边缘与云，这一快速技术发展中日益激（jī）烈的争（zhēng）论

如今，边缘计算一（yī）直是热门（mén）话（huà）题。被誉（yù）为近年来最（zuì）令人兴奋的技（jì）术转（zhuǎn）变，关于其（qí）变革力（lì）量的讨论（lùn）很多！随着越来越强大的 AI/ML 算法重新定义“智能”以及更便宜、更（gèng）强大的“边缘”设备的可用（yòng）性，这种炒作（zuò）在很（hěn）大程（chéng）度（dù）上是（shì）真实的。但是，如果要考（kǎo）虑边缘计算的历史，它会（huì）比最近的兴趣让我们相信的更早。事实（shí）上，计算和智能最（zuì）初始于（yú）边缘，当时（shí）大（dà）多数（shù）应用程（chéng）序几乎不存在高带宽网（wǎng）络（luò）连接。即使在 1990 年代后期，远程部（bù）署在工厂或现场的关键测量设备通常也具有处理（lǐ）传入传感器数据的专用计算（suàn）能力（lì）。然而，这些设备中的算法在“智能”方面只是（shì）初级的：主要是（shì）信号处理或（huò）数据转（zhuǎn）换。随着网络能力的提高和连接性的提高，基（jī）于云的（de）计算在（zài） 2000 年代后期（qī）开始（shǐ）受到（dào）关注（zhù）。与此同时，强大的人（rén）工智（zhì）能算法作为一（yī）种从大量结构（gòu）化和（hé）非结构化数据中解锁有意义信息的（de）手（shǒu）段而（ér）备受关注。在（zài）短短十年（nián）内，云 AI 已成为 AI 应用程（chéng）序的（de）首选（xuǎn）。但是，向云的转（zhuǎn）变也带来了几个问题：数据（jù）上传和下（xià）载成本、网（wǎng）络可靠性（xìng）和数据安全等等。与此（cǐ）同时，随着价格实惠（huì）但功能（néng）强大（dà）的边缘设（shè）备的兴起，边缘计算在处理能力和（hé）成本或占地面积之间的权衡（héng）正（zhèng）在减少。似乎我们现在又（yòu）回到了考虑“边缘计（jì）算（suàn）”作为构建智能应用程序（xù）的可行且有吸引力的选（xuǎn）择（zé）。

随着（zhe）关于边缘人（rén）工智能和云人工智能哪个更（gèng）好（hǎo）的辩（biàn）论越来越激烈，任（rèn）何熟悉这两个框架的人（rén）都可能（néng）会回（huí）答“这要看情况（kuàng）了！”。原因是（shì）边缘和云基础设施不（bú）是竞争的，而是（shì）互补的框（kuàng）架。在（zài）过去的几年里，两者都经历（lì）了巨大的发（fā）展和完（wán）善，特别是作为人工智能开（kāi）发和（hé）部署的基（jī）础。与任何技术选择（zé）一（yī）样，选择实际（jì）上可归结（jié）为具体的应（yīng）用:目标、价值驱动因素、经济（jì）性以及对（duì）功耗、尺寸（cùn）和（hé）连接性的任何限制。因此，在尝试建立（lì）正（zhèng）确的（de）基础（chǔ）设（shè）施之（zhī）前（qián），必须（xū）了解云和边缘人（rén）工智能的利（lì）弊（bì）。

当寻求灵活性、可（kě）扩展性和易于部署（shǔ）时，基于云的人工（gōng）智（zhì）能是（shì）一个有吸引力的选择。如今，大多（duō）数云服务提供商为（wéi）人工智能（néng）模型的培（péi）训（xùn）和部署提供了强大的框架，并提供了按（àn）需付费（fèi）的包，几乎没（méi）有前期承（chéng）诺或投资（zī）。云提供了几乎没有限制的计算和存储选项，使其特别适合大型人（rén）工（gōng）智能模型。但（dàn）对于需（xū）要（yào）连（lián）续（xù）评估传感（gǎn）器或图像数（shù）据（jù）的实时应用程序来说，这可能会成为一个笨拙（zhuō）的选择，因为（wéi）它们（men）必须来回（huí）传输（shū）数（shù）据，从而导致（zhì）巨大（dà）的成（chéng）本（běn）。这种数据（jù）传（chuán）输也使得云（yún）在很大程度上不适合需要闭环控制或即时行动（dòng）的低延迟应用（yòng）程序。

另一方面（miàn）， 边缘人工智（zhì）能是自动报（bào）警或（huò）闭环（huán）控制的实时数据分（fèn）析的合理选择。虽然边（biān）缘基（jī）础设施确实需要在边（biān）缘硬件（jiàn）上（shàng）进行前（qián）期投资，但（dàn）运营成本与云相比要低得（dé）多。今天，有各种（zhǒng）各样的边缘人（rén）工智能硬件选项可用（yòng），包括npu(神经处理单元)、TPU(张量处理单元)以及带有专（zhuān）用人工智能加速器的SOC(片上系（xì）统)和SoMs(模块上系统)。人工智（zhì）能的低成本和低功耗硬件（jiàn）是（shì）一个活（huó）跃的研究领域，并有可能提供（gòng）更好的选择。另一方面，基于人工（gōng）智（zhì）能的消费（fèi）应用必须处（chù）理相（xiàng）当多样化的边缘（yuán）设备(手机、平板电（diàn）脑、个人电（diàn）脑等)，这使得边缘部（bù）署成为一个潜（qián）在的（de）令人生（shēng）畏的前（qián）景。因此（cǐ），边缘基础设（shè）施可能（néng）不利于快速原型（xíng）开发，也不容易扩展（zhǎn）。虽然联（lián）合学习（xí），AI模型（xíng）的分（fèn）布（bù）式训练的概念允许在边缘进行训练和部（bù）署，但云仍然是训练需（xū）要足够（gòu）计（jì）算能力的大（dà）型模型的逻辑选择。

但解决方案不（bú）一定是（shì）非此即彼的选择（zé）。随着应用（yòng）程序过渡到更多基于微服务的架构，它们可以分解（jiě）为具有（yǒu）自己特定部署（shǔ）框（kuàng）架的更小的功能或微（wēi）服务。因（yīn）此，不必（bì）在云（yún）和（hé）边缘之间进行选择，重（chóng）点可以放在（zài）针（zhēn）对特定应用程序优化使用两者。例（lì）如，一个应（yīng）用程序可能从云上的快速原型开（kāi）始。随着它（tā）的发展，需要低延迟（chí）和实（shí）时决策的功（gōng）能可以转（zhuǎn）移到（dào）边缘（yuán），而那些需要（yào）规（guī）模和灵活性的功能可（kě）以保留（liú）在云中。模型训练或再训练可以在云端集中管理，而边缘的一些联邦学（xué）习可以在本（běn）地提高准确性。同样，敏感（gǎn）数据可以在（zài）边（biān）缘（yuán）处（chù）理（lǐ），更通用的（de）数（shù）据（jù）可以（yǐ）转移到云端。

组织、开（kāi）发人员和从业（yè）者最好（hǎo）不（bú）要将云（yún）和边缘视为不同的替代方案，而是将（jiāng）其视为从边缘到（dào）云的（de）连续统一体，中间有（yǒu）许多不同的基础（chǔ）设施选项。这包括不同类型的边缘——运营边缘、网络边缘（yuán）、移动端点等，以及网络上不同类型的分布式处理——私有云、公共云、小云、雾计算等。虽然复杂性可能是一个挑战，但找到正确的技术组合开始为组织（zhī）提供（gòng）一（yī）个独特的机会，以最大限度地提高人工智能（néng）的价（jià）值，同时最（zuì）大限（xiàn）度地降低（dī）成本（běn）和（hé）风险。