1.賦能萬(wàn)物

泛在環(huán)境中物聯(lián)網(wǎng)技術(shù)的長(zhǎng)足發(fā)展，使得越來(lái)越多的城市基礎(chǔ)設(shè)施和移動(dòng)智能設(shè)備產(chǎn)生了計(jì)算需求，例如杭州物聯(lián)網(wǎng)小鎮(zhèn)場(chǎng)景中的各類智慧基礎(chǔ)設(shè)施。

因此，無(wú)處不在的計(jì)算需求使得基礎(chǔ)計(jì)算服務(wù)再也不是某個(gè)企業(yè)或者組織的個(gè)體需求，而是整個(gè)社會(huì)發(fā)展的共性需求。無(wú)處不在的計(jì)算即稱為泛在計(jì)算，而邊緣計(jì)算則是通過(guò)大量算力的部署來(lái)實(shí)現(xiàn)泛在計(jì)算的重要手段。

如果將物聯(lián)網(wǎng)的發(fā)展看作給萬(wàn)物賦能的過(guò)程，低功耗嵌入式芯片、傳感器和低功耗無(wú)線傳輸技術(shù)(ZigBee、NB-IoT等)是給萬(wàn)物賦予“感知”和“溝通”的能力，而邊緣計(jì)算則是進(jìn)一步賦予萬(wàn)物“思考”的能力。

圖1-7顯示了對(duì)應(yīng)“通信”“感知”和“計(jì)算”三方面能力的支撐技術(shù)，其中邊緣計(jì)算是對(duì)于現(xiàn)有云計(jì)算和嵌入式計(jì)算的有益補(bǔ)充，有望打通資源受限的物聯(lián)網(wǎng)設(shè)備和高復(fù)雜度的人工智能算法之間的鴻溝，可以看作形成“無(wú)處不在的計(jì)算”的“最后一公里”。

▲圖1-7 賦能萬(wàn)物的三方面基礎(chǔ)能力

2.進(jìn)一步改變?nèi)祟惖纳a(chǎn)生活方式

邊緣計(jì)算的普及將催生大量的新型計(jì)算業(yè)務(wù)(例如自動(dòng)駕駛、醫(yī)療保健、智能制造、通信感知、透明計(jì)算等)，并對(duì)傳統(tǒng)的生產(chǎn)生活方式產(chǎn)生重大影響。

試想，當(dāng)前端設(shè)備(如手機(jī)、平板電腦等)與邊緣服務(wù)器之間的延遲小于前端設(shè)備自身的計(jì)算與讀寫延遲時(shí)，前端設(shè)備便可以不再攜帶計(jì)算資源，僅保留傳感器與通信模塊，不受前端設(shè)備操作系統(tǒng)、計(jì)算資源的限制，從而實(shí)現(xiàn)真正意義上的“透明計(jì)算”。

不僅消費(fèi)電子產(chǎn)品的形態(tài)會(huì)被顛覆，各種各樣原本不具備計(jì)算能力的設(shè)備現(xiàn)在都有了計(jì)算能力，如工廠流水線、城市路燈等。這將極大促進(jìn)整個(gè)社會(huì)生產(chǎn)生活的自動(dòng)化和智能化。

3.提升體驗(yàn)，降低能耗

在物聯(lián)網(wǎng)時(shí)代，各類物聯(lián)網(wǎng)設(shè)備數(shù)量的大幅增長(zhǎng)將會(huì)直接導(dǎo)致傳感及控制數(shù)據(jù)的爆炸性增長(zhǎng)。圖1-8顯示了近5年網(wǎng)絡(luò)數(shù)據(jù)量的變化趨勢(shì)，表1-5顯示了云計(jì)算中心的耗電量，云中心的存儲(chǔ)及傳輸消耗了大量能源，甚至在有些地區(qū)已成為能源消耗的最大來(lái)源。

▲圖1-8 全球數(shù)據(jù)總量及年增長(zhǎng)率

▼表1-5 云計(jì)算中心的耗電量

在邊緣計(jì)算的模式中，大量的前端設(shè)備數(shù)據(jù)不再匯聚到少數(shù)的幾個(gè)數(shù)據(jù)中心，而是“分布式”地存儲(chǔ)在各個(gè)邊緣計(jì)算服務(wù)器上，從而大幅減少了流量需求，并且計(jì)算請(qǐng)求也被分布到世界各地，甚至各個(gè)家庭。這種新的泛在計(jì)算方式有望從根本上解決數(shù)據(jù)無(wú)限增長(zhǎng)帶來(lái)的能源瓶頸問(wèn)題。

4.大幅提升計(jì)算服務(wù)的安全性

隨著嵌入式智能設(shè)備越來(lái)越多，隱私數(shù)據(jù)的安全問(wèn)題逐漸成為人們最為關(guān)心的問(wèn)題之一。不同于云計(jì)算將所有的數(shù)據(jù)集中匯聚到云計(jì)算中心，在邊緣計(jì)算中，用戶數(shù)據(jù)僅直接上傳至邊緣服務(wù)器。數(shù)據(jù)傳遞通常是一跳，或經(jīng)歷極短的網(wǎng)絡(luò)路徑，而且邊緣服務(wù)器面向的用戶數(shù)量遠(yuǎn)少于云計(jì)算，受到大規(guī)模攻擊的概率也相對(duì)較低。

在某些邊緣計(jì)算場(chǎng)景(如家庭智能路由網(wǎng)關(guān))中，邊緣服務(wù)器完全可以是用戶自主擁有的，從運(yùn)行機(jī)制上避免了數(shù)據(jù)與遠(yuǎn)程服務(wù)器的直接接觸。

不僅如此，各類隱私保護(hù)的計(jì)算方法也因?yàn)檫吘売?jì)算較低的延遲得以具有更廣闊的應(yīng)用前景。如Google提出的數(shù)據(jù)與服務(wù)器隔離的聯(lián)邦學(xué)習(xí)(Federated Learning)框架，運(yùn)用在傳統(tǒng)網(wǎng)絡(luò)中可能會(huì)帶來(lái)較大延遲，因此很難支持實(shí)時(shí)運(yùn)算的場(chǎng)景。

而在邊緣計(jì)算當(dāng)中，由于邊緣服務(wù)器與用戶之間的延遲極低，使得這類隱私保護(hù)的機(jī)器學(xué)習(xí)算法能夠支持更廣泛的應(yīng)用和服務(wù)場(chǎng)景。