人工智慧如何改變邊緣計算的未來

隨著物聯網裝置（例如手機，虛擬助手，膝上型電腦，平板電腦，建築物感測器，無人機，安全攝像機和可穿戴式健康感測器）的數量有望在2023年超過700億，邊緣計算應用也將增加。

物聯網裝置在零售，醫療保健，工業，航空航天，國防，運輸，設施維護，能源，製造業，**鏈物流和智慧型城市等廣泛領域中具有廣泛多樣的應用。每個物聯網裝置都連續收集資料，需要快速分析以做出實時決策，特別是對於自動駕駛汽車，電網，遠端手術，石油鑽機甚至軍用無人機等應用。

物聯網裝置的邊緣計算與雲計算

傳統上，雲計算是物聯網裝置分析和**的模型。在**雲計算模型中，資料從終端使用者裝置（「邊緣」）傳送到雲以進行分析；然後將決策傳送回裝置以執行。儘管**計算模型中的資料中心具有處理和儲存資料的巨大能力，但它們的維護成本高昂且耗電大。

邊緣與雲之間的資料傳輸不僅昂貴，而且很費時，並且會導致延遲（延遲時間）。此外，資料傳輸所需的能量超過了低能耗無線iot裝置可以支援的能量。當僅收集的一部分資料可能有用時，將所有資料傳輸到雲也沒有邏輯，操作或財務意義。最後，資料傳輸可能會對資料完整性和安全性產生不利影響。

相比之下，通過邊緣計算，可以在iot裝置上收集和分析資料以進行快速推斷（或決策）。以後，少量有用的資料將被移到雲中。邊緣計算具有幾個優點。由於無需將資料從iot裝置傳輸到**雲，因此產生的滯後時間，頻寬消耗和成本將很低，並且可以基於資料分析快速做出決策。

此外，即使系統處於離線狀態，邊緣計算也可以繼續執行，並且即時資料處理使確定哪些資料應該傳輸到雲以進行進一步分析變得更加容易。

開發ai前沿：挑戰

將ai與邊緣計算相結合雖然很有意義，但硬體和ai軟體元件面臨著多重挑戰。

第乙個挑戰是處理和功耗。ai由訓練和推理軟體組成。培訓講授乙個模型來識別相關引數，以便它可以解釋資料。推論是模型進行基於學習的**的時間。

在雲計算中，高能耗訓練在雲上進行，然後將經過訓練的軟體部署到邊緣，以進行相對低能耗的**（或推斷）任務。在邊緣計算中，培訓轉移到了邊緣，從而對邊緣硬體的處理能力提出了更高的要求。對於物聯網裝置，這種增加的能耗帶來了更大的問題，需要重新平衡處理能力與功率需求。

現在，資料儲存和安全性構成了第二個挑戰，因為邊緣裝置將保留大部分資料，僅將一小部分傳輸到雲中。另外，裝置需要儲存用於學習和推理的引數。第三個挑戰是物聯網裝置的數量龐大，並且目前缺乏針對它們的安全標準。

因此，科技公司需要開發具有更高處理能力和更低能耗的硬體，以及能夠更有效地執行學習和推理的軟體。此外，物聯網的應用是針對特定場景和特定部門的，因此對於自定義而言，強大的生態系統和開發人員環境至關重要。