隨著人工智能(AI)和機器學習(ML)的發(fā)展，以算法形式處理大量數(shù)據(jù)的能力變得越來越重要。

為了使數(shù)十億連接設(shè)備上的數(shù)據(jù)應(yīng)用程序能夠更高效、更有價值德爾使用，處理從集中式第三方云服務(wù)器遷移到分散的、本地化的設(shè)備上(通常稱為邊緣計算)的勢頭越來越大。根據(jù)SAR Insight & Consulting最新的人工智能/機器學習嵌入式芯片數(shù)據(jù)庫顯示，在2019-2024年，全球支持人工智能的設(shè)備和邊緣計算的CAGR將以64.2%的速度增長。

在邊緣進行數(shù)據(jù)計算，不需要網(wǎng)絡(luò)

Edge AI將算法和處理數(shù)據(jù)盡可能地接近物理系統(tǒng)，在這種情況下，本地需在硬件設(shè)備上進行處理。其優(yōu)點是數(shù)據(jù)處理不需要連接。數(shù)據(jù)的計算發(fā)生在網(wǎng)絡(luò)的“邊緣”，也就是數(shù)據(jù)被開發(fā)的地方，而不是集中數(shù)據(jù)處理中心。對于設(shè)備、技術(shù)和組件提供商來說，在邊緣處理的能力和應(yīng)該能力之間取得適當?shù)钠胶鈱⒊蔀樽钪匾臎Q策之一。

在生產(chǎn)深度學習預測模型的訓練和推理引擎中，邊緣處理通常需要來自Intel、Qualcomm、Nvidia和谷歌等供應(yīng)商的x86或Arm處理器，以及一個AI加速器，并且能夠處理10-14個核心高達2.5 GHz的速度。

為時間敏感的應(yīng)用程序提供實時結(jié)果

隨著市場的擴大，計算數(shù)據(jù)和計算能力的服務(wù)和應(yīng)用需求也在不斷擴大，這會對推動邊緣計算發(fā)展起到積極作用。由于可靠、可適應(yīng)性強的情境資訊的需求不斷變化, 大多數(shù)數(shù)據(jù)都遷移到本地的設(shè)備上處理，從而獲得更快的性能和響應(yīng)時間(少于幾毫秒)、更低的延遲、更低的電源效率。此外，通過在設(shè)備上保留數(shù)據(jù)提高了安全性，以及通過最小化數(shù)據(jù)中心傳輸而節(jié)省了成本。

邊緣計算的最大好處之一是能夠為時間敏感的需求確保實時結(jié)果。在許多情況下，傳感器數(shù)據(jù)可以直接收集、分析和交流，而無需將數(shù)據(jù)發(fā)送到時間敏感的云中心。

關(guān)鍵是，跨各種邊緣設(shè)備的可伸縮性能夠幫助加速本地決策。為提供即時和可靠數(shù)據(jù)的能力建立了基礎(chǔ)，也提高了客戶參與度，在許多情況下，還挽救了生命。想想家庭安全、航空航天、汽車、智能城市、醫(yī)療保健等這些行業(yè)——這對診斷和設(shè)備性能的即時解釋至關(guān)重要。

人工智能優(yōu)勢的發(fā)展

亞馬遜、谷歌、蘋果、寶馬、大眾、特斯拉、Airbus, Fraunhofer, Vodafone, Deutch Telekom, Ericsson, 和Harting等創(chuàng)新機構(gòu)，現(xiàn)在都在為AI下著巨大的砝碼。此外，許多這樣的公司正在建立行業(yè)協(xié)會，如歐洲邊緣計算聯(lián)盟(EECC)，它可幫助教育和激勵中小型和大型企業(yè)，以推動制造業(yè)和其他工業(yè)市場采用邊緣計算。

歐洲邊緣計算產(chǎn)業(yè)聯(lián)盟旨在支持歐洲和世界各地的大中小型企業(yè)采用相關(guān)技術(shù)，尤其側(cè)重于 OT 技術(shù)與 ICT 技術(shù)的融合。ECCE將推動在制造業(yè)，運營商以及企業(yè)與 IoT 等相關(guān)領(lǐng)域解決方案中采用邊緣計算技術(shù)，注重發(fā)現(xiàn)和推動現(xiàn)有的技術(shù)，標準的應(yīng)用并持續(xù)貢獻，使得聯(lián)盟成員的產(chǎn)品更加符合用戶對邊緣計算解決方案的需求。聯(lián)盟成立的目標包括：邊緣計算參考架構(gòu)模型（ECCE RAMEC）、邊緣計算全棧技術(shù)實現(xiàn)（邊緣計算節(jié)點）、識別產(chǎn)業(yè)發(fā)展的短板并通過對不同路徑的評估比較找到最佳實踐（ECCE Pathfinders），與相關(guān)產(chǎn)業(yè)/標準化組織積極互動，對聯(lián)盟的成果進行推廣。

邊緣計算的參考體系結(jié)構(gòu)模型

從邊緣往下看

人工智能和機器學習的發(fā)展為創(chuàng)造智能設(shè)備提供了大量的機會，這些設(shè)備能夠感知周圍的環(huán)境。對智能機器的需求將受益于多感官數(shù)據(jù)的增長，這些數(shù)據(jù)能夠以更高的精度和性能進行計算。邊緣計算可以將人工智能數(shù)據(jù)轉(zhuǎn)化為幾乎所有行業(yè)的“實時”價值。智能邊緣是人工智能技術(shù)發(fā)展和成功的下一個階段。

華為攜手多家合作伙伴，成立歐洲邊緣計算產(chǎn)業(yè)聯(lián)盟

在第二屆歐洲邊緣計算論壇（ECF）上，華為與多家合作伙伴達成意向，將共同努力，聯(lián)合建立歐洲邊緣計算產(chǎn)業(yè)聯(lián)盟（ECCE）。ECCE旨在為智能制造、運營商、企業(yè)與IoT等領(lǐng)域的廠商與組織提供全方位的邊緣計算產(chǎn)業(yè)合作平臺，通過產(chǎn)業(yè)協(xié)同，開放創(chuàng)新和示范推廣，深化行業(yè)數(shù)字化轉(zhuǎn)型，共同推進邊緣計算產(chǎn)業(yè)的蓬勃發(fā)展。

邊緣計算橫跨多個領(lǐng)域，涉及網(wǎng)絡(luò)聯(lián)接、數(shù)據(jù)聚合、芯片、傳感、行業(yè)應(yīng)用多個產(chǎn)業(yè)鏈角色。根據(jù)IDC統(tǒng)計數(shù)據(jù)顯示，到2020年將有超過500億的終端和設(shè)備聯(lián)網(wǎng)，其中超過50％的數(shù)據(jù)需要在網(wǎng)絡(luò)邊緣側(cè)分析、處理與存儲，邊緣計算市場之大顯而易見。另外，邊緣計算和5G相輔相成，5G 的加速推進也會促進邊緣計算的大規(guī)模部署。邊緣計算產(chǎn)業(yè)發(fā)展已進入重要機遇期。

除了華為以外，此次參與合作的還有ADI、ARM、龐巴迪、貝加萊自動化、德國人工智能研究中心（DFK）、IBM、英特爾、庫卡等來自世界各地不同行業(yè)的公司。

邊緣智能：現(xiàn)狀和展望

以云計算為代表的集中式處理模式將無法高效地處理邊緣設(shè)備產(chǎn)生的數(shù)據(jù)，無法滿足人們對服務(wù)質(zhì)量的需求。其劣勢主要體現(xiàn)在以下兩個方面。

實時性不夠。在云計算服務(wù)模式下，應(yīng)用需要將數(shù)據(jù)傳送到云計算中心進行處理，這增大了系統(tǒng)的時延。以無人駕駛汽車為例，高速行駛的汽車需要在毫秒級的時間內(nèi)響應(yīng)，一旦由于數(shù)據(jù)傳輸、網(wǎng)絡(luò)等問題導致系統(tǒng)響應(yīng)時間增加，將會造成嚴重的后果。

帶寬不足。邊緣設(shè)備產(chǎn)生的大量數(shù)據(jù)全部傳輸至云計算中心，給網(wǎng)絡(luò)帶寬造成了極大的壓力。例如，飛機波音787每秒產(chǎn)生的數(shù)據(jù)超過5 GB，但飛機與衛(wèi)星之間的帶寬不足以支持數(shù)據(jù)的實時傳輸。

邊緣計算模型應(yīng)運而生。邊緣計算是部署在邊緣終端設(shè)備和云計算中心之間的一種新型計算模型。邊緣計算的資源是指從數(shù)據(jù)源到云計算中心路徑上的任意計算和網(wǎng)絡(luò)資源，是一個連續(xù)系統(tǒng)。在該模式下，邊緣設(shè)備上亦有計算。邊緣計算具有幾個明顯的優(yōu)點：首先，邊緣設(shè)備處理了部分產(chǎn)生的臨時數(shù)據(jù)，不再需要將全部數(shù)據(jù)上傳至云端，只需要傳輸有價值的數(shù)據(jù)，這極大地減輕了網(wǎng)絡(luò)帶寬的壓力，且減少了對計算存儲資源的需求。其次，在靠近數(shù)據(jù)源端進行數(shù)據(jù)處理，能夠大大地減少系統(tǒng)時延，提高服務(wù)的響應(yīng)時間。

而人工智能技術(shù)已成功應(yīng)用于目標識別、智能搜索、語言處理、智能交通等領(lǐng)域。然而，由于人工智能方法包含大量的計算，當前人工智能大部分計算任務(wù)部署在云計算中心等大規(guī)模計算資源集中的平臺上，這極大地限制了人工智能帶給人們的便利。

為此，邊緣智能應(yīng)聲而出。邊緣智能是指終端智能，它是融合網(wǎng)絡(luò)、計算、存儲、應(yīng)用核心能力的開放平臺，并提供邊緣智能服務(wù)，滿足行業(yè)數(shù)字化在敏捷連接、實時業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護等方面的關(guān)鍵需求。將智能部署在邊緣設(shè)備上，可以使智能更貼近用戶，更快、更好為用戶地提供智能服務(wù)。

邊緣智能面臨的挑戰(zhàn)

人工智能方法主要包括訓練和推斷兩部分。訓練主要是利用已知結(jié)果的大量數(shù)據(jù)來訓練模型，即根據(jù)已有的大量數(shù)據(jù)來擬合模型及參數(shù)。推斷主要是用擬合好的模型對未知結(jié)果的數(shù)據(jù)結(jié)果進行預測。訓練過程需要大量的計算資源和存儲資源。將人工智能部署在邊緣設(shè)備上，主要面臨以下幾個挑戰(zhàn)。

計算、存儲、能耗等資源受限。相比于云計算中心等大規(guī)模服務(wù)器集群，邊緣計算的資源是指從數(shù)據(jù)源到云計算中心路徑上的任意計算和網(wǎng)絡(luò)資源（如攝像頭、網(wǎng)關(guān)等）。因而，邊緣設(shè)備的計算、存儲能力往往遠遠小于專用服務(wù)器的計算、存儲能力，無法滿足人工智能訓練所需的大量計算和存儲資源。除此之外，部分邊緣設(shè)備采用蓄電池等小型供電設(shè)備，無法滿足計算所需的能耗。

邊緣網(wǎng)絡(luò)資源不足。根據(jù)Cisco云指數(shù)的預測，到2021年，全球范圍將有超過500億的終端設(shè)備，每年產(chǎn)生的數(shù)據(jù)總量將達到847 ZB。相比而言，全球數(shù)據(jù)中心的存儲能力預計僅能達到2.6 ZB，而網(wǎng)絡(luò)流量為19.5 ZB。

人工智能在“邊緣”并行困難。人工智能是研究使計算機模擬人的某些思維過程和智能行為（如學習、推理、思考、規(guī)劃等）的學科。人工智能模型模擬人腦神經(jīng)元的互聯(lián)關(guān)系，模型復雜，各組成部分之間依賴性強，在分布式環(huán)境下并行困難。