人工智能如何改变边缘计算的未来

作者：John Koon，特约作家

根据Statista的数据，到 2025 年，随着物联网 (IoT) 设备（例如手机、虚拟助手、笔记本电脑、平板电脑、楼宇传感器、无人机、安全摄像头和可穿戴健康传感器）的数量将超过 700 亿台，edge - 计算应用程序也将增加。根据 Tratica 的数据，全球人工智能 (AI) 边缘设备的数量预计将从 2018 年的 1.614 亿台跃升至 2025 年的 26 亿台。

物联网设备在零售、医疗保健、工业、航空航天、国防、交通运输、设施维护、能源、制造、供应链物流和智慧城市等广泛领域具有众多多样的应用。每个物联网设备都在持续收集数据，需要对其进行快速分析以做出实时决策，尤其是对于自动驾驶汽车、电网、远程手术、石油钻井平台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”）发送到云端进行分析；然后，该决定被传回设备执行。虽然中央计算模型中的数据中心具有巨大的处理和存储数据的能力，但它们的维护成本高且耗电。

边缘和云端之间的数据传输不仅成本高昂，而且非常耗时并会导致延迟（滞后时间）。此外，数据传输所需的能量超过了低能量无线物联网设备所能支持的能量。当收集到的数据中只有一小部分可能被证明有用时，将所有数据传输到云中也没有逻辑、运营或财务意义。最后，数据传输可能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，在物联网设备上收集和分析数据以进行快速推理（或决策）。稍后，少量有用的数据将被移动到云端。边缘计算提供了几个优势。由于无需将数据从物联网设备传输到中央云，因此产生的延迟时间、带宽消耗和成本将很低，并且可以根据数据分析快速做出决策。

此外，即使系统处于离线状态，边缘计算也可以继续运行，即时数据处理可以更轻松地确定应将哪些数据传输到云端进行进一步分析。

开发 AI 边缘：挑战虽然将 AI 与边缘计算相结合是有意义的，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。人工智能由训练和推理软件组成。训练教一个模型识别相关参数，以便它可以解释数据。推理是模型进行基于学习的预测的时候。

在云计算中，高耗能训练发生在云端；然后将经过训练的软件部署到边缘以执行相对低能耗的预测（或推理）任务。在边缘计算中，训练向边缘转移，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。

数据存储和安全提出了第二个挑战，因为边缘设备将保留大部分数据并仅将一小部分传输到云端。此外，设备需要存储学习和推理的参数。第三个挑战是物联网设备的数量庞大以及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行业的，因此为定制提供强大的生态系统和开发人员环境至关重要。

开发 AI 边缘：进展专注于物联网边缘硬件的大大小小的公司包括BrainChip（Akida Neuromorphic System-on-Chip）、CEVA（NeuPro 系列）、Google（Edge TPU）、GreenWave（AI 处理器 GAP8） 、华为（Ascend Chips）、英特尔（Xeon）、英伟达（Jetson TX2）、高通（视觉智能平台）和意法半导体（STM32微控制器）。

较小的公司倾向于专注于物联网边缘软件。一些专注于学习，如 Ekkono、FogHorn 和 Swim（基于云的 POS），而另一些专注于推理，如 Renesas (e-AI)。许多公司还开发具有这两种功能的软件，例如 Amazon（AWS Greengrass ML 推理模型）、BrainChip（Studio 软件）、Google（Cloud IoT Edge）、华为（Atlas 平台）和 IBM（Watson IoT 平台）。

大型科技公司处于构建生态系统的最佳位置，以使开发人员能够创建特定于行业和场景的解决方案。这些公司包括谷歌（人工智能平台）、华为（MindSpore）、IBM（沃森）、英特尔（人工智能开发者计划）和微软（Azure）以及企业物联网构建模块，如物联网中心、Azure Databricks、ML Studio 和 Power BI） .

但是，也有一些较小的公司正在创建生态系统，例如BrainChip 的 Akida 开发环境。此外，OpenFog Consortium 等贸易组织和 Living Edge Lab、ETSI 多接入边缘计算和 EdgeX Foundry 等开源项目也在为生态系统做出贡献。此外，包括高通、微软和英特尔在内的领先企业在行业内也有很多合作，它们正在与各个领域的合作伙伴进行合作。

结论借助专门的硬件、软件和开发人员环境，边缘计算可能会提高操作可靠性、实现实时预测并提高数据安全性。5G 承诺降低延迟并增强覆盖和响应能力，而量子计算加速计算，可能会进一步提高边缘计算的效率。

然而，跨边缘设备网络有效分配处理需求将是一个挑战。此外，任务的有效调度对于避免系统故障和优化机器学习将变得至关重要。随着时间的推移，预计会出现更强大、功耗要求更低的处理芯片，届时基于人工智能的边缘计算将真正大放异彩。

审核编辑 黄昊宇