随着视频需求和使用 AI 来理解视觉数据的增加，摄像头的数量和产生的后续数据正在迅速增长，这迫使创建新的边缘架构。
交通管理中的摄像头和人工智能
此外，还开发了新一代“智能”用例。例如，在“智慧城市”中，摄像头和人工智能分析交通模式并调整红绿灯，以改善车辆流量，减少拥堵和污染，提高行人安全。
“智能工厂”可以利用人工智能实时检测生产线中的缺陷或偏差，调整以减少错误并实施有效的质量保证措施。因此，通过自动化和早期故障检测可以大大降低成本。
智能视频的演进
智能视频的发展也伴随着其他技术和数据基础设施的进步，例如 5G。随着这些技术融合在一起，它们正在影响我们构建边缘的方式。而且，它们正在推动对专用存储的需求。
下面列出的是我们看到的一些最大的趋势：
更大的体积意味着更高的质量
随着每一项新的进步，摄像机的数量和种类不断增加，带来新的功能。拥有更多的相机可以让更多的人被看到和捕捉到。这可能意味着有更多的覆盖范围或更多的角度。这也意味着可以捕获更多实时视频并用于训练 AI。
随着分辨率的提高(4K 视频及以上)，质量也不断提高。视频越详细，从中提取的洞察力就越多。而且，人工智能算法可以变得越有效。此外，新摄像机不仅传输一个视频流，还传输用于低带宽监控和 AI 模式匹配的额外低比特率流。
智能相机 24/7 全天候运行
无论是用于交通管理、安全还是制造，这些智能摄像机中的许多都一年 365 天 24/7 全天候运行，这带来了独特的挑战。存储技术必须能够跟上。
一方面，存储已经发展为提供高性能的数据传输速度和数据写入速度，以确保高质量的视频捕获。而且，实际的机载存储技术必须提供使用寿命和可靠性，这对任何工作流程都至关重要。
真实世界的情景对于理解端点至关重要
无论是用于商业、科学研究还是我们的个人生活，我们都看到了可以捕捉新型数据的新型相机。由于利用和分析这些数据的潜在好处，可靠数据存储的重要性从未如此明显。
在设计存储技术时考虑情景
在设计存储技术时，我们必须考虑环境，例如位置和外形因素。我们需要考虑摄像头的可及性(或缺乏摄像头)，它们是在高楼顶上还是在偏远的丛林中?
这些位置可能还需要承受极端的温度变化。所有这些可能性都需要考虑在内，以确保关键视频数据的持久、可靠的连续记录。
芯片组正在提高人工智能 (AI) 能力
改进的相机计算能力意味着处理发生在设备级别，从而在边缘实现实时决策。
新的相机芯片组提供增强的 AI 功能
我们看到新的芯片组出现在提供改进的 AI 功能的相机上，更先进的芯片组为相机上的深度学习分析添加了深度神经网络处理。人工智能不断变得更聪明、更有能力。
云必须支持深度学习技术
正如摄像头和摄像机芯片组的计算能力越来越强一样，在当今的智能视频解决方案中，大多数视频分析和深度学习仍然是通过离散视频分析设备或在云中完成的。为了支持这些新的 AI 工作负载，云已经进行了一些转型。云中的神经网络处理器采用了海量 GPU 集群或定制 FPGA。
他们正在接受数千小时的训练视频和数 PB 的数据。这些工作负载依赖于企业级硬盘驱动器 (HDD) 的高容量功能，每个驱动器已经可以支持 20TB 和高性能企业级 SSD 闪存设备、平台或阵列。
对网络的依赖
有线和无线互联网实现了可扩展性和易于安装，推动了安全摄像头的爆炸性采用，但它只能在已经存在 LAN 和 WAN 基础设施的情况下实现。
5G 技术有助于安装摄像头
5G 消除了许多部署障碍，为城市级别的摄像机放置和安装提供了广泛的选择。这种易于部署带来了新的更大的可扩展性，这推动了相机和云设计的用例和进一步进步。例如，摄像机现在可以是独立的，可以直接连接到集中式云，因为它们不再依赖于本地网络。
支持 5G 的新兴摄像头旨在加载和运行第三方方应用，这可以带来更广泛的功能。然而，有了更大的自主权，这些相机将需要更多的动态存储。他们将需要耐用性、容量、性能和电源效率的新组合，以便能够以最佳方式处理新的应用程序驱动功能的可变性。
为边缘存储革命铺平道路
对于智能视频来说，这是一个美丽的新世界，它既复杂又令人兴奋。正在进行架构更改以处理新的工作负载，并为边缘和端点的更多动态功能做好准备。与此同时，深度学习分析在后端和云端继续发展。
了解工作负载的变化，无论是在摄像机、录像机还是云级别，对于确保通过存储技术的持续创新来增强新的架构变化至关重要。
