边缘智能

出自 MBA智库百科(https://wiki.mbalib.com/)

边缘智能（Edge Intelligence，EI）

　　边缘智能被分为基于边缘计算的人工智能和基于人工智能的边缘计算（ 即 AI on edge 和 AI for edge）两部分。AI on edge 侧重于研究如何在边缘计算平台上进行人工智能模型的构建，主要包括模型训练和模型推理两部分；AI for edge侧重于借助先进的人工智能技术，为边缘计算中的关键问题提供更优的解决方案，主要包括任务卸载和边缘缓存两部分。该综述从一个广阔的视角对边缘智能的研究进行了归纳总结，为涉足该领域的相关学者提供了一个详细的背景知识。

　　随着5G技术的发展和物联网（Internet of Things，IoT）的普及，网络边缘的数据由地理上分布广泛的移动终端和IoT设备所创建，这些在网络边缘生成的数据比大型云数据中心生成的数据还要多。另外，根据IDC的预测，到2025年，全球物联网产生数据的70％都要在网络边缘处理。同时，人们在日常生活中使用这些智能终端设备时对其服务质量的需求有了进一步的提高。因此，在这种情形下，用传统的云集中式处理模式将无法高效率地处理这些网络边缘数据，也不能满足用户对智能终端高服务质量的需求。具体来说，传统云计算在处理这些网络边缘数据时存在三点不足：①实时性不够；②带宽不足；③能耗较大。因此，为了解决以上问题，更适用的方式是直接在边缘网络侧处理用户需求，这催生了一种全新的计算范式——边缘计算（Edge Computing，EC）。

　　EC将云服务从网络核心推向更接近物联网设备和数据源的网络边缘，它是一种在终端设备中分析和处理数据的技术。通过这种技术，数据可以在网络边缘进行实时处理，以实现数据流加速的目的。从本质上讲，与传统基于云的计算模式相比，EC使得计算和数据源之间的物理距离更加接近，大大降低了数据传输的时延，缓解了网络带宽的压力，减少了数据通信的能耗，使得用户的服务质量大大提升。

　　近些年来，得益于摩尔定律的突破，使得人工智能（Artificial Intelligence，AI）的发展再一次迎来了高潮。日常生活中，熟知的 AlphaGo、无人驾驶汽车、智慧医疗等， 都是AI发展的延伸。可以说，我们目前生活在一个 AI蓬勃发展的时代。另外，在算法、算力、大数据等最新进展的推动下，深度学习（Deep Learning，DL）作为AI领域最耀眼的领域，在计算机视觉、语音识别、自然语言处理等多个领域取得了实质性突破。得益于这些突破，以智能个人助理、个性化购物推荐、智能家电等为代表的一系列智能应用迅速进入了人们的视野，得到了巨大的青睐。

　　现代社会普遍认为这些智能应用极大地丰富了人们的生活方式，提高了社会生产效率。由于AI算法的实现需要大量的计算，当前AI大部分的计算任务都是依靠部署在云及其他大规模计算资源密集的平台上实现的，但考虑到大规模计算资源密集平台与智能终端的物理距离以及网络边缘海量数据的现实，就极大地限制了AI带来的便利。因此，催生了人们将EC与AI进行结合的想法，这也就产生了边缘智能（Edge Intelligence，EI）。