本文来自千家网（www.qianjia.com）。
多年来，各类联网设备一直遵循着一种相当简单的运作模式：传感器收集信息并将其发送至云端，由云端进行处理，随后再将响应结果反馈回来。
对于许多应用场景而言，这种模式依然有效。然而，随着联网设备数量的激增，以及设备所需做出的决策变得愈发紧迫，将所有数据都传回远端数据中心往往已不再切实可行。
例如，工厂设备可能需要在生产受到影响之前就识别出故障;车辆可能需要在几毫秒内对路面上的物体做出反应;医院设备则可能需要在无需等待数据经由网络传输的情况下，识别出异常读数。
这正是“边缘智能”(edge intelligence)发挥作用之处。
从核心层面来看，边缘智能将人工智能(AI)能力带到了更靠近数据产生源头的地方。当它与物联网(IoT)的连接能力，以及5G所具备的高速、低延迟特性相结合时，便为各类联网系统构建出了一种全新的运作模式。
设备不再仅仅局限于收集和传输数据，而是能够越来越多地在本地对这些数据进行理解、处理，并据此采取相应的行动。
从“互联设备”到“智能设备”
物联网(IoT)已经将数十亿个传感器、机器和设备连接在一起。
然而，仅仅实现互联，并不足以让系统变得智能。
温度传感器可以每隔几秒钟采集一次读数;工业相机能够捕捉成千上万张图像;车辆则可通过摄像头、雷达、激光雷达及其他传感器产生海量数据。
真正的挑战在于：如何解读这些信息所蕴含的意义。
在过去，这类数据大多会被传输至云端进行分析。云平台拥有强大的计算能力，非常适合进行大规模数据分析和机器学习。
然而，随着互联设备产生的数据量日益增长，将所有数据传输至远程平台变得愈发困难。
“边缘智能”(Edge Intelligence)改变了这一局面。
人工智能(AI)模型可以部署在更靠近数据源的地方，让设备本身或附近的边缘服务器能够在本地完成信息分析。云端依然发挥着重要作用——特别是在大规模模型训练、历史数据分析以及系统协调方面——但并非每一项决策都需要回传至中央数据中心。
为什么5G在这一体系中至关重要?
人们在谈论5G时，往往将其简单地理解为更快的移动互联网;但实际上，它在工业系统和各类互联系统中所发挥的作用要广泛得多。
凭借低延迟、高带宽以及支持海量设备连接的能力，5G在各类应用场景中显得尤为关键——在这些场景下，机器之间必须进行快速且可靠的通信。
以“智能工厂”为例：
工厂内可能有成百上千个传感器在实时监测机器、生产线及环境状况;摄像头可能正在分析产品是否存在缺陷;机器人也可能需要与其他设备进行协同作业。
其中一些应用可以通过“边缘计算”在本地完成处理;而另一些应用则可能需要设备、边缘服务器与中央系统之间实现高速通信。
5G在这些组件之间构建起了一个至关重要的连接层。
其带来的结果，不仅仅是通信速度的提升，更在于它使构建各类系统成为可能——在这些系统中，感知、计算与通信能够实现更加紧密的协同运作。
边缘人工智能(Edge AI)缩短了数据与决策之间的距离
支持边缘智能最有力的论据往往在于“延迟”问题。
当设备检测到重要情况时，如果必须等待数据传输至云端、完成处理后再将指令传回，往往会产生延迟。
这种延迟在某些应用场景下或许尚可接受，但在另一些场景中，却可能引发严重问题。
以自动驾驶汽车为例，它无法完全依赖远程数据中心来解读传感器所探测到的每一个物体;许多决策必须在车辆内部或极近的范围内即时做出。
同样，在工业视觉系统中，当产品在生产线上移动时，系统可能需要及时剔除其中的缺陷品。在本地进行图像处理，能够使响应更加迅速，且结果更具可预测性。
边缘人工智能将计算能力带到了事件发生的源头。
当设备具备了数据解读能力，物联网(IoT)的价值便得以提升
早期物联网部署的局限性之一，在于其产生的数据量极其庞大。
虽然传感器能够向企业反馈正在发生的情况，但要分析这些海量信息却绝非易事。
试想一家工厂，其中数千台机器持续不断地产生着温度、振动、压力和声学数据。
将每一项读数都发送至云端，或许并无必要。
边缘系统可以在本地识别数据模式，仅将那些需要关注的信息发送出去。它无需传输每一个传感器读数，而是可以传递更有价值的内容——例如潜在的设备故障，或是振动情况的异常变化。
这不仅能减少网络流量，还能使所获取的信息更具实际指导意义。
我们的目标并非彻底摒弃云端，而是要更科学地做出决策：哪些任务应在边缘侧完成，哪些任务则应交由云端集中处理。
智能制造是绝佳的应用场景
制造业是人工智能(AI)、物联网(IoT)和5G协同发挥作用的典型领域之一。
机器在运行过程中会产生大量数据。摄像头可用于产品检测，传感器可用于监控设备，而联网机器人则能协同完成各项任务。
边缘智能(Edge Intelligence)可将AI分析能力引入这一环境。
部署在生产线上的摄像头能够在本地运行计算机视觉模型，实时识别产品缺陷;边缘系统则可通过分析振动数据，及早发现设备性能衰退的迹象。
5G技术能够实现机器、传感器与边缘基础设施之间的互联，无需完全依赖传统的有线连接。
将这三项技术结合起来，能带来更大的价值。
物联网(IoT)负责提供数据。
人工智能(AI)负责解读这些数据。
5G负责连接系统中的各个组成部分。
边缘计算则将数据处理过程推向更靠近决策点的位置。
车辆正演变为移动边缘平台
汽车行业是边缘智能日益重要的另一个领域。
现代汽车配备了大量传感器和计算能力日益强大的系统。高级驾驶辅助功能(ADAS)已高度依赖于对摄像头、雷达及其他传感器所采集信息的实时解读。
未来的网联汽车还将与基础设施、其他车辆以及云平台进行交互。
这构建出一种分布式计算环境。
部分决策需在车内完成，而另一些决策则可由周边的边缘基础设施或云系统提供支持。
例如，车辆既能在本地处理即时的传感器信息，又能通过网络获取更广泛的交通数据。
5G技术能够支持车辆与周边基础设施之间的通信;而边缘计算则让数据处理在更靠近道路侧的位置即可完成，无需将所有请求都发送至远端的云平台。
医疗保健领域可从更快速的本地分析中受益
医疗保健是另一个将互联设备与人工智能(AI)相结合、且具有巨大潜力的领域。
可穿戴设备、医疗器械和远程监控系统能够持续产生大量数据。
边缘智能(Edge intelligence)使得部分数据可以在本地进行处理，这在需要快速响应的场景下尤为重要。
例如，当监控设备发现患者的监测指标出现显著变化时，无需等待完整数据集传输至中央平台，即可直接触发警报。
将部分医疗数据在靠近数据源的地方进行处理，也具有实际意义。减少不必要的数据传输，有助于相关机构更好地管理带宽、保障隐私并优化基础设施需求。
然而，医疗保健领域的应用也需要经过严格的验证，并确保具备完善的安全性和监管合规性。尽管该技术能够实现更快速的分析，但这并不能取代临床保障措施的必要性。
零售业与智慧城市同样适用
同样的架构不仅限于工厂和车辆，也可应用于其他领域。
在零售业，边缘人工智能可用于库存监控、客流分析和防损管理等场景。
在智慧城市建设中，通过互联摄像头和传感器，可以对交通状况、停车、能源消耗及基础设施进行监控。
在这些环境中，将所有原始数据传输至中央云端，既昂贵又缺乏效率。
边缘处理技术能够在数据产生源头附近对信息进行筛选和分析。
以交通系统为例，它可以分析局部路况，并根据当前的交通模式调整信号灯。此后，仅需将相关信息上传至覆盖全市的综合平台即可。
这种方式为管理互联基础设施提供了一种更加分布式的架构。
安全与隐私成为重要的考量因素
将智能部署在更靠近边缘的位置，也改变了安全层面的考量。
在中心化云环境中，企业可以将安全管控集中在相对较少的一组系统上;而边缘环境则可能包含成千上万台分布式设备和计算节点。
这导致攻击面随之扩大。
各类设备都需要安全认证、软件更新、加密机制以及监控手段。部署在边缘侧的人工智能(AI)模型，也必须防范被篡改或遭受未经授权的访问。
隐私是另一个需要考量的问题。
在本地处理信息，可以减少需要从设备端传输出去的原始数据量。在某些应用场景下，这对于保护隐私大有裨益。
例如，摄像头系统可以在本地分析视频内容，仅发送事件信息或脱敏后的结果，而无需持续传输完整的视频流。
然而，本地处理并不等同于系统天然具备隐私保护或安全保障能力。这些特性最终仍取决于整个系统的设计方式。
将人工智能部署至边缘侧所面临的挑战
在边缘设备上运行人工智能模型，并非仅仅是将云端应用程序迁移到小型计算机上那么简单。
边缘硬件在处理能力、内存、存储空间以及能耗方面，往往受到更为严格的限制。
因此，人工智能模型必须变得更加高效。
模型压缩、量化以及专用人工智能加速器等技术，有助于降低机器学习工作负载对计算资源的需求。
硬件也在不断演进。
处理器正越来越多地集成针对人工智能推理的专用功能;同时，各类专用的边缘芯片也应运而生，服务于从工业检测到自动驾驶系统等多种应用场景。
最终，这将形成一个软件与硬件必须协同演进的生态系统。
更重大的转变在于架构层面
最重要的变革，或许并非源于某一项单一技术。
人工智能(AI)、物联网(IoT)和5G此前各自独立发展，而“边缘智能”则将它们整合进了一个更加协同的架构之中。
物联网设备负责产生信息。
5G及其他网络负责连接各类设备、机器和计算基础设施。
边缘计算提供本地化处理能力。
人工智能则将原始信息转化为预测、分类和决策。
云平台继续承担大规模存储、模型训练和数据分析的任务。
这些技术共同构建了一种分布式计算模型，使智能不再仅仅集中于单一地点。
让智能更贴近应用场景
边缘智能的目的，并非取代云端，也不是要将每一个传感器都变成功能强大的计算机。
其核心在于确定各类计算任务应在何处执行。
部分工作负载将继续保留在中心化数据中心内，而另一些则由边缘服务器、网关或设备本身来处理。
这种分配平衡取决于多种因素，包括延迟、带宽、成本、安全性、能耗以及应用的复杂程度。
随着互联系统日益复杂，这种灵活性将变得愈发重要。
下一代物联网的重点，不仅仅在于增加联网设备的数量，更在于提升这些设备感知周边环境并做出相应响应的能力。
得益于人工智能提供的“智能”、物联网提供的数据以及5G提供的连接能力，“边缘”正日益成为计算任务执行的关键场所。
此外，随着实时决策需求的增长，智能的部署位置将不再局限于云端，而是会延伸至数据产生所在的每一个角落。
