进行处（chù）理。其优点是（shì）数据处理不需要连接。数据的计算（suàn）发生在网络的“边缘”，也就是数据被开发的地方（fāng），而不（bú）是集（jí）中数据处（chù）理中心。对于设备、技术（shù）和组（zǔ）件提供（gòng）商来说，在边缘处理的能力和应该（gāi）能力（lì）之间（jiān）取得适（shì）当（dāng）的平衡将成为最重要的（de）决（jué）策（cè）之一。

在生产深（shēn）度学习预（yù）测模型的训练（liàn）和推理引擎中，边缘处（chù）理通常需要来自Intel、Qualcomm、Nvidia和谷歌等供应商的x86或Arm处理器，以及一个AI加（jiā）速器，并且能够（gòu）处理10－14个核心高达2．5 GHz的速度。

为时间（jiān）敏感的应用程序（xù）提供实时（shí）结果

随着市场的扩（kuò）大，计算数（shù）据（jù）和计算能力的服务和应用需求也（yě）在不断扩大，这（zhè）会对推动边缘计算发（fā）展起到积极作用。由于可（kě）靠、可适应性强的情（qíng）境资讯的需求不（bú）断变化， 大多数数据都迁移到本（běn）地的（de）设备上（shàng）处理，从而（ér）获得（dé）更快的（de）性能和响（xiǎng）应时间（少于几（jǐ）毫（háo）秒）、更低的（de）延迟、更低的（de）电（diàn）源效率。此外，通过（guò）在设备上保（bǎo）留数据提高了（le）安全性，以及通过最小化数据中（zhōng）心传输而节（jiē）省了成（chéng）本。

边缘计算的最（zuì）大好处之一是（shì）能（néng）够为时（shí）间敏感的需求确（què）保实时结果（guǒ）。在许多（duō）情况下，传感器数据可以直接收（shōu）集、分析和交流，而无需将数据（jù）发送到时间敏（mǐn）感（gǎn）的云（yún）中心。

关键是，跨各种边缘设备的（de）可伸缩性能够帮助加（jiā）速本（běn）地决策。为提供即时和可靠数据的（de）能力建立了基（jī）础，也提高了（le）客（kè）户参与度，在许多（duō）情况下，还挽救了（le）生命（mìng）。想想家庭（tíng）安（ān）全、航空航天、汽车、智能城市、医（yī）疗保健等这（zhè）些行业——这（zhè）对诊断和设备性能的即时解释至关重要。

人（rén）工智（zhì）能（néng）优势的（de）发展

亚（yà）马逊（xùn）、谷歌、苹（píng）果、宝马、大（dà）众（zhòng）、特斯拉、Airbus， Fraunhofer， Vodafone， Deutch Telekom， Ericsson， 和Harting等创新（xīn）机构，现在（zài）都（dōu）在（zài）为AI下（xià）着巨大的砝（fǎ）码。此外，许多这样的（de）公司正（zhèng）在（zài）建（jiàn）立行业协会，如欧洲边缘计算联盟（EECC），它可（kě）帮助教育（yù）和激励中小型和大型（xíng）企业，以推动制造业和其他工业市（shì）场采用边缘计算。

欧洲边缘计算（suàn）产业（yè）联（lián）盟（méng）旨在支持欧洲和世界各（gè）地的大中（zhōng）小型企业采用相关技术，尤其（qí）侧重于 OT 技（jì）术与 ICT 技（jì）术的融（róng）合。ECCE将推动在制造业，运营商（shāng）以及企业与 IoT 等相（xiàng）关领域（yù）解决方（fāng）案（àn）中采用边缘计算技术，注重发现和（hé）推（tuī）动现有的技术，标（biāo）准的（de）应用并持（chí）续贡献，使（shǐ）得联盟成员（yuán）的（de）产品更加符合用户对边缘计算解决方案的需求。联（lián）盟成（chéng）立的目（mù）标包括：边缘计算参（cān）考（kǎo）架构模型（ECCE RAMEC）、边缘计算全栈技（jì）术实现（边缘计算节点）、识别产业（yè）发展的短板（bǎn）并通过对不同路（lù）径的评估比较找到最佳实践（ECCE Pathfinders），与相（xiàng）关产业／标准化（huà）组织积极（jí）互动，对联盟（méng）的成果进行推广（guǎng）。

portant;" />

边缘计算（suàn）的参（cān）考（kǎo）体（tǐ）系结构模型

从边缘（yuán）往下（xià）看

人工智能和机器学习的（de）发展（zhǎn）为（wéi）创造智能设备提供了大量的机会，这（zhè）些设备（bèi）能够感知周围的环境。对智能机（jī）器的需求将受益于多感官数据的增长，这些数（shù）据（jù）能够（gòu）以更高的精度和性能进行（háng）计算（suàn）。边（biān）缘计（jì）算可以将人工智能数据转化为几乎所有行业的“实时”价值。智能（néng）边缘是（shì）人工智能技术发展和成功（gōng）的下一个阶段。

延伸（shēn）阅读（dú）

华为（wéi）携手多家合作伙伴（bàn），成立欧洲边缘计算产（chǎn）业联盟（méng）

在第二届欧洲边缘计算（suàn）论坛（ECF）上，华为（wéi）与（yǔ）多家合（hé）作（zuò）伙伴达成意向，将共同努力（lì），联合建立欧洲边（biān）缘（yuán）计算产业联盟（ECCE）。ECCE旨在为智能制造、运营商、企业与IoT等领域的厂商与组（zǔ）织（zhī）提供全方位的边缘（yuán）计算产业合（hé）作平台，通过产业协同（tóng），开放创新（xīn）和示范推（tuī）广，深化行（háng）业数（shù）字化转型，共同推进边缘计算产业的蓬勃（bó）发（fā）展。

portant;" />

边缘计算横跨多（duō）个（gè）领域，涉及网络联接、数据聚合、芯片、传感、行（háng）业应用（yòng）多个产业链角（jiǎo）色。根据IDC统（tǒng）计数据显示，到2020年将有超过500亿（yì）的（de）终端（duān）和设备联网，其中超过50％的数据需（xū）要在网络边缘侧分析、处理与存（cún）储，边缘（yuán）计（jì）算市场之大显（xiǎn）而易（yì）见（jiàn）。另外，边缘计算和5G相辅相成，5G 的加速（sù）推进也会（huì）促进边缘计算的大规模部署。边（biān）缘计算产（chǎn）业发展（zhǎn）已进入重要机遇期。

除了华为以外，此（cǐ）次参与（yǔ）合（hé）作的还有ADI、ARM、庞巴迪、贝加莱自动化、德国人工智（zhì）能研究中心（DFK）、IBM、英特尔、库（kù）卡等来自世界各地不同行（háng）业的公司。

边（biān）缘智能：现状和展望

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

以云计算为代表的集中式（shì）处理（lǐ）模式将无法高（gāo）效（xiào）地处（chù）理边（biān）缘设备产（chǎn）生的数据（jù），无法满（mǎn）足（zú）人们对服务质量的需求（qiú）。其劣势（shì）主要体现在以下（xià）两个方面。

● 实时性（xìng）不（bú）够（gòu）。在云计算服务模式下，应用（yòng）需（xū）要将数据传送到云（yún）计（jì）算中心进行处理，这（zhè）增大了系（xì）统的时延。以无人（rén）驾驶汽（qì）车为例，高速行驶的汽车需（xū）要在毫秒级的时间内响（xiǎng）应，一旦由（yóu）于数据传输（shū）、网络等问题导致系统响应时间增加（jiā），将会（huì）造成严重的后（hòu）果（guǒ）。

● 带宽不足。边缘设（shè）备产生的大（dà）量数据（jù）全（quán）部（bù）传输至云（yún）计算中心，给（gěi）网络带宽造成（chéng）了（le）极大的压力。例如，飞机波音787每秒产（chǎn）生的数据超过5 GB，但飞机与卫星之间的带宽不足以（yǐ）支持数据的实时（shí）传输。

边缘计算模型应运而生。边缘计算是（shì）部（bù）署在边缘终端设备和云计算中心之间的一（yī）种（zhǒng）新型计（jì）算模型。边缘计算的（de）资源是指（zhǐ）从（cóng）数据源到云计算中心路径上的（de）任意（yì）计算和网络资源，是一个连续系统。在（zài）该模式（shì）下，边缘（yuán）设备上亦有计（jì）算。边（biān）缘计算（suàn）具有几（jǐ）个明显的（de）优点：首先，边缘设备处理了部分产（chǎn）生的（de）临时数据，不再需（xū）要将（jiāng）全部数据上传至云端，只（zhī）需要传输有价值（zhí）的（de）数据，这（zhè）极大（dà）地减轻了网络带宽的压力，且减少了对（duì）计算存储资源的需求。其次，在靠近（jìn）数据源端进行数据处理，能够大大地减少系统时延，提高服务的响（xiǎng）应（yīng）时（shí）间。

而人（rén）工智（zhì）能技术已成功应用于目标识别、智能（néng）搜索、语言处理、智能交通等领域。然而，由于人工智能方法包含大量的计算（suàn），当前人工智能大部（bù）分计（jì）算（suàn）任务部署（shǔ）在云计（jì）算中心等大规模计（jì）算资源集中（zhōng）的平（píng）台上（shàng），这极大（dà）地限制了人工智能带给人（rén）们（men）的（de）便利。

为（wéi）此，边缘（yuán）智能应声（shēng）而出。边缘智能是指终端智能，它是融合网络、计算、存储、应用核心能（néng）力的（de）开（kāi）放平台，并提供（gòng）边（biān）缘智能（néng）服务（wù），满足（zú）行（háng）业（yè）数字化在敏捷连接、实（shí）时业务、数据优化、应用智能、安全与隐私保护等方面的关键（jiàn）需（xū）求。将智能部署在边缘（yuán）设备上，可以使智能更贴近用户，更快、更好（hǎo）为用户地提（tí）供（gòng）智能服务。

边缘智（zhì）能面临的挑战

人工智能方（fāng）法主要包括训练和推断两部分（fèn）。训练主要是（shì）利用已知结果的大量数据来（lái）训练模型，即（jí）根据（jù）已有的（de）大量数据来拟合（hé）模型及参数（shù）。推断主要是用拟合好的模型对未知（zhī）结果（guǒ）的数据结果进行预测。训练过（guò）程需要大量的（de）计算资源和存储资源。将（jiāng）人工智能部署（shǔ）在边缘设备上，主要（yào）面临（lín）以下（xià）几个挑（tiāo）战（zhàn）。

● 计算、存储、能耗等（děng）资源（yuán）受限。相比于云计算中心等大规模（mó）服务器集群，边缘计算的资源是指从数据（jù）源到云计算中心路径（jìng）上的任意计算和（hé）网络资源（如摄像头、网关等（děng））。因而，边（biān）缘设备的计算、存储能力往往远远小于（yú）专用服（fú）务器的计算、存储（chǔ）能力，无法满足（zú）人工（gōng）智能训练所需的大（dà）量计算和存储资源。除（chú）此之外，部分边缘设（shè）备采（cǎi）用蓄电（diàn）池等小型供电设备（bèi），无法满（mǎn）足（zú）计算所（suǒ）需（xū）的（de）能耗。

● 边缘网络资源不足。根据Cisco云指数的预测（cè），到2021年，全（quán）球（qiú）范围将（jiāng）有超过500亿（yì）的终端设备，每年产（chǎn）生的数据总量将达（dá）到（dào）847 ZB。相比（bǐ）而（ér）言，全（quán）球（qiú）数据中心（xīn）的存储能力（lì）预计仅能达到2．6 ZB，而网络流量（liàng）为（wéi）19．5 ZB。

● 人工智能在“边缘”并行困难。人工（gōng）智能（néng）是研究使（shǐ）计（jì）算机模拟（nǐ）人的某些思（sī）维（wéi）过程和智（zhì）能（néng）行为（如（rú）学习、推理、思考（kǎo）、规划等）的学科（kē）。人工智（zhì）能模型模拟人脑神经元的互联关系，模（mó）型复（fù）杂，各（gè）组成部分之间依（yī）赖性强，在分布（bù）式（shì）环境下并行困难。