1.2 智能邊緣計算

隨著人工智能領域的快速發展，越來越多的智能算法被廣泛應用于日常生活。從“互聯網+”到“萬物互聯”，通信、計算、存儲能力的快速發展使得越來越多的設備具有了“智能”，針對復雜的網絡環境，邊緣計算也發展出了一個熱門的研究方向，即：智能邊緣計算。智能邊緣計算的主要目的是在邊緣計算體系中，加入多種智能化方法，從而使得邊緣計算網絡中的各種邊緣節點都具有更強的能力，整個邊緣網絡的能力也能得到較大的提升。智能邊緣計算主要在以下兩個方面進行了優化，一是針對各種連入網絡的邊緣節點，在設備上加入了多種智能應用，從而強化了設備能夠完成的任務種類與效果；二是在邊緣網絡中，增加了智能算法以優化請求的調度、管理過程。智能算法的加入使得邊緣網絡的能力得到了極大的強化，由此涌現出了大量的智能實踐實例，如智慧城市、車聯網、智能制造、智慧醫療等，1.3節將對各種常見的應用場景進行描述。

1.2.1 什么是智能邊緣計算

在傳統的IoT場景中，智能主要體現在數據中心上，而不在邊緣設備中，大多數先進的人工智能流程都是在云中進行的，因為它們需要大量算力。因此，形成了邊緣設備采集數據—發送到數據中心處理—數據中心處理后返回邊緣設備的工作流。這種方式無疑會面臨各種挑戰，如設備與處理中心的距離過遠和數據量大導致的傳輸效率低、數據中心的單點故障導致的可靠性低等問題。

隨著邊緣計算的發展，智能邊緣計算也相伴而生。智能邊緣計算的出發點是：讓網絡中的每個邊緣設備都具備智能處理數據的能力，源數據直接在邊緣端得到處理，從而減少上傳到邊緣網絡中的數據流量；另一方面，智能邊緣計算也可以將智能化算法從云處理中心下載到邊緣服務器上，可以大大優化網絡中的各類約束、限制。

由于越來越多的設備需要在無法訪問云平臺的情況下使用人工智能技術，使得智能邊緣計算變得越來越重要。在自動化機器人或配備計算機視覺算法的智能汽車的應用中，數據傳輸滯后的結果是災難性的。自動駕駛汽車在檢測道路的人員或障礙時不能受到傳輸延遲的影響，無法使用云計算的處理方式，必須采用邊緣人工智能系統，進行實時地數據處理和分析。在這個過程中，邊緣計算需要與5G和IoT等其他數字技術相結合。IoT設備為邊緣網絡生成數據以供使用，5G則是保證網絡傳輸效果、維護用戶體驗的核心組件。

值得一提的是，物聯網中設備不再單單作為數據源提供支持，而是可以通過本地的智能算法，對數據進行基本的處理，隨后將信息密度更高的數據上傳到邊緣網絡中，等候后續低延遲或實時處理。此外，通過傳輸最重要的信息，可以減少傳輸的數據量，最大限度地減少通信中斷。

1.2.2 邊緣計算與人工智能

在智能邊緣計算理論體系的完善中，人工智能技術對邊緣網絡優化、邊緣設備優化起到了巨大的作用，是“智能”的體現。早在2009年，微軟就構建了一個基于邊緣網絡的原型，以支持移動語音命令識別，這是邊緣智能的最早實例。

邊緣計算與人工智能的結合是必然的，因為二者之間有很明顯的依賴作用。一方面，人工智能推理結果的靈活、準確，高度依賴于神經網絡的龐大和對算力、存儲空間的嚴苛要求。傳統的云計算架構有限的處理能力無法供應飛躍式增長的智能設備需求；另一方面，人工智能算法大大拓寬了邊緣計算架構的能力上限，使得邊緣計算架構不僅僅是對云計算在硬件上的擴展與升級，同時也在調度算法與智能決策方面進行了顯著的提升，改變了用戶體驗與用戶能力。總體來說，將深度學習部署到邊緣的優勢包括：

1）低延遲。應用MEC可以顯著降低應用時延。舉例來說，在邊緣服務器上部署訓練好的深度學習模型，邊緣側只需要執行一次推理，即可得到令人滿意的結果，相比于傳統的決策方式，推理時間更短，精度更高，使得用戶能獲得更好的服務體驗。

2）隱私保護。由于深度學習服務所需的原始數據存儲在本地邊緣設備或用戶設備本身而不是云端，因此相比于需要上傳全部數據的卸載方式，用戶隱私的安全性能夠得到更好的保障。

3）更高的可靠性。分散和分層的計算架構提供了更可靠的深度學習計算，能有效地防止節點宕機的問題，但同時也可能增加消息同步、數據冗余存儲等開銷。

4）可擴展的深度學習。邊緣計算憑借更豐富的數據和應用場景，可以推動深度學習在各行業的廣泛應用，推動人工智能的普及。

5）商業化。具體來說，各種多樣化和有價值的深度學習服務拓寬了邊緣計算的商業價值，加速了其部署和增長。