“計算正從中央走向邊緣”、“計算邊緣化”……近日來，在大大小小各類有關人工智能的論壇或峰會上，我們或多或少的聽見以上言論，其中的關鍵點只有一個——邊緣計算。圍繞這個問題，看看這些從業者們給出的解答。

邊緣計算，一個不是那么“新”的詞匯

關于“邊緣計算”的熱議是近一兩年才慢慢開始的，但它并不是一個“新詞匯”。早在2003年的時候，IBM就曾與CDN服務商AKAMAI合作過“邊緣計算”。

根據維基百科的解釋，“邊緣計算”是一種分散式計算的架構，將應用程序、數據資料與服務的計算，由網絡中心節點，移往網絡邏輯上的邊緣節點來處理。邊緣計算將原本完全由中心節點處理大型服務加以分解，切割成更小與更容易管理的部分，分散到邊緣節點去處理。邊緣節點更接近于用戶終端裝置，可以加快資料的處理與傳送速度，減少延遲。在這種架構下，資料的分析與知識的產生，更接近于數據資料的來源，因此更適合處理大數據。

[[242794]]

與集中化處理數據的云計算不同，邊緣計算講究的是分布式管理。以往，因為超大規模、高可擴展性、通用性等因素，云計算受到熱捧，人們也總是強調要“上云”，將數據的計算、存儲等全部搬到云上。相比之下，邊緣計算強調的是一種“下沉”，離終端設備更近一點的地方。

更為通俗地說，“云計算”是高高在上的。當設備端完成數據采集和指令接收，它們需要通過網絡走上云端，后者會基于此作出判斷，繼而將結果再通過網絡“告知”設備端。

相比之下，“邊緣計算”則更為接地氣?；谶吘売嬎?，設備端不需再將數據等上傳至云端，將“計算”本地化，省去以往繁瑣的過程。

邊緣計算，云計算之后的“新晉網紅”

在最早的時候，邊緣計算的出現就是為了彌補云計算的一些不足，因為后者已經不能滿足更多智能需求。具體說來：

1、海量數據洶涌來襲，但云計算卻被“帶寬”捆住手腳。如今，越來越多的設備被接入互聯網，產生的數量、體量是以往的多倍。原本，這些數據的計算和存儲均交由云端處理，即云計算。不過，隨著數據的增多，帶寬不夠的傳輸通道開始出現“堵車”現象。

這就如同“多米諾牌效應”——因為帶寬受限，數據傳輸、分析處理、指令反饋等一系列流程都變得緩慢，最終結果就是時間線被拉長，造成高延遲現象。

2、網絡傳輸依賴性大，隱私安全令人擔憂。基于云計算，我們需要把原始數據上傳至云端進行處理，然后反饋給設備端，這一過程的實現，需要依賴網絡。過程中，一旦有黑客攔截，用戶安全隱私的保護就成了一個大問題。另外，若是遇到斷網等情況，即使強大如云計算，太過依賴網絡傳輸的它也將面臨“巧婦難為無米之炊”的窘境。

此外，云計算還面臨功耗大等更多問題。智能時代漸趨漸近，云計算也不再***，需要有新技術來彌補缺口。此時，邊緣計算本地化、邊緣化的特性恰恰彌補了這些短板。

以智能家居場景為例?；谶吘売嬎悖斢脩舭l出指令，相關原始數據不必再上傳云端進行處理，具備計算能力的設備端完全能夠自行處理，并實時反饋。簡單來說，云計算處理的是那些非實時、長周期數據的大數據分析，而邊緣計算更適合本地業務的數據實時處理與執行。

值得注意的是，邊緣計算出現之后，諸如網關、自動駕駛汽車、機器人等邊緣節點能夠在本地實時采集和處理數據，并針對指令給出反饋，這是不是就可以看作是終端計算?

其實不然，“終端計算”意味著終端要自己負責所有的計算，就像云計算出現之前的計算機，不管是數據的采集、計算、輸出和存儲，均由計算機在本地設備內一手操作。

邊緣計算，不會取代也離不開云計算

據IDC的數據顯示，到2020年，將有超過500億的終端和設備接入網絡，而這些設備中有超過半數的數據需要在網絡邊緣側分析、處理與儲存，整個邊緣計算的市場將會超過萬億級別，市場體量不可小覷。

目前，在邊緣計算這一塊，主要有4類玩家，分別是運營商、設備商、云服務商和CDN服務商。

運營商：主要在移動邊緣計算市場進行部署，在移動網邊緣提供提服務環境和云計算能力。他們或是利用移動邊緣計算進行內容本地分流業務，或是將業務處理下沉到最貼近用戶的基站進行邊緣數據處理等等。

設備商：在打法上主要以“硬件”為主，***有代表性的就是各類芯片。將計算、存儲等功能從云端搬到芯片的計算單元中。比如AI芯片，對于一些指令，系統不必再將數據上傳云端，可以在本地端、設備端實時處理并給出反饋，大大節省了中間的流程。

云服務商：作為云計算的助力，云服務商并沒有放棄邊緣計算，他們將之視為云計算的一個延伸，包括亞馬遜、微軟、阿里巴巴等巨頭企業均已有所布局。比如微軟，其于去年推出了混合云解決方案Azure Stack，將云端能力融入終端，讓數據在本地實現處理，然后進行聚合分析與決策，可以看作是在邊緣設備設置了一個“微型云”。

CDN服務商：CDN是構建在網絡之上的內容分發網絡，依靠部署在各地的邊緣服務器，讓用戶更快獲取內容等等，其天生就有著“邊緣屬性”。眼下，智能化需求推動其向邊緣計算靠攏，只需經過改造，其原有的節點就可升級為具備計算、存儲、傳輸、安全功能的邊緣計算節點。

從以上派別來看，在邊緣計算的部署上，主要分為“軟件”和“硬件”兩大類。AI芯片創企異構智能中國區總裁周斌表示，這其中的“邊緣計算”是有所不同。在芯片端，“這里更多的是在邊緣自主的完成計算任務，不需要云端的參與。”或者說，這里的“邊緣計算”并不能看作是云計算的延伸，而是獨立存在的。

但是，不管是哪一類，其最終應用和落地，皆離不開云計算。

邊緣計算為什么會興起?因為數據太多了，云計算處理不過來，所以要分開處理。這時候，分布在各個節點的邊緣計算將負責自己范圍內的數據計算和存儲工作。而對于應用場景來說，這還遠遠不夠。

以自動駕駛為例，地平線機器人創始人兼CEO余凱稱，未來的計算模式是邊緣跟中央結合，邊緣側的自動駕駛專用芯片會感知傳感器數據并立刻處理、做決策，同時，這些處理之后的數據，也會在云端匯聚，進行大數據分析、模型搭建和編輯，同時做大規模的仿真。在其看來，算法+芯片+云計算，構成了未來自動駕駛的三大核心支點。

比如物聯網，以阿里云發布的邊緣計算產品Link Edge為例。的確，通過賦予家庭網關計算能力，即便是斷網，諸如生物識別門鎖、機器人等都能正常運作。但是，如果加上云，基于以往云端的大數據分析和判斷，在聯動的前提下，整個家庭場景的智能設備將變得更為個性化，譬如關上門的時候，掃地機器人就開始運作等等。

可以看到，在這里，提供邊緣計算算力的芯片主要在前端，負責數據的實時采集和計算。但是，在數據如“石油”的智能化時代，這些數據并不是一次性數據，那些經過處理的數據需要在系統中進行留存，以做算法訓練、數據驗證等用。

這時候就需要一個大容量的“容器”，而這個是邊緣計算所沒有的。在這個容器中，這些數據將被用于AI算法訓練、用戶個性化功能塑造等等，這些都是非實時需求，之后再傳輸給終端設備，從而進一步提升服務質量。

“AI邊緣計算可在前端實現圖像識別、特征值提取和識別比對，不受帶寬影響，自成體系，可快速反應。云計算做大數據分析挖掘、數據共享，同時進行算法模型的訓練和升級， 升級后的算法推送到前端，完成自主學習閉環。”云天勵飛研發副總兼芯片團隊負責人李愛軍稱。

同時，這些數據也有“備份”的需要，當邊緣計算過程中出現意外情況，這些數據也不會丟失。

另外，邊緣計算解決了“算力”問題，但解決不了“內容”，這方面需要“云計算”來提供幫助。當用戶向設備發出一個指令，要求邊緣計算使得設備能夠實時“了解”用戶表達的內容以及目的，在這之后，諸如音樂播放、訂票等服務等指令的執行，均需要云服務的介入，這些是邊緣計算所不能提供的。

雖然在某些場景下，邊緣計算本身是獨立的、不需要云計算介入的。但是，從整體來看，它并不能代替云計算，也離不開云計算。未來，邊緣計算將與云計算形成一種互補、協同的關系，屆時，邊緣計算將主要負責那些實時、短周期數據的處理，負責本地業務的實時處理與執行，而云計算將負責非實時、長周期數據的處理。簡單說來，邊緣計算將注重局部，而云計算關注整體。