邊緣設備智能化的基本要求

將計算基礎架構從數(shù)據(jù)中心擴展到邊緣這一主張，得到了越來越廣泛的共識。諸如聯(lián)邦學習之類的概念，通過共享的預測模型進行協(xié)作學習這種方式，將標準集中式機器學習(ML)方法從數(shù)據(jù)中心轉移到手機——在將數(shù)據(jù)存儲到云的需求中，智能邊緣計算卡，消解了對可實現(xiàn)ML能力的要求。5而各種深度***網(wǎng)絡(DNN)，每天都在發(fā)展、以更好地賦能基于邊緣的處理功能。成功地將智能帶到邊緣設備也帶來了與傳統(tǒng)的AI不同的商機——例如：個性化購物，智能邊緣計算設備，基于AI的助手;或在制造設施中進行預測分析。邊緣/霧計算的應用，比如：車輛的自動駕駛;需要復雜反饋機制的機器人技術的遠程控制;甚至是使用ML、可更好地管理可再生能源的智能電網(wǎng)終端設備;以及在電網(wǎng)中對本地電能使用進行預測分析。對于此類應用，成功實施AI的主要決定因素包括：成本效益低功耗可重構性/靈活性尺寸

邊緣計算

在工業(yè)領域，邊緣應用場景包括能源分析、物流規(guī)劃、工藝優(yōu)化分析等。就生產(chǎn)任務分配而言，需根據(jù)生產(chǎn)訂單為生產(chǎn)進行的設備排產(chǎn)排程，智能邊緣計算，這是APS或者廣義MES的基本任務單元，需要大量計算。這些計算是靠具體MES廠商的軟件平臺，還是“邊緣計算”平臺—基于Web技術構建的分析平臺，在未來并不會存在太多差別。從某種意義上說MES系統(tǒng)本身是一種傳統(tǒng)的架構，而其既可以在軟件系統(tǒng)，也可以存在于云、霧或者邊緣側。在這樣的應用場景，總體而言，在整個智能制造、工業(yè)物聯(lián)網(wǎng)的應用中，各自分工如下。自動化廠商提供“采集”，包括數(shù)據(jù)源的作用，這是利用自動化已經(jīng)在分布式I/O采集、總線互聯(lián)、以及控制機器所產(chǎn)生的機器生產(chǎn)、狀態(tài)、質(zhì)量等原生“信息”。ICT廠商則提供“傳輸”，實現(xiàn)工業(yè)連接。因為在如何提供數(shù)據(jù)的傳輸、存儲、計算方面，ICT廠商有其傳統(tǒng)優(yōu)勢，包括成本方面，已經(jīng)云平臺的優(yōu)勢。傳統(tǒng)工業(yè)企業(yè)的業(yè)務經(jīng)驗和知識，則為分析軟件（***的或者企業(yè)內(nèi)部）廠商提供“分析”的依據(jù)。這些業(yè)務過程的理解，仍然是不能缺少。產(chǎn)業(yè)鏈的協(xié)同，仍然是解決“質(zhì)量、成本、交付”的問題。

邊緣計算

邊緣計算則讓自動駕駛汽車更快速地處理數(shù)據(jù)成為可能。這種技術使得聯(lián)網(wǎng)設備能夠處理在“邊緣”形成的數(shù)據(jù)，智能邊緣計算價格，這里的“邊緣”是指位于設備內(nèi)部或者與設備本身要近得多的地方。

據(jù)估計，到2020年，每人每天平均將產(chǎn)生1.5GB的數(shù)據(jù)量。隨著越來越多的設備連接到互聯(lián)網(wǎng)并生成數(shù)據(jù)，云計算可能無法完全處理這些數(shù)據(jù)——尤其是在某些需要非?？焖俚靥幚頂?shù)據(jù)的使用場景當中。