边缘计算，这个词在过去几年里几乎成了物联网领域的“流量担当”。热度居高不下，很容易让人产生一种冲动：是该投钱搞智能边缘，把物联网网络升级一波了。但冷静下来想想，在掏腰包之前，得先搞清楚几个根本问题：边缘计算到底是什么？它能干什么？你的应用场景真的需要它吗？没错，边缘计算确实能让物联网网络更灵活、更快速、更智能，但它绝不是解决所有问题的万能钥匙。这篇文章会帮你判断边缘技术适不适合你，然后聊聊挑选边缘AI设备时应该盯住哪些关键点。

何为边缘计算？

边缘计算把物联网推进到了一个新阶段——在网络的“边缘”位置，原始数据就能实时变&现出价值。通过重新分配数据处理工作，它让网络节点、端点和其他智能设备的重要性大幅提升，管理也变得更顺手。

某种程度上，边缘计算就是照妖镜下的“云计算”反面。云计算模式下，数据中心集中处理从分布式网络流入的数据，再把结果传回去触发动作或改变。但远距离传输海量数据，既要算金钱和时间成本，也得考虑功耗。这正是边缘计算登场的地方：当功率、带宽、网络延迟成为棘手问题时，边缘计算很可能就是解药。集中云计算需要把数据送到几百公里外处理，而边缘计算就在数据产生、抓取、保存的同一网络边缘位置处理。结果？延迟几乎可以忽略，功耗和带宽要求也大幅降低。

推动边缘计算发展的主力之一，是半导体制造商。芯片工艺的进步让处理器在不显著增加功耗的前提下提升性能。边缘处理器能在不更耗电的情况下，对采集到的数据做更多处理。这样一来，更多数据可以留在边缘，不必都传回核心。不仅系统总功耗降低，响应时间缩短，数据隐私也更有保障。

人工智能（AI）和机器学习（ML）这类技术也从中受益：它们同样需要在提升数据隐私安全的同时降低获取成本，边缘处理正好满足。过去，AI和ML需要海量资源才能跑起来，远非端点设备能提供。但现在硬件和软件进步了，这些技术可以嵌入到更小、资源更受限的边缘设备中。

评估边缘AI

选平台前，得仔细掂量。简单的传感器和执行器，用集成度不高的小设备就能搞定。但要提升边缘的处理能力，需要更强大的平台，而且得走高度并行化的架构——通常意味着用GPU。不过平台太强，也会给边缘有限的资源添负担。

边缘设备本质上是现实世界的接口，必须兼容常见的接口技术，比如以太网、GPIO、CAN、串行或USB，还得支持摄像头、键盘、显示器这类外设。

环境因素也得考虑。边缘设备可能暴露在极端温度、湿度、振动甚至高原环境中，这直接影响设备选择、封装和安装方式。

法规要求也不能忽略。任何用射频通信的设备都受法规管制，可能需要许可才能用。有些平台能“开箱即用”，有些则要投入额外精力。平台一旦投入使用，硬件升级基本没戏，所以设计时就得把处理能力、内存、存储留出余量，给未来性能提升腾空间。

软件升级倒是另一回事。设备不在现场时也能通过无线更新（OTA）搞定，现在这已经很普遍了，未来大多数边缘设备都会支持。

要选对方案，必须把上面这些点都过一遍，而且得符合应用的具体需求：设备要处理视频还是音频？只监测温度还是要监测其他环境指标？需要一直开机还是大部分时间休眠？会被外部事件触发吗？这些要求对部署在边缘的任何技术都适用。但随着客户对处理水平和产出的期望越来越高，需求清单也得跟着扩展。

边缘计算的优势

技术上，现在AI和机器学习完全可以塞进边缘设备和智能节点，这带来了重大机遇。处理引擎不仅离数据源更近，而且能利用收集的数据做更多事。

好处实实在在。第一，能提升数据使用效率或生产率。第二，需要移动的数据少了，网络架构简化了。第三，设备与数据中心的邻近性变得不那么重要。如果数据中心就在城市中心、离任务地点很近，这点似乎无足轻重；但如果边缘在农场或水处理厂这些偏远地点，差别就大了。

数据在互联网上飞速流动。你搜个结果，可能绕了地球两圈才显示在屏幕上，总共只要几分之一秒。但对互联、智能且通常是自主的传感器和执行器来说，每秒都像一小时。这种往返延迟是实时系统制造商和开发者必须重视的。数据往返数据中心的时间不是无关紧要的，缩短它正是边缘计算的关键目标。边缘计算还能与5G等更快网络整合，但要注意：随着越来越多的设备上线，网络提速也解决不了累积的延迟问题。

预测到2030年，可能有500亿互联设备在线。如果每台设备都需要通往数据中心的宽带，网络会一直堵。如果每台设备的操作都要等数据从上一阶段到达才能进行，总延迟很快就会变得明显。边缘计算是缓解网络堵塞的唯一实用方案。

不过，虽然大多数应用都需要边缘计算支持，它的优势很大程度上还是取决于应用本身。“边缘计算定律”能帮助工程团队判断边缘计算是否适合某些特定场景。

边缘计算的四大定律

第一定律是物理定律。射频能量以光速传播，但无法更快。如果往返时间仍然较长，边缘计算可能是更好的选择。做个Ping测试就能测出数据包在两个端点间传输的时间。在线游戏玩家会找延迟最小的服务器，哪怕十分之一秒对时间敏感的数据都很关键。

网络延迟不只看传输机制。数据两端都有编码器和解码器，物理层需要将电子转换为所使用的能量形式，再转换回去。即使处理器以GHz级速度运行，这个过程也需要时间，移动的数据量越大，耗时越长。

第二定律是经济学定律。这相对灵活，但随着对处理和存储资源的需求猛增，可预测性也越来越差。利润本就薄，如果在云端处理数据的成本突然上升，就可能亏本。云服务的成本包括购买或租用服务器、机架或刀片，取决于CPU核数、RAM或永久存储量、服务级别。能保障正常运行时间的服务成本更高。网络带宽基本免费，但需要保持一定标准就要付费。相比之下，边缘数据处理的成本不会大幅波动。一旦支付了设备的初始成本，在边缘处理任何数量数据的额外成本几乎为零。

第三定律是土地定律。数据有价值，因为它携带信息。现在，任何捕获信息的人可能都要遵守数据所在区域的数据隐私法。即使你是数据设备的合法所有者，可能也不允许跨地理边界传输数据。相关法规包括欧盟数据保护指令、GDPR、APEC隐私框架等。但边缘处理能解决这个问题：在边缘处理数据，数据就不必离开设备。手机上的面部识别用本地AI处理相机图像，数据永远不会离开设备。闭路电视和其他安全监视系统也一样，通过边缘计算，数据在摄像头端直接处理，更快速安全，还能消除或简化数据隐私措施的需求。

最后是墨菲定律：如果某些地方可能出错，它终将出错。即使最精心设计的系统也总有出错的可能。通过网络传输数据、在云端存储、在数据中心处理的整个过程中，可能出很多故障，而边缘处理可以避免冗长过程中可能出现的故障。

提出有关边缘计算的正确问题

就算你的应用能受益于边缘处理技术，还是有一些问题需要考量：

1. 应用在哪种处理器架构上运行？移植到不同指令集代价高昂，升级不一定意味着换架构。

2. 需要哪种I/O？有线和/或无线接口，日后添加效率低，尽早确定。

3. 运行环境如何？极热、极冷还是两者兼有？火星任务就是很好的边缘处理示例，环境多变。

4. 硬件是否需要遵守法规或认证？几乎肯定需要，选预认证平台能节省时间和成本。

5. 设备需要多大功率？系统功能在单位成本和安装上很贵，了解“足够”很重要。

6. 边缘设备是否受外形尺寸限制？这比很多部署都重要，设计周期早期就应考虑。

7. 服务时长多久？用于工业应用可能运行多年，还是以月计周期？

8. 系统性能要求怎样？比如每秒帧数、内存要求、使用什么语言？

9. 有成本方面的考量吗？答案是肯定的，了解成本限制有助于选择。

结论

边缘处理源于物联网，但不止于此。驱动力来自比实现互联设备更高的期望。基础层面，设备可能需要低功耗低成本，但现在还需要提供更高级的智能操作，且不影响功耗和成本。

选对技术合作伙伴，就能轻松找到合适的平台。市场上已有丰富的边缘处理方案和互补技术，加入边缘计算生态，能更好地为AI应用选择合适平台。