智慧如雨后春筍般涌現，如今我們很難會找到一家沒有使用新的生成式人工智能(gen-AI)和機器學習(ML)，來擴展其核心平臺企業技術供應商，生成式人工智能及其使用大型語言模型(LLM)、創建矢量數據庫等可靠的新技術趨勢，正在悄然影響著在這十年剩余時間里構建人工智能的方式。

邊緣等于物聯網

當我們談論計算邊緣時，我們通常指的是存在于物聯網(IoT)領域的計算設備。從遠程智能城市和工業設備傳感器、攝像頭、加速度計和陀螺儀測量設備，再到機場自助值機終端登記計算機、銷售點設備，以及具有網絡和數據庫連接或存儲能力的所有設備。并處理信息以供以后檢索和分析，或兩者兼而有之。

對于語言和技術純粹主義者來說，邊緣計算是在物聯網設備上發生的事情，因此這兩個術語并不完全是同義詞。盡管需要情境化和必要的解釋性闡述，我們現在可以將人工智能構建到邊緣設備中，即我們的智慧城市智能設備實際上變得越來越智能。

圍繞人工智能的對話越來越多地談論邊緣人工智能。任何可以連接的東西都將在邊緣生成，并且已經生成大量數據。這種情況的規模迅速超過了，將所有這些數據上傳到云端的可用網絡帶寬，并且由于當今的網絡不是針對上傳而是針對下載進行優化，這一事實加劇了這種情況。再加上成本、延遲、安全性和隱私等其他挑戰，將要求人工智能資源轉移到數據上，而不是相反。

我們可以以不同的方式在邊緣部署人工智能。在某些情況下，企業會部署集成了計算資源的智能傳感器，包括數字運動處理器(DMP)等技術，這些技術能夠自動執行不同程度的分析。

也可以部署不包含DMP的基礎傳感器，而是簡單地收集數據并以原始格式輸出，然后必須通過外部工具進行分析。雖然基礎傳感器需要開發人員進行更多工作才能提供所需的輸出，但它們還提供“自己動手”模型，而不是鎖定在智能設備的嵌入式人工智能中。

設備內外分析方法

我們今天看到了這兩種方法。無論是哪種類型的傳感器，都需要在傳感器附近或內部，運行高級數據分析和人工智能軟件。兩種傳感器方法在成本、效率、可擴展性和靈活性方面各有利弊。但最終在邊緣環境中，需要某種邊緣計算基礎設施來調解這些位置的挑戰。

對于智能傳感器來說，這包括處理生成的大量數據、持續或接近持續互聯網連接的需求，以及可能存在的巨大電力需求。對于可能實時生成數據的基礎傳感器，這包括需要將生成的數據100%發送到次要位置進行處理。

實施邊緣人工智能還需要解決傳感器本身之外的挑戰。這包括信息技術(IT)和運營技術(OT)技能之間的脫節。最了解現場操作的人員與開發人工智能模型的人員并不相同，每個角色都有不同的優先級，需要不同的專業知識。這兩個團隊必須合作才能成功在邊緣實施人工智能。

在技術挑戰方面，為了管理在異構環境和大規模變化的條件下的現實世界中部署AI/ML的復雜性，需要為AI工具提供一致的交付機制，就必須實施模型和邊緣計算基礎設施。

如今許多邊緣人工智能項目都處于實驗室或有限的現場試驗中。隨著企業開始考慮數十萬個地點的完整生產部署，那么他們必須建立在一個編排基礎上，該基礎可以許多不同的邊緣挑戰，例如多樣性、安全性和資源約束，同時還提供對可能指示不準確分析或其他問題的現場性能的完全可見性。

總結

如今，我們可以看到許多成功地在分布式環境中部署項目的行業，如各種零售商店、太陽能發電場和制造設施，一些企業使用基礎傳感器將數據發送到邊緣節點，甚至在傳感器內嵌入軟件。

在實現自動化之后，示例中的數據將在人工智能模型中進行處理，并實時提供給全球各地的分析師，他們可以在一小時內分析并編寫完整的報告。技術人員不再需要親自到井進行分析，從而降低了人身安全風險。

當我們努力將物聯網邊緣的更多人工智能連接到我們的企業網絡中，以用于影響工作和家庭生活的應用時，我們需要考慮可擴展性、安全性、身份等詞語，并考慮其穩定性。

在某些情況下，我們可能會信任設備本身做出至關重要的決定，話雖如此，我們還需要人工智能實現自動化、集成和編排，這樣你可能認為非常基本的小型機器傳感器現在正在成為一種相當復雜的設備。

人工智能正以一種適合的方式處于邊緣。