自2006年云計算正式在科技世界中展露頭角，近13年的迅猛發展，2019年云計算市場早已不同以往。回顧昨日，2018年風口浪尖上的云計算，“人人說云，事事上云”，各大中型企業到初創企業紛紛把不同類型的應用服務遷移到云上，尋找上云最佳途徑。再看今朝，AI、物聯網、5G等新興技術的發展落地，不斷拓寬著云計算的實踐邊界與應用空間。

與云計算互補：AI推動邊緣計算應運而生

從云計算對傳統IT架構的顛覆性變革，到AI構建模型與算法的智能世界，再到萬物互聯的IoT悄然崛起，云計算以排山倒海之勢拉動著IT產業鏈的發展，而人工智能和物聯網也一直都是社會普遍關注的焦點話題。

值得注意的是，近兩年，與我們生活息息相關的智能服務隨處可見，但其底層的AI技術或者說機器學習技術卻已擁有著超過50年的悠久歷史。要說“人工智能”為何在近幾年才逐步走近人們的生活，這與云計算有著密切聯系。2006年云計算的誕生，預示著人工智能拐點的到來，數據量越來越大，計算能力越來越強，過去不實用的AI技術到了2006年也都逐步進入實用階段，可以說，是云計算讓AI技術更加接近企業與消費者，并不斷利用AI技術驅動著產業變革。

技術發展總是相互貫通的，隨著數十億的智能設備在住房、工廠、醫院、汽車等地普及開來，物聯網技術的興起必然是這個時代的又一場革命。隨著物聯網在各行各業的推廣應用，我們急需一個解決方案來收集、處理、存儲這些物聯網設備所產生的龐雜數據，而云計算平臺正是分析加工這些海量數據與連接的技術基石。同時，IoT通常會在邊緣端對設備進行管理和控制，很多的數據需在邊緣進行實時決策，這就對邊緣設備的智能化提出了更高的要求。

將機器學習智能引入邊緣計算

邊緣計算意味著把云計算的資源、計算、存儲等能力帶到更接近用戶的本地邊緣設備中，大量計算可以在本地直接處理，而無需把所有數據都發送到云端，實現本地事件的更快響應。

事實上，要想確保IoT應用程序能夠快速響應本地事件，則必須以非常低的延遲獲得推理結果，但這時如果把數據發送至云端，再等待云端的推理決策，這個過程就很難滿足一些業務場景的需求。

例如，在很多智慧城市的智慧攝像頭場景中，智能攝像頭需要在邊緣側快速識別汽車牌照或者人臉等場景，如若把海量的視頻數據實時上傳到云端去做推理，這勢必會帶來大量不必要的帶寬占用，并無法滿足其對于實時決策的需求，這時就需要一個更加智能的解決方案來做推理。

但是，僅使用云計算來部署人工智能的方式，與將云計算與邊緣計算有效結合起來應用人工智能的方式截然不同。數據科學家依靠云計算來攝取和存儲大量數據集，并識別數據中的模式和關系，在建立模型的整個過程中，訓練和優化機器學習模型需要大量計算資源，因此與云計算是天然良配。

而實際上，最終的、經過優化的機器學習模型在推理的過程中并不需要太多的資源。所以為了確保IoT應用程序以非常低的延遲獲得推理結果，我們就可以把訓練放在云端，推理放在邊緣側，以達到利用云端去訓練機器學習模型，利用邊緣設備實時進行推理，甚至在沒有互聯網的環境中產生數據時，也能實現高速響應業務變化并作出決策。

例如，在智慧農業的場景中，裝在農田里的傳感器會對收集的環境數據進行實時決策。但在這些場景中，設備通常無法保證連接到互聯網，這時就更加需要邊緣端實時作出決策，待設備具備互聯網連接時，再同步數據到云端。

廣闊的市場前景，潛在的應用范圍，毋庸置疑，人工智能讓邊緣計算更有價值。據美國市場調研公司CBInsights估算，到2023年全球邊緣計算行業，整體市場容量有望達到340億美元。其中包括亞馬遜、微軟、谷歌在內的幾大公有云巨頭的爭相布局也說明了邊緣計算未來發展的無限潛力，尤其在智能家居領域，邊緣計算如何發揮更大價值已成為行業的主要研究方向。

智能家居中的邊緣智能

目前，智能家居中的大部分智能設備主要還是通過云計算來實現設備交互，但設備對云計算的強依賴同樣會產生響應速度慢、延遲感強、網絡故障等諸多問題。這時，填補目前云計算特性不足并提升計算效率的邊緣計算，在智能家居領域中強勢崛起。

據麥肯錫預測，到2025年，全球聯網設備總量將達750億。從智能的家庭監控攝像頭，到智能門鎖，智能空調等，對于每天要處理大量IoT數據的智能家居行業來說，邊緣計算將成為必然選擇。

以格蘭仕的智慧家居數字化轉型為例，自1978年9月28日創立以來，格蘭仕歷經多次轉型，從輕紡明星企業，到微波爐“黃金品牌”，再到綜合性白色家電集團，成為中國家電產業的龍頭企業之一。然而隨著科技的發展和消費需求的變化，為了應對智能化制造、精益化管理等一系列挑戰，格蘭仕決定開啟第四次轉型——數字化轉型。

但格蘭仕過去傳統架構設計的信息系統已不再適用，在數字化轉型過程中，格蘭仕在對比了眾多解決方案后，最終選擇利用AWSIoT、AWSECS等AWS解決方案完成了電商平臺與物聯網平臺的開發部署。

在AWS智慧家庭設備的解決方案中，用戶可在AmazonSageMaker中構建預測模型以用于場景檢測分析，并對其進行優化以便在任何攝像機上的穩定運行，然后部署該模型以便預測可疑活動并發送警報，實現在云中構建、訓練和優化機器學習模型，并在本地設備進行推理的高效響應。

用戶首先可將訓練數據上傳至存儲桶中，并選擇SageMaker提供的現有算法生成訓練模型，該模型以壓縮zip文件的形式被復制到另一AmazonS3存儲桶內。接下來，該zip文件會被復制到設備中，該設備則在運行時由AWSLambda函數進行調用。其中，在IoTGreengrass上運行推理過程所收集到的數據可發送回SageMaker，進行就地標記，并用于不斷提高機器學習模型的質量。

在上圖具體的智慧家庭場景中，機器學習模型需要在家中的智能攝像頭和網關的邊緣設備上直接運行，并檢測是否發生了一些需要實時處理的數據。在邊緣端，這些機器學習模型作為一個Serverless函數部署，該函數則由應用程序直接調用（圖中2和6）。在每個邊緣位置，由于FaaS中的部署單元為一個函數，因此它比推送到虛擬機或容器要更高效得多，而且一旦有新的機器學習模型在云端產生時，都會為其分配一個新版本，并將其同步到邊緣端去運行（圖中2，3之間的交互）。總之，機器學習的繁重工作在云中完成，邊緣計算簡化了推理與部署體驗，Serverless也將簡化開發人員的工作負擔。

小結

邊緣計算作為算力架構優化最重要的技術，不僅是物聯網發展的重要方向，同時也是未來AI技術的重要延伸。萬物互聯，將機器學習智能引入邊緣計算，使智能計算更接近于應用程序，人工智能與邊緣計算的融合與突破，勢必將重新定義未來科技的發展新方向。

責任編輯：ct