人工智能的未来就在边缘-51CTO.COM

物联网 (IoT) 就像一个不断复制的实体网络，产生前所未有的复合量数据。预计到 2025 年，全球联网设备数量将达到 754.4 亿台。

虽然合理化这些数字具有挑战性，但可以肯定的是，我们的世界正在变得越来越互联、情境化和响应性。我们将从这些设备获得的数据将用于为新一代智能应用程序提供动力，但这也提出了一个挑战：我们如何最好地处理这些数据，以便为这些数据的保管人创造价值?

这就是边缘计算的用武之地。边缘计算是一种分布式计算范例，它使计算资源更接近数据源，即生成产生数据的事件的资产、流程和参与者。

虽然围绕图形处理已经产生了许多兴奋(NVIDIA的股价只是一个单一的代理)，但在做出决策或触发事件所需的时间和复杂性是赌注的情况下，边缘是差异化和获得竞争优势的关键前沿。

边缘计算可实现实时数据处理和低延迟反馈，这对于 AIoT 应用至关重要。 AIoT(人工智能物联网)是机器学习模型的应用，由边缘计算设备提供支持，可近乎实时地生成有意义的见解。

这些设备以传感器的形式出现，处理和吸收能量表、温度传感器和资产跟踪器等数据，更重要的是，网关设备可以共同使用和处理这些数据。

Statista 预测，到 2025 年，全球边缘计算市场预计将达到 2573 亿美元，根据美国国家科学基金会的一篇文章，边缘计算的平均延迟为 10 毫秒，而云计算为 100 毫秒。

GlobalData 表示，边缘计算可通过低延迟且负担过重的大型机、云数据库和处理环境，将数据处理成本降低高达 70%，从而为人工智能带来更多好处。

传统上，BI 和高级分析用于分析历史数据以识别趋势和模式。然而，借助边缘计算，现在可以实时计算数据并生成有意义的、改变游戏规则的结果。这使得企业能够实时做出决策，从而显着提高效率和生产力。

例如，在智能蜂窝基站中，传感器用于收集从环境和设备的温度到站点上的功耗和容量的所有数据。这些数据可用于提高效率、防止停机并优化生产——从这个意义上说，就是高质量、一致的信号中继。

然而，如果集中传输和处理数据，可能会出现代价高昂的延迟，一瞬间的服务交付不佳会影响客户满意度以及员工的服务和操作可用性。

这可能会导致诸如机器过热、在可控情况之外损坏或交付数量或质量低于标准等问题。相同的框架可以应用于采矿机械、智能建筑、工厂、医疗设施等。

通过边缘计算，数据在本地处理，从而消除了这些延迟。这可以加快决策速度并提高性能。此外，边缘计算可以通过将数据保存在本地来帮助提高安全性，这样数据就不易受到网络攻击。

要在边缘实现AIoT，必须考虑十个因素。这显示了AIoT的多面性，以及支持各种功能和能力所需的级别。

建立强大的边缘计算基础设施至关重要。这包括部署可以在本地处理和分析数据的边缘设备和网关。

这些设备应具有足够的计算能力、存储容量和连接性，以管理物联网设备生成的数据，并从边缘到云或混合架构(如果需要)进行清晰的转换。

边缘设备需要配备人工智能能力，例如机器学习算法和神经网络。这些人工智能模型可以实时处理数据，从而实现边缘智能决策，而无需将数据发送到集中式服务器。

由于数据是由物联网设备生成的，因此数据量可能太大或噪音太大，无法完全在边缘处理。有效的数据预处理和过滤技术对于提取相关信息并减少数据传输以优化处理至关重要。

AIoT 应用通常需要低延迟和高带宽来提供实时响应。确保强大的网络基础设施能够处理边缘设备和中央系统之间的数据流至关重要。

安全性在 AIoT 实施中至关重要。边缘设备应采取强有力的安全措施，以防止网络威胁和未经授权的人工智能访问。数据隐私同样重要，尤其是在处理可能在本地处理的敏感信息时。

AIoT 依赖于分布式智能，其中决策不仅是集中式的，而且是在边缘设备和云平台之间共享的。开发能够协作并适应不断变化的条件的智能算法至关重要。

虽然人工智能处理发生在边缘，但云平台对于模型训练、更新和全局洞察等任务仍然至关重要。边缘和云之间的建设性交互对于实现最佳 AIoT 性能至关重要。

边缘设备由电池供电，因此能源效率成为关键考虑因素。优化算法和资源使用可以延长边缘设备的使用寿命并降低能耗。

随着连接设备数量和数据量的增长，AIoT 系统必须具有可扩展性，以满足不断增长的需求。它还应该足够灵活，以适应不断变化的需求和技术进步，其中描述物理实例以与虚拟再现保持一致的强大对象模型至关重要。

AIoT 实施必须遵守数据治理法规和行业标准，以确保数据的使用符合道德和合法性。

人工智能的未来正处于边缘。随着生成的数据量持续增长，边缘计算将变得更加重要。这将使我们能够构建智能应用程序，可以做出实时决策并以无数方式改善我们的生活。