AI如何改变边缘计算的未来-EDA365

嵌入式 > 嵌入式开发 > 详情

AI如何改变边缘计算的未来

发布时间：

据Statista称，随着物联网（IoT）设备（如移动电话、虚拟助手、笔记本电脑、平板电脑、楼宇传感器、无人机、安全摄像头和可穿戴健康传感器）的数量到2025年有望超过700亿部，边缘计算应用也将增加。据Tratica称，全球人工智能（AI）边缘设备的数量预计将从2018年的1.614亿部激增到2025年的26亿部。

物联网设备在许多领域应用多种多样，例如零售、医疗保健、工业、航空航天、国防、运输、设施维护、能源、制造、供应链物流和智能城市等。每个物联网设备都会持续收集数据，因此需要快速分析，达到实时决策，特别是对于自动驾驶汽车、电网、远程手术、石油钻井平台，甚至军用无人机等应用。

物联网设备的边缘计算与云计算对比

传统上，云计算是物联网设备分析和预测的模型。在中央云计算模型中，数据从最终用户设备（“边缘”）发送到云端进行分析，然后云端再将决策回传到设备进行实施。虽然中央计算模型中的数据中心具有处理和存储数据的巨大能力，但它们的维护成本高昂且耗电量巨大。

边缘和云之间的数据传输不仅昂贵，而且耗时并且会产生延迟（滞后时间）。此外，数据传输所需的能量会超过低功耗无线物联网设备所能支持的能量。而且从后勤、运营或财务上来说，当所收集的信息中只有小部分可能有用时，它也没有必要将所有的数据都传到云端。最后，数据传输可能对数据完整性和安全性产生不利影响。

相比之下，边缘计算可以在物联网设备上收集和分析数据，进行快速推理（或决策制定）。然后可以只将少量有用的数据传送到云端。边缘计算提供了几个优点。由于无需将数据从物联网设备传送到云端，因此其延迟时间、带宽消耗和成本将会很低，并且可以根据数据分析快速做出决策。

此外，即使系统处于离线状态，边缘计算也可以持续运行，并且即时数据处理可以更轻松地确定应将哪些数据传送到云，以便再做分析。

开发AI边缘的挑战

虽然将AI与边缘计算相结合很有意义，但硬件和AI软件组件面临着多重挑战。

第一个挑战是处理和功耗。AI包括训练和推理软件。训练会教授模型识别相关参数，以便它可以解释数据。推理是指模型根据学习进行预测。

在云计算方面，高耗电的训练是在云端进行，然后再将训练过的软件部署到边缘，用于相对低功耗的预测（或推理）任务。在边缘计算方面，训练转到边缘，因而对边缘硬件的处理能力提出了更高的要求。对于物联网设备而言，这种能耗增加带来了更大的问题，需要重新平衡处理能力和功耗需求的关系。

由于边缘设备会保留大部分数据而仅将小部分传送到云，数据存储和安全是第二个挑战。此外，设备需要为学习和推理存储相关参数。第三个挑战是物联网设备的数量庞大并且目前缺乏安全标准。

因此，技术公司需要开发处理能力更高、功耗更低的硬件，以及可更有效地执行学习和推理的软件。此外，物联网的应用与特定的场景和行业相关，因此需要有强大生态系统和开发者环境进行定制。

开发AI边缘的进步

专注于物联网边缘硬件的大中小型公司包括BrainChip（Akida神经形态SoC）、CEVA（NeuPro系列）、谷歌（Edge TPU）、GreenWave（AI处理器GAP8）、华为（昇腾芯片）、英特尔（至强）、英伟达（Jetson TX2）、高通（视觉智能平台）和意法半导体（STM32微控制器）。

小型公司倾向于关注物联网边缘软件。有些公司专注于Ekkono、FogHorn和Swim（一种基于云的POS）等学习，而其他公司则主要针对瑞萨（e-AI）等推理。许多公司还开发具有这两种功能的软件，例如亚马逊（AWS Greengrass机器学习推理模型）、BrainChip（Studio软件）、谷歌（Cloud IoT Edge）、华为（Atlas平台）和IBM（Watson IoT平台）。

大型科技公司则处于构建生态系统的最佳位置，而使开发人员能够创建特定行业和场景的解决方案。这些公司包括谷歌（AI平台）、华为（MindSpore）、IBM（Watson）、英特尔（AI开发人员计划）和微软（Azure），以及IoT Hub、Azure Databricks、ML Studio和Power BI等企业级IoT模块。

然而，有一些较小的公司正在创建生态系统，例如BrainChip的Akida开发环境。此外，开放雾联盟（OpenFog Consortium）等贸易集团，以及包括Living Edge Lab、ETSI多访问边缘计算和EdgeX Foundry在内的开源项目，也都在为生态系统做出贡献。此外，包括高通、微软和英特尔在内的领先企业在行业内进行了大量合作，它们正在与各行各业的合作伙伴合作。