如果你稍加留意就会发现，无论是家里的智能家电，还是工业现场的设备，现在的物联网系统正在变得越来越聪明。这股智能化的背后，边缘计算和物联网的协同配合功不可没。边缘计算这种把计算、处理和存储能力推向数据源头的思路，虽然还处在早期发展阶段，但势头很猛。Gartner的数据显示，2018年大约只有10%的企业数据是在边缘侧生成和处理的，而到了2025年，这个比例预计会飙升至75%。Gartner还预测，未来3到5年，边缘计算将催生一个数百亿美元级别的蓝海市场。

面对这样一个充满潜力的市场和不断演进的技术趋势，我们该怎么去理解它？又有哪些现成的技术资源能帮我们在这个市场里找到机会？今天就一起来拆解一下。

物联网和边缘计算为何要协同工作？

物联网，说白了就是把各种物理设备连上网络，让它们自己收发数据、做决策，整个过程不需要人插手。支撑这套生态的智能设备里，嵌入了处理器、传感器和通信硬件，用来采集、发送和处理环境中的数据。这些设备收集到的传感器数据，会先汇聚到物联网网关或者别的边缘设备上，要么直接本地分析，要么发到云端处理。如今，人工智能和机器学习的加入，又让数据采集这件事变得更省力了。

物联网在干活的时候，会产生海量数据，而边缘计算的任务就是让计算服务离用户或者数据源头更近——也就是离物联网设备更近。这样一来，数据就可以在设备所在的边缘侧直接收集和处理，不用再全部送回数据中心或者云端。对于那些需要快速响应甚至实时操作的应用场景，这个改变至关重要。很多实际案例都已经证明，物联网设备正在把本地算力当作实时分析数据的利器，价值越来越明显。

自动驾驶就是一个最典型的例子。跑在路上的自动驾驶汽车，得不停地收集和处理关于交通、行人、路标、红绿灯等各种实时数据。如果车辆需要急刹车或者突然转弯，数据还得在车和云端之间来回传一圈，那可就太慢了——根本满足不了实时控制的需求，安全风险极高。边缘计算相当于给车辆配上了“本地版云计算”，让车上的物联网传感器能够直接在本地处理数据，从而避免事故的发生。

边缘智能如何让物联网受益？

把边缘计算引入物联网，好处集中在五个方面。

缩短延迟

边缘计算本质上是一种分布式计算方法，它把计算能力和数据存储拉到数据产生的地方。它的首要目标就是改善网络延迟，而物联网正好是帮助实现这一目标的关键技术。减少网络操作的延迟，可以说是边缘计算带给物联网最大的红包。

减少带宽

有了边缘智能，那些需要实时处理的数据全部在本地解决，只有少量需要后期分析的才会通过互联网发到云端。这样一来，网络带宽的压力大大降低。

提高灵活性

边缘智能既可以集中部署，也可以做成分布式方案，灵活度很高。对于云边缘服务商来说，这种灵活性在规模经济上也非常有吸引力。

预测和分析能力

通过边缘计算，企业既能利用本地收集的数据进行实时分析，又能借助云端提供的可视化能力和分析工具，开展覆盖全球的业务。更重要的是，对业务运营的实时洞察，还能帮助预测未来需求、推动服务创新，提高整体运营效率。

成本优势

边缘计算可以帮企业省下不少内部网络部署的投入。对最终用户来说，虽然边缘计算看起来是个“隐形”的好处，但随着整个物联网业务总成本的下降，他们才是真正的受益者。

边缘计算芯片的兴起

随着边缘计算和人工智能的兴起，今天的物联网设备正变得越来越聪明。举个例子：在工厂里装上边缘物联网设备，就能实时跟踪机器的运行状态，提前做预测性维护，避免整个系统出故障甚至报废；配备了边缘AI芯片的智能摄像头，除了能录视频，还能识别客流量、监控潜水员的行为等。

这些还只是边缘计算给物联网带来好处的冰山一角。在巨大应用市场的拉动下，边缘计算市场快速扩张。Gra veVIEW的市场分析报告预估，2020年全球边缘计算市场规模大约为47亿美元，2021到2028年间将以38.4%的复合年增长率高速增长。市场的旺盛需求，直接点燃了边缘计算芯片的研发热潮。

从概念提出到现在，云计算已经发展了十多年，至今仍是电子行业的热点。基于云的机器学习之所以能起来，GPU（英伟达是主要推手）功不可没。这一成功立刻吸引了其他芯片制造商的注意，紧接着谷歌、AWS、微软等巨头纷纷推出了AI专用处理器，AMD、英特尔、高通、ARM等老牌厂商也加入了这场AI芯片混战。然而，随着实时数据处理需求逐渐下移到边缘，原先用于云计算的GPU和CPU就显得不太合适了——尤其是GPU，功耗太高。

在确定边缘计算硬件架构时，FPGA和MCU是不错的选择。特别是集成了Arm处理器的FPGA SoC，灵活性很高，非常适合性能有限、功耗苛刻的实时网络边缘侧的AI推理计算。而在边缘计算市场上，基于MCU的设备数量极其庞大，给这些通用MCU融入AI功能已经成为芯片厂商发力的方向之一。如今，Maxim、NXP、Silicon Labs、STMicroelectronics等公司都已经推出了面向边缘计算的微处理器产品线。

Xilinx公司的Versal边缘AI系列，把应用处理器、AI处理器和FPGA融合在一起，是一种多处理器组合方案。它的应用部分采用了ARM Cortex-A72和Cortex-R5F，并集成了AI专用引擎和DSP引擎。Versal边缘AI系列能把整个应用链路从传感器加速到AI，实现实时控制，相比过去的AI处理器架构，计算速度快了四倍，而且所有应用都达到了ISO 26262和IEC 61508等关键安全标准。为了适应不同场景的需求，Versal系列提供了从VE2002到VE2802共七种型号可选。

Maxim公司的新型神经网络翻跟斗MAX78000 SoC，集成了两个MCU核心用于系统控制：Arm Cortex-M4和32位RISC-V。再加上超低功耗的深度神经网络翻跟斗，为高性能AI应用提供了足够的算力，非常适合机器视觉、人脸识别、目标检测与分类、时序数据处理以及音频处理等边缘计算场景。MAX78000的卷积神经网络翻跟斗拥有442KB的权重存储空间，配置并加载数据后，其AI推理速度比运行在低功耗微控制器上的纯软件方案快了100倍，而功耗不到后者的1%。

NXP公司的i.MX RT系列这几年备受关注，它是一款跨界MCU，既支持高性能MCU的特性，又具备应用处理器的丰富功能，专为低成本、高性能、高集成的边缘计算而设计。作为NXP EdgeVerse边缘计算平台的一部分，i.MX RT系列以实惠的价格提供了Arm Cortex-M内核、实时功能和MCU的易用性。NXP基于MCU的EdgeReady人脸识别解决方案，就是充分利用了i.MX RT106F跨界MCU的性能，在硬件上完全替代了传统的“MPU+PMIC”架构，无需昂贵的DDR，开发人员能快速、轻松地给产品加入人脸识别和活体检测功能，用低成本的红外和RGB摄像头就能实现，省去了昂贵的3D摄像头。

图3：i.MX RT106F结构框图（图源：NXP）

结语

芯片支持的边缘智能，在多个方面提升了物联网设备的价值：

第一，边缘AI芯片的发热和功耗都很低，可以集成到手机这样的手持设备里，也能放进机器人等非消费类设备中。

第二，基于边缘的AI芯片减少甚至消除了往云端或数据中心大量发送数据的需求。这意味着处理器密集型的机器学习计算可以在本地完成，不仅处理速度更快，数据安全性也更高。

第三，边缘AI芯片简化了企业收集和处理数据的模式。企业从连接的设备上获取数据的同时，可以直接在设备上实时分析，决策过程变得简单高效。

计算芯片越来越靠近数据产生的源头，这已经是大势所趋。无论是老牌芯片厂商还是初创公司，都在加码边缘AI芯片的研发。根据Verified Market Research的预测，边缘人工智能芯片市场从2021年起将以2.27%的复合年增长率扩张，到2028年行业规模将达到20.9亿美元。在边缘计算领域，计算机视觉已经成为人工智能的一个突出应用场景，尤其是深度学习——它通过多层神经网络和无监督技术来实现图像模式识别。

很明显，边缘智能正在深刻改变物联网行业：实时数据分析变得更容易，企业的运营效率也越来越高。目前的市场反馈是，客户越来越喜欢那些融合了边缘计算的物联网设备，而芯片企业对边缘AI芯片的研发投入也在逐年加码。