?如今，邊緣計算一直是熱門話題。被譽為近年來最令人興奮的技術轉變，關于其變革力量的討論很多！

隨著越來越強大的 AI/ML 算法重新定義“智能”以及更便宜、更強大的“邊緣”設備的可用性，這種炒作在很大程度上是真實的。但是，如果要考慮邊緣計算的歷史，它會比最近的興趣讓我們相信的更早。

事實上，計算和智能最初始于邊緣，當時大多數應用程序幾乎不存在高帶寬網絡連接。即使在 1990 年代后期，遠程部署在工廠或現場的關鍵測量設備通常也具有處理傳入傳感器數據的專用計算能力。然而，這些設備中的算法在“智能”方面只是初級的：主要是信號處理或數據轉換。

隨著網絡能力的提高和連接性的提高，基于云的計算在 2000 年代后期開始受到關注。與此同時，強大的人工智能算法作為一種從大量結構化和非結構化數據中解鎖有意義信息的手段而備受關注。在短短十年內，云 AI 已成為 AI 應用程序的首選。

但是，向云的轉變也帶來了幾個問題：數據上傳和下載成本、網絡可靠性和數據安全等等。與此同時，隨著價格實惠但功能強大的邊緣設備的興起，邊緣計算在處理能力和成本或占地面積之間的權衡正在減少。似乎我們現在又回到了考慮“邊緣計算”作為構建智能應用程序的可行且有吸引力的選擇。

隨著關于邊緣人工智能和云人工智能哪個更好的辯論越來越激烈，任何熟悉這兩個框架的人都可能會回答“這要看情況了！”。原因是邊緣和云基礎設施不是競爭的，而是互補的框架。

在過去的幾年里，兩者都經歷了巨大的發展和完善，特別是作為人工智能開發和部署的基礎。與任何技術選擇一樣，選擇實際上可歸結為具體的應用:目標、價值驅動因素、經濟性以及對功耗、尺寸和連接性的任何限制。因此，在嘗試建立正確的基礎設施之前，必須了解云和邊緣人工智能的利弊。

當尋求靈活性、可擴展性和易于部署時，基于云的人工智能是一個有吸引力的選擇。如今，大多數云服務提供商為人工智能模型的培訓和部署提供了強大的框架，并提供了按需付費的包，幾乎沒有前期承諾或投資。云提供了幾乎沒有限制的計算和存儲選項，使其特別適合大型人工智能模型。

但對于需要連續評估傳感器或圖像數據的實時應用程序來說，這可能會成為一個笨拙的選擇，因為它們必須來回傳輸數據，從而導致巨大的成本。這種數據傳輸也使得云在很大程度上不適合需要閉環控制或即時行動的低延遲應用程序。

另一方面， 邊緣人工智能是自動報警或閉環控制的實時數據分析的合理選擇。雖然邊緣基礎設施確實需要在邊緣硬件上進行前期投資，但運營成本與云相比要低得多。

今天，有各種各樣的邊緣人工智能硬件選項可用，包括npu(神經處理單元)、TPU(張量處理單元)以及帶有專用人工智能加速器的SOC(片上系統)和SoMs(模塊上系統)。人工智能的低成本和低功耗硬件是一個活躍的研究領域，并有可能提供更好的選擇。另一方面，基于人工智能的消費應用必須處理相當多樣化的邊緣設備(手機、平板電腦、個人電腦等)，這使得邊緣部署成為一個潛在的令人生畏的前景。

因此，邊緣基礎設施可能不利于快速原型開發，也不容易擴展。雖然聯合學習，AI模型的分布式訓練的概念允許在邊緣進行訓練和部署，但云仍然是訓練需要足夠計算能力的大型模型的邏輯選擇。

但解決方案不一定是非此即彼的選擇。隨著應用程序過渡到更多基于微服務的架構，它們可以分解為具有自己特定部署框架的更小的功能或微服務。因此，不必在云和邊緣之間進行選擇，重點可以放在針對特定應用程序優化使用兩者。

例如，一個應用程序可能從云上的快速原型開始。隨著它的發展，需要低延遲和實時決策的功能可以轉移到邊緣，而那些需要規模和靈活性的功能可以保留在云中。模型訓練或再訓練可以在云端集中管理，而邊緣的一些聯邦學習可以在本地提高準確性。同樣，敏感數據可以在邊緣處理，更通用的數據可以轉移到云端。

組織、開發人員和從業者最好不要將云和邊緣視為不同的替代方案，而是將其視為從邊緣到云的連續統一體，中間有許多不同的基礎設施選項。這包括不同類型的邊緣——運營邊緣、網絡邊緣、移動端點等，以及網絡上不同類型的分布式處理——私有云、公共云、小云、霧計算等。

雖然復雜性可能是一個挑戰，但找到正確的技術組合開始為組織提供一個獨特的機會，以最大限度地提高人工智能的價值，同時最大限度地降低成本和風險。?