nexgemo的博客

随着边缘计算的逐渐普及，更多的行业开始享受到边缘计算带来的灵活与快捷。推动数字化和智能化的发展。

近几年来，边缘计算搭配AI技术的组合已经深入到很多行业领域，其现场部署现场计算的特性，使数据可在生成后立即处理，而不是传回上千公里外的服务器上，不仅可以大大减少计算的响应时间，降低网络带宽成本，还能避免数据泄露的风险。

随着物联网的发展，各行各业对海量信息的实时需求也将得到提升。根据麦肯锡咨询公司的数据，交通在边缘计算的应用行业应用中占比最高。智能交通的作为一个庞大的系统工程，涵盖了车路协同、信号控制、无人驾驶、执法监控、道路养护等各个方面。边缘计算在交通领域基于位置的应用，如城市智能公共交通工具运行与交通设施管理时，可以进行基于位置状态的实时处理和数据采集。而在视频监控的应用中，边缘计算可以建立视频监控的计算模型，提高视频监控系统前端摄像头的智能处理能力，从而优化预警系统和处置机制。

工信部《“十四五”智能制造发展规划》中提到的，到2025年规模以上制造业企业基本普及数字化，智能制造装备国内满足率超70%。工业互联网（Industrial Internet）的加速发展，带来新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态。人、机、物、系统的全面连接，为工业乃至产业数字化、网络化、智能化发展提供了实现途径，是第四次工业革命的重要基石。随着工业互联网发展，边缘计算与人工智能也在实际应用中深度融合。

边缘计算、5G、人工智能，正在催生智慧农业的落地，通过新的科技手段，从源头上对肉菜的生产、流通做到可追溯，从田间到餐桌，保障“菜篮子”的品质与安全，助力我国农业的现代化升级。

通过IHS研究，国内监控摄像头在2020年已经超过了3.5亿个，而21年则会提高到近5亿个。得益于深度学习的发展，过去依靠人工监控屏幕的传统方式已经低效，通过边缘AI计算设备的识别算法既可以独立完成这些任务。边缘计算能够应对更快、更复杂的决策。基于人工智能的机器学习技术已经超越了基于云的数据中心，重要的数据处理工作越来越接近数据发生位置，也就是边缘端。这一举措将通过配备新人工智能 (AI) 的芯片实现。边缘AI正在推动下一代物联网。根据Tractica报告，2020年全球人工智能芯片市场规.

2020年开始，国家提出加快新基建进度，作为其中重要的一环：人工智能的体量将会进一步增长。当前技术结构下，人工智能（AI）的处理大多通过云中心完成。AI处理以深度学习模型训练为主，这需要大量的计算能力。而在过去几年里，计算的需求量增加了数十万倍，其中图形处理单元（GPU）分散了大部分计算压力。AI推理是基于大量推理训练之后实现的，计算强度相对较低，对算力需求不大。过去，与训练一样，推理计算也主要在云中心进行。然而， AI应用的多样化，基于云的集中式训练和推理机制受到质疑。什么是边缘AI？

近几年，随着边缘计算与AI的结合，边缘AI逐渐成为新的智能转型手段，因其流量占用小、时延低、隐私性强等特点，可以与传统云计算形成组合拳。边缘端现场实时处理与响应，保留重要数据回传云端，这种组合方式可以加速传统行业智能化升级的落地，在各行各业具有广泛的应用前景。智慧交通随着城市交通智能化的发展，各种终端数量的增加，对海量信息实时处理的需求也显著增加。比如交通监控摄像头，单个路口的高清摄像头每天就会产生几十G的视频文件，如果是一条街、一个区域、甚至一座城市，产生的数据量是无比巨大的，而这些视

边缘计算是什么？近年来，物联网设备数量呈线性增长趋势。根据艾瑞测算， 2020年，中国物联网设备的数量达74亿，预计2025年突破150亿个。同时，设备本身也变得越来越智能化，AI与互联网在实际应用中的融合，将推动我们步入“万物互联”时代，由此产生的数据也将发生爆炸式增长。在过去的十年中，云计算已经成功地缓解了由于数据量增加而带来的存储和管理问题，但复杂的网络环境使得网络延迟控制难以实现突破性的进展。因此，传统的云计算无法满足对响应时间和安全性的高要求。以无人驾驶汽车为例。高速行