隨著人工智能的發展，不是把數據交給算法，而是算法去處理數據，從而實現一個全新的洞察力水平。

如今，人工智能 (AI) 無處不在，使組織能夠預測系統中斷的可能性，推動自動駕駛汽車，并為聊天機器人或虛擬助手提供語言功能。 這些類型的人工智能用例主要依賴于集中式、基于云的人工智能，其中存儲著大量的訓練數據集。 然而，人們越來越傾向于讓人工智能更接近源頭或更接近邊緣。 邊緣計算在世界范圍內部署了一系列網絡和設備，并且數據在更接近數據生成的地方進行處理，在人工智能的支持下變得可操作。

由于物聯網 (IoT) 積累的海量數據，從源頭就非常需要這種類型的智能。 物聯網設備(例如傳感器、設備或可穿戴設備)通過互聯網收集和交換數據，并且通常嵌入到其他物聯網設備中以提供通信網絡。 例如，倉庫員工佩戴的物聯網設備可以在跌倒時通知管理層，并向 911 發出警報。冰箱上的物聯網設備可以在牛奶不足時提醒房主，或者在攪拌器需要維護時向生物技術科學家發出信號。

在這些和其他場景中，邊緣人工智能在利用所有數據來開發可行的見解、采取糾正措施或提供安全方面發揮著重要作用。 邊緣人工智能允許在靠近實際收集數據的地方進行計算，而不是在集中式云計算設施或異地數據中心進行計算。 當緊迫性和時機至關重要時，邊緣人工智能會挑戰云的能力。 例如，在自動駕駛汽車中，數據是實時捕獲的，但汽車卻以每小時 65 英里的速度行駛。 沒有時間將數據發送到云端然后返回決策。 必須立即做出決定。

邊緣優勢比比皆是

考慮以下一些主要好處：

實時決策：邊緣人工智能可以幫助設備做出關鍵決策，而不會產生與基于云的處理相關的延遲。 例如，自動駕駛汽車可以對不斷變化的路況做出快速反應，確保乘客安全。

隱私和安全：邊緣計算還提供安全優勢。 從位置傳輸到云的數據可以在位置之間被黑客攻擊，但是當數據在邊緣本地處理時，數據不需要通過網絡移動。 這在視頻監控攝像頭等用戶隱私至關重要的應用中尤其重要。

有限連接：在偏遠地區或互聯網連接不可靠的地方，邊緣人工智能可以獨立運行，提供不間斷的服務。 這對于農業地區是有益的，配備邊緣人工智能的無人機可以監控連接有限的地區的農作物和牲畜。

降低成本：邊緣人工智能減少了對大規模且昂貴的云基礎設施的需求。 企業可以節省數據傳輸成本并立即訪問數據，從而提高效率。

可擴展性：邊緣人工智能具有高度可擴展性，允許將其他設備輕松添加到邊緣計算網絡，而不會導致中央云服務器過載。

可靠性：通過將人工智能分布在多個設備或節點上，邊緣人工智能更具彈性。 即使一臺設備發生故障，其他設備也可以繼續獨立運行，從而降低系統范圍內發生故障的風險。

安全性：除了上述可穿戴物聯網設備的安全優勢之外，邊緣人工智能還避免了分析師手動收集數據的人身安全隱患。 例如，有人被派去分析受自然災害影響的建筑物的結構完整性。 當檢查過程自主完成時，他們能夠在世界另一端辦公室的安全范圍內實時分析數據。

生活在邊緣的挑戰

盡管將人工智能擴展到邊緣有很多好處，但它也并非沒有局限性。 其中一項挑戰是其有限的計算資源。 與數據中心相比，邊緣設備的計算能力有限。 這可能會對需要在其上運行的人工智能模型的復雜性造成限制。

此外，邊緣設備通常由電池供電，而人工智能模型通常需要大量電量，并且會很快耗盡電池壽命。 然而，研究人員正在開發針對邊緣設備優化的輕量級人工智能模型和算法。 這些模型在準確性和資源消耗之間取得了平衡，使邊緣人工智能更加可行。

另一個挑戰是，雖然邊緣人工智能降低了數據泄露的風險，但它可能會引起本地層面的數據隱私問題，并被視為侵入性的。

盡管面臨挑戰，邊緣人工智能仍有望實現顯著增長和創新。 事實上，根據 Future Market Insights (FMI) 的數據，邊緣人工智能市場預計在 2022 年至 2023 年期間將以 20.8% 的復合年增長率擴張。

最新一代無線網絡連接 5G 網絡的推出將有助于邊緣人工智能的興起，為邊緣設備提供更快、更可靠的連接。 此類用例之一是倉庫或工業環境，這些環境通常依賴 Wi-Fi。他們現在能夠建立一個專用的本地5G網絡，連接分布在整個站點的許多設備和物聯網傳感器。

邊緣人工智能為數據收集和分析方式提供了另一種選擇。 其減少的延遲、數據隱私和成本效率使許多行業的智能達到了新的水平。 不是把數據交給算法，而是算法去處理數據，從而實現一個全新的洞察力。