本文來自千家網。

　　人們對邊緣計算寄予了越來越多的希望，使得該行業充滿了大膽的想法，例如“邊緣將吞噬云”，以及實時自動化將在醫療保健、零售和制造業中普及。

　　如今，越來越多的專家認為邊緣計算將在幾乎所有企業的數字化轉型中發揮關鍵作用。但進展一直很緩慢。傳統觀念阻礙了企業充分利用實時決策和資源分配的優勢。為了理解這是如何發生的，以及為什么會發生，讓我們回顧一下邊緣計算的第一波，以及從那以后發生了什么。

　　第一波邊緣計算：物聯網（IoT）

　　對于大多數行業來說，邊緣的概念與第一波物聯網(IoT)緊密相關。當時，大部分重點都集中在從固定在所有物體上的小型傳感器收集數據，然后將這些數據傳輸到一個中心位置——比如云或主數據中心。

　　然后，必須將這些數據流與通常所說的傳感器融合相關聯。當時，傳感器經濟性、電池壽命和普遍性常常導致數據流過于有限且保真度低。此外，用傳感器改造現有設備通常成本高昂。雖然傳感器本身很便宜，但安裝非常耗時，并且需要經過培訓的人員才能執行。最后，使用傳感器融合分析數據所需的專業知識嵌入到跨組織員工的知識庫中。這導致物聯網的采用率放緩。

　　此外，對安全的擔憂也影響了物聯網的大規模應用。計算方法很簡單：跨越多個地點的數千臺連接設備，相當于一個巨大且通常未知的暴露量。由于潛在風險超過了未經證實的好處，許多人認為采取觀望態度是謹慎的做法。

　　超越物聯網1.0

　　現在越來越清楚的是，邊緣并不在于物聯網，而在于對跨分布式站點和地理位置的運營進行實時決策。在IT和越來越多的工業環境中，我們將這些分布式數據源稱為邊緣。我們將來自數據中心或云之外的所有這些位置的決策稱為邊緣計算。

　　如今，邊緣無處不在——我們生活的地方、工作的地方、人類活動發生的地方。稀疏的傳感器覆蓋范圍已通過更新和更靈活的傳感器得到解決。新資產和技術配備了廣泛的集成傳感器。現在，傳感器通常會增加高分辨率/高保真成像（X射線設備、激光雷達）。

　　額外的傳感器數據、成像技術，以及將所有這些關聯在一起的需求，會使每秒產生大量的數據。為了從這些龐大的數據流中獲得結果，現在正在將計算能力部署在靠近數據生成的地方。

　　原因很簡單：邊緣位置和云之間沒有足夠的可用帶寬和時間。邊緣的數據在短期內最重要。現在可以在邊緣實時分析和使用數據，而不是稍后在云端進行處理和分析。為了獲得更高水平的效率和卓越操作反饋，計算必須在邊緣進行。

　　這并不是說云無關緊要。云仍然在邊緣計算中扮演著重要的角色，因為它是可以在所有位置上部署能力和管理。例如，云提供了對來自其他地點的應用和數據的訪問，以及遠程專家來管理全球的系統、數據和應用。此外，云可以用于分析跨多個地點的大型數據集，顯示隨時間推移的趨勢，并生成預測分析模型。

　　因此，邊緣技術在于應對大量地理分散位置的大數據流。人們必須采用這種對邊緣的新認識，才能真正了解邊緣計算現在的可能性。

　　今天：實時邊緣分析

　　與幾年前相比，今天在邊緣技術能做的事情是驚人的。現在，數據可以從大量的傳感器和攝像機中產生，而不是局限于少數幾個傳感器。然后，這些數據將在比20年前強大數千倍的計算機上進行分析——所有這些都以合理的成本進行。

　　高核心數CPU和GPU以及高吞吐量網絡和高分辨率攝像機現在很容易獲得，使實時邊緣分析成為現實。在邊緣部署實時分析（業務活動發生的地方）幫助企業了解他們的操作并立即做出反應。有了這些知識，許多操作可以進一步自動化，從而提高生產力并減少損失。

　　以下是一些當今實時邊緣分析的應用案例：

　　超市欺詐預防

　　許多超市現在使用某種形式的自助結賬，不幸的是，他們也看到越來越多的欺詐事件發生。有些不法購物者可以用更便宜的條形碼代替更貴的商品，從而支付更少的錢。為了檢測這種類型的欺詐，商店現在使用高分辨率攝像頭，將產品的掃描結果和重量與產品的實際價值進行比較。這些相機相對便宜，但卻能產生大量的數據。通過將計算移動到邊緣，可以立即分析數據。這意味著商店可以實時檢測欺詐行為，而不是在“顧客”離開停車場之后。

　　食品生產監控

　　如今，一個制造工廠可以在制造過程的每個步驟都配備幾十個攝像頭和傳感器。實時分析和人工智能驅動的推理可以在幾毫秒甚至幾微秒內揭示出是否存在錯誤問題。例如，也許相機會顯示添加了太多的糖，或者配料過多。有了攝像頭和實時分析，生產線可以調整以改進問題，甚至在需要維修時計算停止——而不會造成災難性的損失。

　　人工智能驅動的醫療保健邊緣計算

　　在醫療保健領域，紅外和x射線相機一直在改變游戲規則，因為它們提供高分辨率，并迅速向技術人員和醫生提供圖像。有了如此高的分辨率，人工智能現在可以在醫生確認之前過濾、評估和診斷異常。通過部署人工智能驅動的邊緣計算，醫生可以節省時間，因為他們不需要將數據發送到云端來獲得診斷。因此，腫瘤學家在查看患者是否患有肺癌時，可以對患者的肺部圖像應用實時AI過濾，以獲得快速準確的診斷，并大大減少患者等待答復的焦慮。

　　由分析驅動的自動駕駛汽車

　　今天，自動駕駛汽車之所以成為可能，是因為相對便宜和可用的攝像頭提供了360度的立體視覺感知能力。分析還可以實現精確的圖像識別，因此計算機可以識別出風滾草和鄰居的貓之間的區別，并決定是剎車還是繞過障礙物以確保安全。高性能GPU和CPU的可負擔性、可用性和小型化使得實時模式識別和矢量規劃成為自動駕駛汽車的駕駛智能。自動駕駛汽車要想成功，就必須擁有足夠的數據和處理能力，以足夠快的速度做出智能決策，并采取糾正措施。現在，這只有借助當今的邊緣技術才有可能實現。

　　實踐中的分布式架構

　　當極其強大的計算部署在邊緣時，企業可以更好地優化運營，而不用擔心延遲或失去與云的連接。現在所有的東西都分布在邊緣位置，所以問題是實時解決的，只有零星的連接。

　　自第一波邊緣技術浪潮以來，我們已經取得了長足的進步。由于邊緣技術的進步，企業現在正在對其運營進行更全面的了解。今天的邊緣技術不僅幫助企業增加利潤，事實上，它還幫助他們降低風險并改善產品、服務和客戶體驗。