边缘和智能，是谁在借谁上位？

作者丨王曲苑

学校丨西南大学博士生

研究方向丨人工智能、边缘计算

边缘计算和 人工智能是当今业界和学术环境中都频频提到的两个词语，也是如日中天的两个方向。 正如“I have a pen, I have an  apple, ah, Apple pen"一样， 边缘智能应运而生。诚如 Gartner 2018 技术曲线表现出来的那样，Edge AI 还处于绝对的爬坡阶段。但是在边缘智能中，我们更侧重于谁呢？到底是边缘借位智能，还是智能借位边缘？

相比于人工智能来说，边缘计算似乎稍微小众了些。在这里，先向大家简单介绍一下什么是边缘计算。边缘计算的概念是由云计算-移动云计算逐步衍生而来的，所谓边缘计算就是 我们可以将手头需要处理的任务卸载到周边距离不太远的边缘云上寻求他人帮助， 以获得更好的用户体验（比如，处理延时更短、自身消耗能量更少等等）。

所谓边缘云，往宏观说可以是带有计算能力的任何可接入点，而一般来说我们认为能够作为边缘云的是 资源相对富足、能力相对突出的附近设备（如，他人的手机、楼宇服务器等）。

为了弄清楚边缘计算和人工智能的“借位关系”，我们还是要从二者是如何结合起来来分析。通过阅读一系列边缘智能的学术论文， 作者以为目前学术环境下的边缘与智能结合主要是两个方面： 

1. 将边缘计算的思想应用在人工智能领域，试图打造真正亲民的AI系统，让炼丹不再是孤独的 GPU 游戏； 

2. 将人工智能方法应用在边缘计算领域，利用人工智能算法参与边缘计算调度、缓存、通信等过程，让边缘端更智能地计算； 

总的来说， 前者使得人工智能“落地” ，后者使得边缘端智能。因此在本文中我们将主要以两篇学术文章为例，分别从以上两个角度去解析和探索当前边缘智能方向的发展。 

边缘智能： 端边结合的按需深度学习模型和协同推理

引言

论文链接：

https://arxiv.org/pdf/1806.07840v1.pdf

这篇文章是中山大学数据科学与计算机学院的陈旭教授团队发表的  Edge Intelligence: On-Demand Deep Learning Model Co Inference with Device-Edge Synergy，本文以深度神经网络（DNN）为例，主要描述了如何将学习模型部署在资源受限的边缘 端的两种方法：模型切分（DNN partitioning）和模型精简（DNN Right-Sizing）。 

模型切分 

作者给我们展示了在树莓派运行的每层运行时间和输出数据量，面对每层不同的运行时间和数据输出量，结合边缘计算思想，最直 观最暴力的想法就是 把费时的计算密集型层通过网络卸载到计算能力稍大的服务器，以较少的通信开销换