人工智能如何改变边缘计算的未来

随着物联网设备（例如手机，虚拟助手，笔记本电脑，平板电脑，建筑物传感器，无人机，安全摄像机和可穿戴式健康传感器）的数量有望在2025年超过700亿，边缘计算应用也将增加。

物联网设备在零售，医疗保健，工业，航空航天，国防，运输，设施维护，能源，制造业，供应链物流和智慧城市等广泛领域中具有广泛多样的应用。每个物联网设备都连续收集数据，需要快速分析以做出实时决策，特别是对于自动驾驶汽车，电网，远程手术，石油钻机甚至军用无人机等应用。

物联网设备的边缘计算与云计算

传统上，云计算是物联网设备分析和预测的模型。在中央云计算模型中，数据从最终用户设备（“边缘”）发送到云以进行分析；然后将决策发送回设备以执行。尽管中央计算模型中的数据中心具有处理和存储数据的巨大能力，但它们的维护成本高昂且耗电大。

边缘与云之间的数据传输不仅昂贵，而且很费时，并且会导致延迟（延迟时间）。此外，数据传输所需的能量超过了低能耗无线IoT设备可以支持的能量。当仅收集的一部分数据可能有用时，将所有数据传输到云也没有逻辑，操作或财务意义。最后，数据传输可能会对数据完整性和安全性产生不利影响。

相比之下，通过边缘计算，可以在IoT设备上收集和分析数据以进行快速推断（或决策）。以后，少量有用的数据将被移到云中。边缘计算具有几个优点。由于无需将数据从IoT设备传输到中央云，因此产生的滞后时间，带宽消耗和成本将很低，并且可以基于数据分析快速做出决策。

此外，即使系统处于脱机状态，边缘计算也可以继续运行，并且即时数据处理使确定哪些数据应该传输到云以进行进一步分析变得更加容易。

开发AI前沿：挑战

将AI与边缘计算相结合虽然很有意义，但硬件和AI软件组件面临着多重挑战。

第一个挑战是处理和功耗。AI由训练和推理软件组成。培训讲授一个模型来识别相关参数，以便它可以解释数据。推论是模型进行基于学习的预测的时间。

在云计算中，高能耗训练在云上进行，然后将经过训练的软件部署到边缘，以进行相对低能耗的预测（或推断）任务。在边缘计算中，培训转移到了边缘，从而对边缘硬件的处理能力提出了更高的要求。对于物联网设备，这种增加的能耗带来了更大的问题，需要重新平衡处理能力与功率需求。

现在，数据存储和安全性构成了第二个挑战，因为边缘设备将保留大部分数据，仅将一小部分传输到云中。另外，设备需要存储用于学习和推理的参数。第三个挑战是物联网设备的数量庞大，并且目前缺乏针对它们的安全标准。

因此，科技公司需要开发具有更高处理能力和更低能耗的硬件，以及能够更有效地执行学习和推理的软件。此外，物联网的应用是针对特定场景和特定部门的，因此对于自定义而言，强大的生态系统和开发人员环境至关重要。