从云服务到边缘计算，AI来到“最后一公里”

如果把人工智能看作是一段从A到B的旅途，云计算服务是旅途中机场或者高铁站，边缘计算就是出租车或者共享单车，边缘计算在靠近人、物或数据源头的一侧，采用融合存储、计算、网络 接入、应用核心能力为一体的开放平台，就近为使用者提供服务。相比于集中部署的云计算服务， 边缘计算解决了时延过长、汇聚流量大等问题，为实时性和带宽要求较高的业务提供更好的支持。

ChatGPT的火爆掀起人工智能发展的新浪潮，加快AI向工业、零售、智能家居、智慧城市等更多应用领域下沉，在应用端大量的数据需要存储计算，单单依靠云端，已经无法满足实际需求，边缘计算完善AI应用的最后一公里。在大力发展数字经济的国策下，我国云计算进入普惠发展期，边缘计算需求激增，云边端一体化成为未来重要演进方向。

边缘计算市场未来五年复合增长36.1%

边缘计算产业进入了稳健发展阶段，具体表现为其服务提供商逐渐多元化，市场规模不断扩大，应用领域进一步拓展。在市场规模上，IDC跟踪报告数据显示，2021年中国边缘计算服务器整体市场规模达到33.1亿美元，预计2020～2025年中国边缘计算服务器整体市场规模年复增长率将达到22.2%。沙利文预测中国边缘计算的市场规模预计在2027年将达到2509亿元人民币，2023年至2027年的复合年增长率为36.1%。

▲中国2018-2027边缘计算市场规模，资料来源：沙利文

边缘计算生态产业茁壮成长

边缘计算目前处于爆发初期，产业链上的业务边界相对模糊。对于单个厂商而言，既需要考虑与业务场景的融合，又需要从技术层面具备适应业务场景变化的能力，同时还需要保证与硬件设备具有较高的兼容性，以及项目落地的工程能力。

边缘计算产业链划分为芯片厂商、算法厂商、硬件设备制造商和解决方案提供商等。芯片厂商大多研发从端侧到边侧再到云侧的算力芯片，除边缘侧芯片外，还研发加速卡以及配套的软件开发平台。算法厂商以计算机视觉算法为核心，打造通用或者定制算法，亦有打造算法商城或者训推平台为主的企业。设备厂商积极投入，边缘计算产品形态不断丰富，逐步形成了从芯片到整机的边缘计算产品全栈。解决方案商针对特定行业，提供软件或者软硬一体的解决方案。

▲ 边缘计算产业链图谱，AIoT星图研究院绘图

边缘计算行业应用加速落地

在智慧城市领域

城市物业的综合巡查目前普遍采用人工巡查的模式，人工巡查模式存在耗时费力成本高、过程依赖个人、覆盖面和巡检频率不佳、质量管控不严的问题。同时在巡查过程中记录了海量的数据，这些数据资源未转变成数据资产为业务赋能。通过将AI技术应用于移动巡检场景，企业打造了城市治理AI智能巡检车，该车采用物联网、云计算、AI算法等技术，搭载高清摄像头、车载显示屏、AI边端服务器等专业设备，结合“智慧系统+智能机器+员工辅助”的巡查机制，推动城市治理由人员密集型向机械智能化转变，由经验判断型向数据分析型转变，从被动应对型向主动发现型转变。

在智慧工地领域

基于边缘计算的智慧工地解决方案将AI技术深度融合应用于传统建筑行业安全监控工作，通过在工地放置一个边缘AI分析终端，完成基于智能视频分析技术自主研发视觉AI算法，全时侦测待测事件（如检测是否佩戴安全帽），提供人员、环境、安保等安全风险点识别及报警提醒服务，主动识别不安全因素，AI智能值守，节约人力成本，满足工地的人员、财产安全管理需求。

在智能交通领域

云边端架构已成为智能交通行业应用部署的基本范式，云侧负责集中式管理以及部分数据处理，边侧主要提供边缘端数据分析计算决策处理，端侧主要负责业务数据采集。

在车路协同、全息路口、自动驾驶、轨道交通等具体场景中，有大量的异构设备接入，这些设备需要进行接入管理、退出管理、告警处理、运维处理。边缘计算可以分而治之、化大为小，提供跨层协议转换功能，实现异构数据的统一和稳定接入乃至协同控制。

在工业制造领域

生产流程优化场景：当前大量离散制造系统受限于数据的不完备性，整体设备效率等指标数据计算比较粗放，难以用于效率优化。边缘计算平台基于设备信息模型实现语义级别的制造系统横向通信和纵向通信，基于实时数据流处理机制汇聚和分析大量现场实时数据，实现基于模型的生产线多数据源信息融合，为离散制造系统的决策提供强大的数据支持。

设备预测性维护场景：工业设备的维护分为三种：修复性维护、预防性维护和预测性维护。修复性维护属于事后维护，预防性维护和预测性维护均属于事前维护，前者基于时间、设备性能、现场使用工况等综合因素对设备进行定期维修，更多还是凭人的经验，后者则通过采集传感数据，实时监控设备的运行状态，基于工业模型进行数据分析，准确预测故障何时发生。

工业质检场景：工业视觉检测领域首先是以传统的自动光学检测（AOI）形态进入质检领域，但AOI发展至今，在诸多缺陷检测等复杂场景中，由于缺陷种类繁杂，特征提取不全，适配算法延展性差，产线更新频繁，算法迁移不灵活等多种因素，传统AOI系统已难以满足产线发展的需求。因此，以深度学习+小样本学习为代表的AI工业质检算法平台正在逐步取代传统的视觉检测方案，AI工业质检平台经历了经典机器学习算法和深度学习检测算法两个阶段。

责任编辑：

文章来源：//www.profoottalk.com/2023/1007/9327.shtml