边缘计算和物联网

在本系列的前两篇博客中，包括Wi-Fi 网状网络和物联网以及RESTful API 和在物联网中移动数据，我们研究了构成物联网的设备之间的通信所涉及的挑战和解决方案。物联网（物联网）。即使即将推出 5G 网络及其提供的功能（包括更快的速度、移动性重点、可扩展性，以及它是允许增量升级的软件定义标准这一事实），物联网仍准备用前所未有的海量数据淹没这些网络。因此，功能性物联网的部分解决方案是明智地将哪些数据传输到网络。如果设备可以在端点本地对原始数据执行更多处理，那么需要传输的原始数据就会更少。这个概念被称为边缘计算——或更不常见的雾计算。

边缘计算的核心只是意味着在靠近生成数据的端点处处理原始传感器数据，而无需进入云端使用高端服务器的繁重计算能力。人工智能(AI) 算法包括一组不断发展的软件——机器学习（ML 和神经网络驱动的深度学习 (DL) 是实现 AI 的主要方法）将实现进行这种本地巨大数据处理所需的大部分创新。这些算法需要大量计算。对于嵌入式系统而言，这是一个挑战。嵌入式系统历来优先考虑低成本、低功耗和小占用空间，而不是这些下一代算法必须具备的有效内存和处理能力。

输入不起眼的现场可编程门阵列(FPGA)。FPGA 并不新鲜。事实上，它们是在 80 年代发明的。Xilinx 的创始人于 1985 年将第一款商业上可行的 FPGA XC2064 推向市场。

正在发生变化的是，价格和性能正在达到这样的水平，即使是为物联网端点提供动力的低成本设备，它们也是有吸引力的选择。较低密度的 FPGA——例如，具有很少可配置逻辑块的 FPGA——由于多种原因成为物联网的一个有吸引力的选择：

FPGA 使并行处理成为可能。此功能是实现神经网络高性能的理想选择。

FPGA 具有可重新配置的灵活性。这一点至关重要，因为 AI/DL/ML 算法仍在进行中；因此，它们不断得到改进。能够更新意味着即使是现场硬件也可以利用未来的改进。

甚至更低密度的 FPGA 在越来越小的封装中封装了越来越多的逻辑和 I/O 块。这些改进也伴随着相应的成本下降。这对于必须应对微薄利润率的面向消费者的物联网设备至关重要。

低密度 FPGA 的能效非常适合物联网用例。这对于电池供电和其他低功耗应用至关重要。试想一下，由于这些算法，你后兜里最新的 Android 和 iOS 设备能够进行面部识别和增强现实 (AR)。

FPGA 正在获得更好的设计工具，使其更易于在嵌入式系统中使用。授权工程师改进开发周期意味着更快的上市时间。即使是面向制造商的 Arduino 平台也凭借其最近发布的 MKR Vidor 4000 和即将发布的基于云的块编程接口进入了 FPGA 市场。

应该注意的是，将数据返回到可以积累和处理集体数据的云服务确实有好处。教授和改进 ML 和 AL 算法需要访问大量数据。物联网非常乐意提供数据。教授 AI 算法需要大量的处理能力，而大块头仍然可以做得更好。但是，一旦人工智能算法得到改进并作为物联网端点的升级实施，嵌入式设备就会变得更加智能。让他们在面对现实世界中的新场景时做出更好的决策。正如人类不断学习和提高他们的心理技能一样。

审核编辑：汤梓红