设备制作人工_人工智能如何改变边缘计算的未来

移动电话、虚拟助理、笔记本电脑、平板电脑、建筑传感器、无人机、防盗摄像头、可穿戴健康传感器等物联网设备的数量预计在2025年将超过700亿人，边缘计算的应用也将增加。

物联网设备在零售、医疗、工业、航天、国防、运输、设施维护、能源、制造业、供应链物流和智能城市等广泛领域有着广泛的应用。 所有物联网设备都需要连续收集数据，迅速分析和实时决策，尤其应用于汽车、电网、远程手术、石油钻井机以及军用无人机等。

物联网设备的边缘计算与云计算

过去，云计算是物理网络设备的分析和预测模型。 在中央云计算模型中，数据从最终用户设备(“边缘”)发送到云，进行分析，然后将决策返回到设备并运行。 尽管中央计算模式的数据中心具有处理和存储数据的能力，但维护成本高，功耗大。

边缘和云之间的数据传输不仅昂贵，而且耗费时间和延迟(延迟时间)。 此外，数据传输所需的能量超过了低功耗无线IoT设备能够支持的能量。 如果收集的数据只有一部分有用，则将所有数据传输到云没有逻辑、运营或财务意义。 最后，数据传输可能会对数据完整性和安全性产生负面影响。

相反，边缘计算可以收集和分析IoT设备上的数据并进行快速估计(或决策)。 然后，一些有用的数据被移动到云。 边缘计算有几个优点。 不需要将数据从IoT设备传输到中央云，从而导致延迟、带宽消耗和成本降低，并可以根据数据分析作出快速决策。

此外，即使系统处于脱机状态，边缘计算也会持续运行，实时数据处理可以帮助您确定将哪些数据传输到云进一步分析。

开发AI前端:挑战

将AI与边缘计算相结合是有意义的，但硬件和AI软件组件面临着多个难题。

第一个挑战是处理和能耗。 AI由训练和推理软件组成。 培训教授一个模型，用于识别相关参数，以便解释数据。 推理是模型进行基于学习的预测的时间。

在云计算中，高功耗训练是在云中进行的，将训练的软件引入边缘以执行相对低功耗预测(或估计)任务。 在边缘计算中，训练转移到边缘，对边缘硬件的处理能力提出了更高的要求。 在物理网络设备中，这种增加的能耗带来更大的问题，需要重新调整处理能力和电力需求之间的平衡。

目前，数据存储和安全已经成为第二大挑战。 这是因为边缘设备可以保留大部分数据，并且只将少量数据传输到云。 此外，仪器需要存储用于学习和推理的参数。 第三个挑战是物理网络设备数量庞大，目前缺乏安全标准。

因此，科技公司必须开发具有更高处理能力和更低功耗的硬件，以及能够更有效地执行学习和推理的软件。 此外，物联网的应用面向特定的场景和特定的部门，因此，对于定制，强大的生态系统和开发环境是很重要的。