根據Metcalfe’s Law，網絡價值和用戶數的平方是成正比的，當越來越多的人和智能的物連接在一個網絡上，會讓整個網絡增值。調研機構預計，未來79%的物聯網流量將通過網關接入，50%的網絡流量將來自物聯網，而物聯網將貢獻超過500億的連接。與此同時，每個人、每個物體在每天所產生的數據量也將是當前的2000倍。巨大的商機由此而來，不止為管道商，更是為上游芯片商和服務商。

　　整體來看，云計算服務最多的還是設備端，物聯網則是連接這些端的關鍵橋梁，無論是之后衍生出的移動邊緣計算還是移動云計算，都在將重心引到端上，而不是將精力”浪費”在傳統的IaaS或PaaS端。因此，云服務商在處理工作負載時仍將遵循”大智能”在云端，”小智能”在邊緣的原則，但長期來看產業(yè)上下游圍繞邊緣場景打造智能化的解決方案已成必然趨勢。

　　傳統的物聯網方案會在設備端采集數據，然后將信息發(fā)送回遠端的數據中心進行處理，再由數據中心將指令返回到設備端。就像有一句話說的，世界上最遠的距離是交通信號燈與攝像頭的距離，原因就是在于設備之間的數據沒有被打通，即使同一場景中的設備也必須經由千里之外的數據中心才能交流。同時，網絡帶寬和數據存儲也會對數據中心造成較大的負擔。

　　而在網絡邊緣加入智能化的元素之后，可以讓處于邊緣的每個設備都擁有數據處理能力，而非只是將數據存在云端。與云計算融合之后，智能邊緣可以規(guī)?；呐渲煤筒渴鸪汕先f的邊緣設備，并結合不同的場景進行自動調度，讓物聯網環(huán)境內的每個設備都能自行采集、計算、分析、反饋需求，在端與數據中心之間自由交互。

　　舉個例子，微軟Azure IoT Edge借助混合云和邊緣方案允許用戶自定義IoT應用，支持在離線狀態(tài)下也能實現高級的數據分析，同時降低物聯網解決方案的構建成本。落地到場景中，無人駕駛和AI服務都是應用較為廣泛的。比如，無人卡車可以通過算法來動態(tài)獲取駕駛者及貨物的信息，并以此來做出實時決策，包括路線規(guī)劃、緊急制動等。再如在智能家居場景中，邊緣傳感器也無需持續(xù)將溫度數據傳到數據中心，而是會選擇出決定性的溫度變化進行傳輸，甚至可以直接做出判斷和響應。

　　其實除了工業(yè)互聯網的應用，另一個AI在邊緣設備的場景就是常見的個人設備，即個人AI服務。英特爾在去年9月推出了一款名為”Loihi”的神經網絡芯片，該產品主要用于幫助邊緣的智能設備處理數據。這樣一來，像Siri這樣的個人助理就能不僅僅依靠背后的云端處理能力，還可以在”本地”擁有真正的數據理解能力。

　　從技術層面來看，AI賦能邊緣計算的形態(tài)主要體現在兩個層面：數據和算力。這些數據在處理時會消耗機器學習系統的大量算力，之后將數據信息送到決策系統中進行訓練建模，之后推送到網絡邊緣進而采取行動。這一過程中，云端發(fā)揮的作用可能只是存儲，更重要的處理能力則通過邊緣的AI芯片來完成。通過引入機器學習技術，原有網絡邊緣的工作負載也會被有效緩解。

　　總體來看，物聯網環(huán)境的愈發(fā)復雜使得邊緣計算的出現成為必然，在低時延、高響應逐漸發(fā)展為邊緣場景的必備能力時，如何引入更多的智能元素就成了大家都在思考的問題，否則邊緣設備也只能是割裂的設備而已。