目前很多連接的設備能夠充分利用云計算的優勢，但物聯網設備制造商和應用開發人員發現在設備本身進行計算和數據分析將會帶來眾多的好處。

在設備上進行計算和分析的方式有助于降低關鍵應用的延遲、降低對云的依賴，能夠更好地管理物聯網生成的大量數據。這種在設備上處理數據和分析的方式被業界稱為邊緣計算，將網絡/云邊緣的設備當作是互聯網連接的設備和網絡。計算在物聯網應用中帶來了新的可能，尤其是對于依賴機器學習的任務，如對象檢測、人臉識別、語言處理和障礙物回避。

[[207899]]

邊緣計算的興起是很著名的技術迭代，從集中處理開始，然后演變成分布式的架構。互聯網本身就是從政府機構和大學中的大型機開始的，然后演變為PC機，再到新興的互聯網的頁面。當智能手機在蜂窩網絡邊緣取代功能機時，移動性革命大大加快。邊緣計算對物聯網的影響進程也與之類似，隨著終端設備變得更加強大，能夠運行更加復雜的應用程序，邊緣計算生態系統快速發展。

邊緣計算在消費者和工業物聯網用例中都能提供切實的價值。它只能通過發送重要信息而不是原始傳感器數據流來幫助降低連接成本，這對通過LTE /蜂窩電話(如智能電表或資產跟蹤器)進行連接的設備來說尤為重要。此外，在處理工業設施中的傳感器產生的大數據時，在發送數據之前分析和過濾功能將大大節省網絡和計算資源。

通過在設備中保存敏感數據，邊緣計算有助于改進安全性和隱私性。邊緣計算有助于通過匿名化、分析和保留數據源而不是向云端發送可識別信息來保護用戶隱私。

邊緣計算還可以減少延遲，并使連接的應用程序更加靈敏和穩健。機器學習對于IoT應用程序的激增是增加邊緣計算能力的強大驅動力。設備不僅需要快速運行復雜的深度學習網絡，而且由于許多IoT設備通過電池供電，所以需要這種方式來降低能耗。這促進了異構計算架構的產生，將多種引擎如CPU、GPU、DSP集成到IoT設備中，從而將不同的工作負載分配給最有效的計算引擎，從而提高性能并降低能耗。實際上，在CPU上運行相同的工作負載時，DSP的能耗降低了25倍，性能提高了8倍。

通過邊緣計算，系統架構師需要學習如何從端到端利用可用的分布式計算能力的優勢，全面挖掘現場設備、網關和云的功能。邊緣計算與5G等先進技術相結合，將提供更快、更強大、更大規模的連接，且新一代智能設備和應用將很快出現。