边缘计算使 AI 结晶化的优势

对边缘计算的兴趣不断增加，围绕架构的混乱也在不断增加。人工智能的情况与此类似。将 AI 推向边缘的前景听起来可能会导致更多混乱。

DUNELM Associates 的管理合伙人 Martin Davis 说，在边缘执行人工智能通常“只是文章中引用的理论”。

尽管如此，工业和企业组织越来越难以忽视边缘 AI 的概念。深度学习和计算机视觉等资源密集型操作传统上发生在集中计算环境中。但正如顾问柴坦·夏尔马 (Chaitan Sharma) 所写，随着高性能网络和计算硬件的日益普及，有可能将该活动从“集中式云架构转移到 [边缘]”。 “这不会在一夜之间发生，但这是不可避免的。” Gartner 预测，到 2025 年，四分之三的企业数据将在边缘处理，而 Grand View Research 预测边缘计算市场到 2025 年将以每年 54% 的速度扩张。

处于行业边缘

边缘计算究竟发生在哪里的问题并不总是很清楚。边缘计算的开放词汇表将架构定义为“将计算能力交付到网络的逻辑极端”。边缘位于传统数据中心和云之外，集中在网络的“最后一英里”，它尽可能靠近产生数据或信息的事物和人。

[ 物联网世界 是北美最大的物联网盛会，战略家、技术专家和实施者在此相互联系，将物联网、人工智能、5G 和边缘技术付诸实践，跨越垂直行业。 立即预订机票。 ]

鉴于在工厂或矿山等环境中使用云计算的难度，工业部门是边缘计算架构的一个很好的候选者。例如，一家工厂可能需要高网络可靠性、99.9999% 的正常运行时间和低毫秒级延迟，并且可能会限制在非本地发送数据。鉴于这些限制，大多数工厂传统上都部署了来自工业供应商的物理布线和专有有线协议。根据 Ovum 市场雷达：CSP 的工业物联网战略和提议，结果是“碎片化的技术环境”，边缘计算等技术可以帮助统一。

不要将在没有云的情况下运行的边缘计算架构与在单个设备上处理所有数据的本地计算场景混淆。 Digi International 研究与创新高级总监 Harald Remmert 表示，虽然这种机载计算可以实时支持关键决策，但设备硬件成本高昂。此外，此类本地计算配置支持机器学习等操作的能力通常是有限的。

相反，工厂中支持 AI 的边缘计算系统可以将来自多台机器的数据关联起来，以检测并最终预测导致停机的问题。 “在边缘执行机器学习推理是扩大应用程序规模的推动因素，即使不需要低延迟，”Augury 架构负责人 Gal Ben-Haim 总结道，Augury 是一家为流程工业创造机器学习技术的公司。

然而，这并不意味着在边缘部署机器学习一定很容易。 Ben-Haim 说，它“需要更成熟的机器学习模型和管理部署的新方法”。

从云端到边缘再返回

虽然一些边缘计算场景可能根本不使用集中式计算模型，但许多分析师认为边缘计算可以实现具有分布式和集中式方面的连续计算。 Gartner 分析师 Bob Gill 在 2018 年的网络研讨会上表示，边缘计算并没有代表远离集中式数据中心的钟摆摆动，而是提供了“休战”。

“一些边缘计算模型声称它将取代云；我不相信这会发生，”趋势科技基础设施战略副总裁比尔马利克说。

Futurum Research 的首席分析师 Daniel Newman 表示：“边缘自给自足的用例很少。”

大多数情况下，数据在边缘和云之间流动是双向的。虽然云可以促进对广泛趋势和二阶效应的跟踪，例如能源消耗或空气质量的变化，但“边缘计算为本地问题提供了本地答案，”马利克说。

埃森哲将边缘计算视为云扩展。 “我们的许多客户将 Edge 与云分析和机器学习技术结合使用，使新的和有价值的业务服务成为可能，”埃森哲技术公司董事总经理兼网络实践负责人 Charles Nebolsky 说。一个例子是埃森哲的互联矿山计划，旨在简化矿业公司管理其矿坑运营的方式。 “我们在工业采矿客户使用边缘计算扩展了 Connected Mine 解决方案，在那里他们使用钻孔设备的高分辨率视频来确定岩石密度，”Nebolsky 补充道。该功能允许钻机实时调整角度和速度，并支持设备的预测性维护。 “所需的高密度视频流的带​​宽无法以每秒所需的帧数以具有成本效益的方式传输回云，以进行直接云处理，”Nebolsky 说。

这种循环数据流的另一个例子来自沃尔沃卡车，该公司在最近的车辆中部署了远程信息处理和远程诊断系统。该系统部分地通过使用检测异常参数并触发故障代码的机载计算机来工作。从那里，其远程信息处理系统将令人不安的运营数据传输到沃尔沃的正常运行时间中心，该中心可以与维修店、经销商和客户服务代理等相关方协调响应。虽然卡车上的车载计算有助于诊断问题，但部署的集中方面使维修店和经销商能够为卡车到达维修做好准备。

SAS 物联网总监比尔·罗伯茨 (Bill Roberts) 表示：“沃尔沃正在快速发展成为与边缘分析、人工智能和机器学习相关的通用成熟模型。”合理的下一步是启用卡车的边缘计算能力，以确定哪些故障数据是可操作的。罗伯茨说，这种转变将释放“收集额外远程信息处理数据的带宽，从而在云中开发更多分析洞察力”。 “这些见解可以在边缘或云的任何地方实施，具体取决于用例的要求。”

分布式能源资源集成试验台提供了另一个结合分布式和云计算的例子。该项目为传统集中式交流电网提供了一种替代方案，传统集中式交流电网难以有效利用分布式直流电源（如太阳能电池板或风力涡轮机）的电力。未来电网市场开发总监 Erik Felt 表示，该测试台利用部署在整个网格中的硬件上的实时边缘分析，将异构遗留设备和集中控制与实时响应和自主操作的全部功能联系起来。 RTI 和 RTI 的软件集成工程师 Neil Puthuff。该平台配备自主操作和基于边缘的分析，同时为一个或多个控制中心提供数据和控制。

5G 连接也激发了对边缘架构的兴趣，以支持传统数据中心之外的计算。虽然很少有组织拥有支持 5G 的边缘计算项目的例子，但随着 5G 网络的成熟，这种情况可能会发生变化。 Remmert 指出，这种方法的好处类似于云的好处，尽管延迟更低。 “这种架构在机器学习应用中非常流行，”他总结道。