早晨，你被一阵悦耳的鸟鸣声唤醒，朦朦胧胧中，你觉得这可能是北方云雀的叫声，然而，家中并没有养鸟，怎么会有鸟鸣声呢？

哦，原来，鸟鸣声来自你的智能家居助手，它在播放起床音乐闹铃。想到这一点的你，一边摇摇头嘲笑自己的记性，一边起床穿好衣服。此时，你的智能家居助手感知到你已经起床，控制着卧室窗帘缓缓打开，让阳光照进来，并且打开了厨房的面包机和咖啡机，为你充实的一天准备好营养丰富的早餐……

等到傍晚，结束了一天繁忙的工作，你坐上自己的自动驾驶汽车回家，来到家门口，无需钥匙，房门自动为你打开，空调已经在汽车到家前的几分钟提前启动，并调整到你习惯的温度。秋燥有时会让你感到不适，因此家里的加湿器会将房间的湿度调整到最舒适的水平。

这样的生活，存在于边缘计算与AI相结合的万物互联时代。

万物互联的时代

随着物联网(InternetofThings)的再次崛起，以及4G/5G无线网络的普及，万物互联(InternetofEverything)的时代已经到来。相比于传统意义的物联网，万物互联除了“物”与“物”的互联，还增加了更高级别的“人”与“物”的互联，其突出特点是任何物件都将具有语境感知功能、更强的计算能力。上述生活片段描述的就是这样一个场景。

简单概括，万物互联的核心就一个词：连接。智能手机的广泛普及已经实现了人与人之间随时随地的连接。从以前的电报，到后来的电话和短信，再到现在即时传播图片、音视频等多媒体，人与人之间的连接手段已经十分发达和丰富。

在我们的日常生活中，联网设备将不仅仅是电脑和手机，而是任何物件皆可联网，比如家里的冰箱、洗衣机、空调，码头的集装箱，仓库的货架。甚至动物也可以连接，大自然保护区里的所有珍稀野生动物都联网了，动物保护协会的科学家们可以更方便地检测它们的生命状态，提供更好的保护。

在万物互联时代，很明显的一个特征是，各种网络边缘设备的数量迅速增加。这导致传统的以云计算为核心的集中式大数据处理方式无法满足计算需求：

一方面由于海量边缘数据爆炸式增长带来的网络传输带宽负载量的急剧增加，势必导致网络延迟；

另一方面多数网络边缘设备产生的数据涉及个人隐私，如不分青红皂白都传输到云端，将使得隐私安全问题变得尤为突出；

还有一点不得不考虑的问题，那就是众多网络边缘设备存在电能的限制，向云端实时传输数据将消耗大量电能。

边缘计算的崛起

基于上述问题，靠近设备端数据源头的实时计算方式显得十分必要，这种计算方式叫做边缘计算。

边缘计算并不是一个新的概念，早在2003年IBM的内部项目中就已出现，本质是一种去中心化的分布式计算模型。

相对于云计算来说，边缘计算将智能计算转移至边缘设备端，计算过程在智能设备（如手机）或边缘设备的分布式设备节点上执行，而不都是在集中式的云环境中进行。“边缘”指的是网络中的计算节点作为物联网设备的物理分布，位于各种网络的边缘，比如家用电器、汽车传感器、城市摄像头等等。

边缘计算因为其设备所处位置的独立性，处理的数据和实现的功能往往更为聚焦，专注于实时、短周期的数据，实现支撑本地业务的智能化处理和实时性任务。边缘计算在本地网络中进行计算，采集到的数据不用上传到云端，或者在本地处理加工过滤后只将少量数据传至云端，大大减少了网络传输占用的处理时间，也降低了带宽成本，对于电能有限的边缘设备来说也能更加节能，从而延长设备的使用寿命。

此外，因为以下5个优势，边缘计算成为了万物互联时代的核心技术，被Gartner列为2019年十大战略技术之一：（1）低功耗；（2）低时延；（3）数据安全，保护隐私；（4）支持本地交互；（5）自主独立运行。

不过，边缘计算实现智能计算的边缘化，比较依赖于集成在边缘设备上的AI芯片。Gartner预计，在未来五年内，专用AI芯片以及更强大的处理能力、存储和其它先进功能将被添加到更广泛的边缘设备中。

AI芯片的格局

AI芯片指的是针对人工智能算法做了特殊加速设计的芯片。现阶段，这些人工智能算法一般以深度学习算法为主，也可以包括其它机器学习算法。

AI芯片可以让人工智能软件的效率达到最高，这对计算实时性要求高的边缘计算设备至关重要。未来在AI领域的竞争一定是“软硬结合”，越来越多的公司开始布局AI芯片的架构设计。可以预见的是，万物互联时代将掀起边缘设备领域AI芯片产业竞争的新浪潮。

今年上半年，CompassIntelligence公司发布了AI芯片组的指数排名（AIChipsetIndex）。该指数主要关注AI芯片组的软硬件指标，包括中央处理器（CPU）、图形处理器（GPU）、神经网络处理器（NNP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、精简指令集计算机（RISC）处理器、加速器等。

根据AI芯片组应用对象，可分为：云计算服务器和边缘计算设备（手机、自动驾驶、智能家居）等。云端服务器使用的AI芯片特点是性能强大、支持大量运算并发、支持多种AI应用，如自然语言处理、音视频处理、图像识别等。而在边缘设备端，AI芯片的显著特点是体积小、耗电少，通常聚焦有限的AI应用。

借助于AI芯片，神经网络可以更快地运行并且消耗更少的功率。Google在2016年发布了TPU（TensorProcessUnit），并且在今年五月份发布了第三代版本，这块芯片专门为TensorFlow框架设计，运行在Google的数据中心服务器端。

针对边缘计算，Google两个月前发布了EdgeTPU，这是一款运行在TensorFlowLite计算框架上，为移动或物联网边缘设备运行机器学习应用程序的专用芯片。苹果公司去年发布在iPhoneX手机上的内置芯片A11Bionic具备双核架构NeuralEngine（神经网络处理引擎），它每秒处理神经网络计算需求的次数可达6000亿次。

AI芯片的发展大大促进了边缘终端设备的发展，推动了数据采集手段的增加以及计算能力的极大提升，进而也带来应用场景的丰富，并反推AI芯片计算能力和制造工艺的进步。

场景应用的变革

边缘计算技术与其所依赖的AI芯片相互促进和迭代发展，在万物互联的时代，将带来更多传统应用的变革以及新的应用场景的出现。

（1）边缘计算视频监控。针对新型犯罪及社会管理等公共安全问题，以云计算和万物互联技术为基础的边缘计算和视频监控技术，可以提高视频监控系统前端摄像头的智能处理能力，进而提高视频监控系统的防范刑事犯罪和恐怖袭击的能力。

（2）智能家居。如本文开头描述的生活场景，万物互联技术的普及将为家居生活带来越来越智能化的应用，比如智能照明控制系统、智能电视、智能空调、智能扫地机器人等。这些硬件不仅仅是在名字上添加上“智能”二字，实际上在智能家居环境中，除了依托联网设备，还需在房间角落、管道节点、地板和墙壁等部位部署众多无线传感器和控制器。此外，出于对家庭敏感数据的保护，智能家居系统的数据处理必须依赖边缘计算来解决。

（3）智慧城市。如果将智能家居的应用场景放大到一个社区或城市，将在公共安全、健康数据、公共设施、交通运输等众多细分领域产生极大的应用价值。这里应用边缘计算的初衷更多是出于成本和效率考虑，在一个八百万人口规模的城市，每小时产生的数据量可能达到100PB，采用传统云计算处理方式将给网络带宽带来极大的压力，城市各角落的边缘设备实时处理和收集数据将带来效率上的极大提升。

（4）自动驾驶技术与智能交通。在自动驾驶领域，边缘计算至关重要，因为自动驾驶汽车上数百个传感器每小时将产生40TB的数据量。从安全性的角度而不是从成本的角度考虑，数据的处理必须实时完成，当遇到紧急情况时，比如汽车前方突然出现踢球玩耍的小孩，这时自动驾驶系统必须依赖实时高效的边缘计算给予决策支持，并作出应急处理：刹车！

越来越多的城市已经开始部署智能交通控制系统，这样的智能控制系统，依赖于在各交通要塞部位部署的边缘计算服务器，通过街边数不清的摄像头和传感器对交通的实时状态进行监控、预警和优化调度。

（5）智慧金融。近年来，AI技术正在金融领域大放异彩：智能风控技术、智能投顾、智能客服等。结合边缘计算，AI将在赋能金融的道路上释放出更多能量：

（1）智能身份认证，人脸识别与声纹识别技术可以通过边缘设备的计算能力，为金融机构提供更为高效的用户身份认证手段，提升金融服务的安全性；

（2）智能化的供应链金融，边缘计算能力的提升必然带来智能仓储和智能物流的发展，这为供应链金融提供安全保障以及场景依据，比如物流仓库和港口码头的质押货物监控等。

场景的变革在不知不觉中发生，生活的节奏在悄无声息地改变。无论是边缘计算，还是AI，抑或是新技术革命下的物联网、工业互联网、万物互联网，这些技术和概念带给我们的不仅仅是体验的变化，还有认知的爆炸。唯一无法改变的是技术的不断进步。

『本文转载自网络,版权归原作者所有,如有侵权请联系删除』