边缘计算是指靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台。网络边缘侧可以是从数据源到云计算中心之间的任意功能实体，这些实体搭载着融合网络、计算、存储、 应用核心能力的边缘计算平台，为终端用户提供实时、动态和智能的服务计算。
与像云端中进行处理和算法决策不同，边缘计算是将智能和计算推向更接近实际的行动，而云计算需要在云端进行计算，主要得差异体现在多源异构数据处理、带宽负载和资源浪费、资源限制和安全和隐私保护等方面。
边缘计算处理数据中心明显的优势有以下几点：
1) 边缘计算可以实时或更快的进行数据处理和分析，让数据处理更靠近源，而不是外部数据中心或者云，可以缩短延迟时间。
2) 在成本预算上可以大大减轻经费预算。企业在本地设备上的数据管理解决方案所花费的成本大大低于云和数据中心网络。
3) 减少网络流量。随着物联网设备数量的增加，数据生成继续以创纪录的速度增长。结果，网络带宽变得更加有限，压倒了云，导致更大的数据瓶颈。
4) 提高应用程序效率。通过降低延迟级别，应用程序可以更高效、更快速地运行。
5) 个性化：通过边缘计算，可以持续学习，根据个人的需求调整模型，带来个性化互动体验。
还有个特别重要的问题是安全和隐私保护。网络边缘数据涉及个人隐私，传统的云计算模式需要将这些隐私数据上传至云计算中心，这将增加泄露用户隐私数据的风险。在边缘计算中，身份认证协议的研究应借鉴现有方案的优势之处，同时结合边缘计算中分布式、移动性等特点，加强统一认证、跨域认证和切换认证技术的研究，以保障用户在不同信任域和异构网络环境下的数据和隐私安全。
物联网里面的边缘计算
目前国内高技术领域的投入主要集中在围绕5G和AI两大块的落地上，而物联网则是目前网络技术打造的重点，也是各个行业实现效率提升、数字化转型的重要手段。投入这么多钱搞5G网络，从产业的思路是希望催生新的产业生态和商业模式。这里需要各个细分的行业，借助于自己的经验，根据场景的分类通过边缘计算可以提升物联网的智能化，找到物联网在各个垂直行业落地生根的钥匙。
对于垂直行业和投入者来说，基于云的万物互联过于集中化和平台化，而实施者对于掌控的需求，就需要着眼于物联网中的边缘计算的设备形态和所处的位置。
边缘计算在具有低时延、高带宽、高可靠、海量连接、 异构汇聚和本地安全隐私保护等特点的应用场景，如智能交通、智慧城市和智能家居等行业或领域，存在非常突出的优势。这里以智能交通的一个点，大件的智能汽车为例，快速处理数据是一种至关重要的能力，而边缘计算是实现自动驾驶的关键。智能汽车本质上可以看作是一台车轮上的大型高功率计算机，其通过多个传感器收集数据。为了使这些车辆安全可靠地运行，这些传感器需要立即响应周围环境，处理速度的任何滞后都可能是致命的。
智能汽车里需要在多个HPC中，按照边缘计算的方式来进行。因为感知数据需要分析的速度受到自动驾驶汽车运动影响，同时还需要及时指示汽车周围有什么，所以通过环境感知的自动驾驶汽车将产生至少40TB的数据。这就是通过网络来回传输的大量数据。
自动驾驶汽车需要利用边缘计算，这涉及到本地化计算处理能力和存储器容量需要能够确保车辆和AI能够执行其所需的任务。5G核心网控制面与数据面彻底分离，NFV令网络部署更加灵活，从而使之能分布式的边缘计算部署。边缘计算将更多的数据计算和存储从“核心”下沉到“边缘”，部署于接近数据源的地方，一些数据不必再经过网络到达云端处理，从而降低时延和网络负荷，也提升了数据安全性和隐私性。
边缘计算的AI芯片
作为边缘计算的核心基础，边缘AI芯片有着重要地位，边缘AI芯片厂商作为产业链上游参与方投入大量资源进行技术研发，从供给方面为边缘智能的实现打下坚实牢固基础。AI根据参考文献的分类包括三类，
1） 经过软硬件优化可以高效支持AI应用的通用芯片（GPU）
2） 侧重加速机器学习（尤其是神经网络、深度学习）算法的芯片
3） 受生物脑启发设计的神经形态计算芯片
从2015年开始，AI 芯片的相关研发逐渐成为学术界和工业界研发的热点。在云端和终端有专门为AI应用设计的芯片和硬件系统，针对目标应用是 “训练”还是“推断”，AI芯片的目标领域分成4个象限。
在应用最为广泛的领域，智能手机这块包括苹果、华为、高通、联发科和三星在内的手机芯片厂商纷纷推出或者正在研发专门适应 AI 应用的芯片产品。很多初创公司加入这个领域，为边缘计算设备提供芯片和系统方案，比如地平线、寒武纪、深鉴科技、元鼎音讯等。
在智能汽车的计算平台的硬件上，大部分车企会采用混合架构，传统主主要还是基于32位Tricore,PowerPC以及850等架构的微处理器, 主要作为冗余和兼容的部分。对于AI和计算力消耗较多的自动驾驶和交互应用, 需提供GPP通用处理器、硬件加速器（HWA）和嵌入式的可编程逻辑阵列（eFPGA），域最大的提升还是在芯片算力的提升，这也使得芯片厂家和车企的直接沟通，需要在这个层级与软件联合考虑。
中国这几年最为火热的投资主要集中在AI和芯片领域，前者是科技公司争夺了好几年的制高点，后者涉及到国家在制造业和科技行业的总体战略考虑。在边缘计算和AI芯片里，涌现出不少的创业公司（在中国的中国芯片初创公司有15家以上），如前面所说的几家。
按部署的位置来分，AI芯片可以部署在数据中心，和手机，安防摄像头，汽车等终端上。在非汽车领域，华为的海思是通过智能手机的麒麟系列芯片和移动相机SoC。阿里巴巴的神经网络芯片Ali-NPU主要用于图像视频分析、机器学习等人工智能应用场景。寒武纪推出了基于云的智能芯片Cambricon MLU100和一款新版本的AI处理器IP产品Cambricon 1M。
在我们比较关心的汽车领域，边缘计算主要有几个落脚点，自动驾驶、智能座舱两大块，在比较难的领域，目前自动驾驶系统芯片选择上与深度学习的技术路线有很大的重叠，深度学习算法复杂性比较高，需要有相应的嵌入式计算平台进行匹配，在应用过程中硬件技术路线主要有GPU、SoC、FPGA、ASIC等，这里分化比较厉害，有很多不同的方向。
国外比较典型的公司是英特尔以133.8亿欧元收购的Mobileye，国内典型的则是地平线，这家公司的前景相对要更明朗一些，比如其在高级别自动驾驶上与奥迪的合作，在辅助驾驶上与首汽约车的合作，看起来颇有紧追Mobileye，后发先至的味道。
总的来说，边缘计算具有低时延、高带宽、高可靠、海量连接、 异构汇聚和本地安全隐私保护等特点，在很多场景下特别是智能交通（车载领域）存在非常突出的优势。
本文来源于网络，本着学习交流的目的进行转载，已标注原始作者和出处，如存在异议，请联系editor@xingongye.cn。如您对内容有疑问，请告之，以便我们及时处理。
