如何看待边缘计算？

　　边缘计算是一种分散式运算的架构，它将应用程序、数据资料与服务的运算，由网络中心节点，移往网络逻辑上的边缘节点来处理。边缘计算能够将处理和数据保留放置在更接近目标系统的系统上，该系统正在为其收集数据以及提供自主处理。
　　据国际数据公司IDC预测，到2021年，全球云计算市场的规模将达到5650亿美元，这其中约有20%为边缘云，市场规模可达到1130亿美元。正是由于边缘计算独特的优势，使得业内各大巨头如AWS、思科、华为、IBM、英特尔等不断发力此领域。
　　之所以业内出现替代云计算的说法，其追根其源还是边缘计算独特的架构优势，无需将所有数据传输到后端系统（通常在云端）进行处理，它的目标是快速地处理接近设备的数据，这减少了延迟并且还可以提供更好的安全性和可靠性。
　　不过边缘计算系统并不孤立。实际上，它们与后端系统一起工作以收集主数据并提供更深入的处理，这就是边缘计算和云计算提供单一共生解决方案的方式，绝不会出相相互排斥现象。
　　两者是两个截然不同的架构。围绕边缘计算笔者总结了几个要点，使企业能够更好的利用平台；
　　一、 如果允许，边缘计算应运行与云中相同的全部或部分代码树，这意味着如果用户要更新基于边缘的软件，则需要同时更新基于云的软件。因此，用户需要在云端和边缘使用相同的操作系统、处理器等。此外，用户须了解在边缘平台或云端运行的位置。
　　二、 对于边缘和集中式云平台，安全性必须是系统性的。如果可能的话，用户用于基于云的系统的安全系统需要延伸到边缘。与云和每个边缘计算系统的一次性安全操作相比，处理常见安全服务要容易的多。
　　三、 正如安全需要系统化一样，管理和监控也是如此。用户会发现边缘计算系统经常出现故障，通常是由于硬件和软件故障，而不是在云上。这是因为它们主要是在不受控制的环境中工作的物联网设备。下行计算设备需要重新启动、设计或快速更换。因此，监控软件应尽快提供警报，并告知基于云的软件设备不会接收数据。
　　未来，边缘计算的发展会更加快速，应用也不仅仅局限于物联网领域。目前国内外各大巨头、初创企业等都处于试水状态，缺少行业应用和重点场景的实践，无论是互联网还是物联网都离不开边缘计算。无可否认，边缘计算是继云计算之后，又一轮技术升级的战略通道。
　　本答案来自科技行者团队刘小新！
　　边缘计算对机器学习和培训很重要。迄今为止，人工智能的使用最经常集中在云上，因为典型的计算能力不仅仅是训练而且执行模型。然而，出于效率和差异化的原因（对设备制造商而言），将AI推向网络边缘存在一个主要趋势。为了理解这一趋势，我们必须深入研究当前的人工智能发展。机器学习，特别是深度神经网络（DNN）有两个发展阶段：
　　·      模型训练：使用训练数据对模型进行改进（训练），以帮助他们执行特定的任务，如图像和语音识别或导航，这可能需要大量时间和计算资源。
　　·      推断：一旦模型得到训练，就可以提供新的例子和情况来提供输出，例如，模型尚未看到的照片，新的语音内容或机器人尚未遇到的新物理环境。该模型然后以分类或预测的形式提供输出，推断所需的资源取决于正在运行的模型。
　　随着边缘设备数量的增加，尤其是物联网（IoT）增长的推动，AI的边缘需要不同的分布式方法和新的推理能力。学习将是分层次的，从基于原始数据的处理和机器学习开始，接近实时，最后以过滤和预处理数据为中心处理结束。
　　谷歌已经将其DNN的几个级别转移到语音到文本的设备中，从而减少了服务器上的处理负载。谷歌将一些人工智能功能转移到边缘的决定也源于控制接口（如转向或语音通信）的延迟极大地影响了用户体验，而云无法保证实时，流畅的交互。 AI的分散化也降低了单点故障导致整个系统崩溃的风险。避免全面崩溃的能力对于像AI这样的发展中的不成熟技术至关重要。
　　顺便说一句，如果你想知道更多硅谷或者美国科技的前沿信息，可以关注微信号＂硅发布＂。