物聯網的爆發已成為行業共識，預計到2020年，物聯網將提供百億計的連接和萬億級的商業價值，這是遠超我們現有的智能設備連接量，計算力和數據為根本的推動力。

在近年來關于物聯網的會議和演講中，邊緣計算的概念經常被提起，最主要的原因就是物聯網通常被認為是邊緣計算架構得以普及的關鍵，用來實現更快的實時分析，降低管理，分析和存儲物聯網數據的成本。

產業鏈上游的公司對這種大環境帶來的變化最為敏感，去年11月，以華為、英特爾、中國科學院沈陽自動化研究所為代表的公司和機構還專門成立邊緣計算產業聯盟，來搭建邊緣計算產業合作平臺。

作為一直以來都將物聯網視為公司重大戰略方向的英特爾，也在聯盟之中廣結伙伴，嘗試著不同垂直領域的產業應用，企圖在物聯網時代扮演更重要的角色。

英特爾中國區物聯網事業部首席技術官張宇博士認為，物聯網發展可以分成三個階段，即從「互聯」走向「智能」，從「智能」再走向「自治」，并將這個過程形象地比喻成“物聯網領域的摩爾定律”。

數據驅動未來，數據又來自邊緣

物聯網發展進程中，邊緣智能正在越來越起到關鍵的作用。

去年，AlphaGo利用增強學習的技術打敗了人類的棋手，類似的很多人工智能應用在一些邊緣智能的場景里已經逐漸找到落地的方式，世界上大多數革命性創新都始于邊緣。

邊緣計算指在靠近物或數據源頭的網絡邊緣側，就近提供邊緣側的計算，滿足實時、安全、隱私等方面的需求，讓物聯網的每個邊緣設備都具備數據采集、分析計算，通信，以及最重要的智能。

如同人工智能一樣，邊緣計算的發展同樣離不開數據，在未來任何我們所面臨的問題都可以轉化為某種程度上的數據問題，這個過程中需要大量的數據進行訓練，而當下的萬物智能互聯時代，數據量的產生速度超出了一般人的想象。

以智能攝像頭為例，一個智能攝像頭的分辨率正在從1080P向4K方向轉化，每個攝像頭一天所采集到的數據的數量可以從100GB向200GB發展。談到未來的自動駕駛，今后的每一輛車都將內置各種各樣的數據傳感器，這些傳感器同時工作一天所產生的數據量將超過4TB。

一方面，數據的數量在以遠超過我們預期的指數級速度增長，另一方面數據的類型也變得越來越多樣化。以前我們拿到的數據很多都是結構化的數據，可以通過簡單的關系型的數據庫對這些數據進行維護和管理，但今后會面臨越來越多的非結構化數據，它對計算模式提出了新的要求。

物聯網時代面臨的海量數據需要更敏捷地連接、更有效地數據處理，同時要有更好地數據保護。這是正是邊緣計算所具備的優勢，邊緣計算能夠有效的降低對帶寬的要求，提供及時的響應，并且對數據的隱私提供保護。

邊緣計算與云計算的關系

我們現在所處的互聯網時代中，很少聽到邊緣計算的概念，更多被提到的則是我們耳熟能詳的云計算。因為互聯網的技術本質就是通過云計算平臺來實現用戶在隨時隨地按需訪問自己所需要的資源的過程，云計算能夠幫助實現資源的共享。

云計算適合非實時、長周期數據的大數據分析，而邊緣計算則主要完成實時、短周期數據的分析，更適合本地業務的實時處理與執行，二者在計算架構上看似矛盾，但他們之間會是互相替代的關系嗎?

在英特爾中國區物聯網事業部首席技術官張宇博士看來，“我們在強調邊緣計算，并不是說邊緣計算將代替云計算。我們認為邊緣計算和云計算二者之間是很好的互補。原因非常簡單，我們知道邊緣計算所處理的數據是個局部的數據，并不能形成對于全局的認知。這些認知的形成還是需要一個云計算的平臺，在后端對各種不同的邊緣采集到的數據進行融會貫通。”

張宇博士舉了一個智能交通方面的例子，智能攝像頭通過智能方法能夠識別出各種車輛的車型、顏色、車牌，但是只能得到當前的信息，并不能知道這輛車在此刻的前后時間內的信息，也就是說不能完整了解行車軌跡，如果要形成車輛的完整軌跡，還是需要有云計算平臺的支持。

雖然人工智能到現在已經取得了非常大的突破，但是人工智能同樣還面臨著很多的挑戰。最大的一個挑戰就是，現在人工智能在進行處理的時候，還需要消耗非常大量的資源，包括計算資源，也包括存儲資源。

英特爾的所宣稱的物聯網概念，其實是一個“端到端”的系統，將其分成邊緣和后端平臺兩部分，中間通過網絡進行連接。邊緣部分包含數據采集、網關及數據處理等等模塊。而在后端完成的是數據的處理機設備的遠程管理。

由此來看，邊緣計算其實是云計算架構的一個延伸，它是去承載一部分云計算因為網絡帶寬或者后端存儲有相當的技術或者成本壓力的情況下提出的一個新的計算架構。我們應避免用割裂的眼光去看待二者的關系，因為它們獨立存在是沒有意義的。

邊緣計算強調垂直行業應用

眾所周知，英特爾做物聯網解決方案目前還是以X86架構通用處理器為核心的技術平臺，但隨著邊緣計算所承載的業務、范圍變得更豐富、多元化，英特爾已經發現了單一處理器很難承載不同類型的計算工作負載或者業務類型。

張宇博士認為，“邊緣計算不僅僅承載了在邊緣節點將傳感器數據作采集、匯總或傳輸。邊緣節點的計算可以變得更有效率，并不是單一設備有能力承載的，需要一個工作負載整合的概念，把不同的數據類型整合在一個計算平臺上，然后由這個計算平臺預處理很多數據，使這些數據變得更有價值。”

也就是說，邊緣的節點可能只是一個中間環節數據，然后使這個數據進一步傳送到云端，和云端協同形成整體的端到端的解決方案。而要想證明這個過程，只有通過具體的垂直行業應用來驗證它。

具體而言，英特爾目前分別在安防監控、車載交通、零售和工業這四個大的行業進行了一系列落地的探索。

在安防領域。英特爾結合了Altera在FPGA的產品線和Movidius的產品線，與國內海康、大華這樣的廠商合作，在前端攝像機這端比以往更容易承載更復雜的數據分析，比如說人、車、物的檢測和分類，通過對于深度學習在這些芯片上的應用可以使這些檢測的算法更精確，使這些算法的落地變得更有效率。

在車載這領域。英特爾正在把原先在車內的一些分立式的功能模塊，組合在通用計算平臺上。這個計算平臺現在使用的是Apollo Lake SoC，它是凌動產品中最新的處理器，在認證上面除了提供底層的部件和操作系統包括Linux和安卓的支持，也提供一些虛擬化技術。

在零售領域。除了傳統在POS或者數字標牌、智能零售終端之外，最先落地的場景則是無人店帶來的商業模式、商業機會的思考。據悉目前已經開發出了早期原型的一套軟件平臺，用于無人店管理的環境中。

在工業領域。英特爾目前已經預先做了一個更有計算能力的網關平臺，使這個網關平臺將來可以適用于更復雜的工業自動化的場景。

邊緣計算是一個很大的產業和生態，沒有任何一家公司能夠把這個產業鏈里所涉及的上下游所有環節都能夠提供，而目前整個物聯網系統中人工智能應用也只處于起步階段，里面還有很多技術方面以及商業問題沒有完全解決。

伴隨著人工智能時代我們處理的問題種類越來越多，數據量越來越大，未來的系統架構組成也將不再單一，每種問題有特定的適宜架構，組成一個系統的時候可能是不同架構的綜合，異構架構將成為未來的主流計算方式。

從英特爾現在在做產品設計來看，給自己的定位還是非常明確的，即首先做一家芯片公司，提供計算、通信、存儲所需要的芯片解決方案，之后逐漸將邊緣計算的理念和框架在垂直行業里得到真正的影射。