邊緣智能
出自 MBA智库百科(https://wiki.mbalib.com/)
邊緣智能（Edge Intelligence，EI）
目錄 |
邊緣智能被分為基於邊緣計算的人工智慧和基於人工智慧的邊緣計算（ 即 AI on edge 和 AI for edge）兩部分。AI on edge 側重於研究如何在邊緣計算平臺上進行人工智慧模型的構建，主要包括模型訓練和模型推理兩部分；AI for edge側重於藉助先進的人工智慧技術，為邊緣計算中的關鍵問題提供更優的解決方案，主要包括任務卸載和邊緣緩存兩部分。該綜述從一個廣闊的視角對邊緣智能的研究進行了歸納總結，為涉足該領域的相關學者提供了一個詳細的背景知識。
隨著5G技術的發展和物聯網（Internet of Things，IoT）的普及，網路邊緣的數據由地理上分佈廣泛的移動終端和IoT設備所創建，這些在網路邊緣生成的數據比大型雲數據中心生成的數據還要多。另外，根據IDC的預測，到2025年，全球物聯網產生數據的70％都要在網路邊緣處理。同時，人們在日常生活中使用這些智能終端設備時對其服務質量的需求有了進一步的提高。因此，在這種情形下，用傳統的雲集中式處理模式將無法高效率地處理這些網路邊緣數據，也不能滿足用戶對智能終端高服務質量的需求。具體來說，傳統雲計算在處理這些網路邊緣數據時存在三點不足：①實時性不夠；②帶寬不足；③能耗較大。因此，為瞭解決以上問題，更適用的方式是直接在邊緣網路側處理用戶需求，這催生了一種全新的計算範式——邊緣計算（Edge Computing，EC）。
EC將雲服務從網路核心推向更接近物聯網設備和數據源的網路邊緣，它是一種在終端設備中分析和處理數據的技術。通過這種技術，數據可以在網路邊緣進行實時處理，以實現數據流加速的目的。從本質上講，與傳統基於雲的計算模式相比，EC使得計算和數據源之間的物理距離更加接近，大大降低了數據傳輸的時延，緩解了網路帶寬的壓力，減少了數據通信的能耗，使得用戶的服務質量大大提升。
近些年來，得益於摩爾定律的突破，使得人工智慧（Artificial Intelligence，AI）的發展再一次迎來了高潮。日常生活中，熟知的 AlphaGo、無人駕駛汽車、智慧醫療等， 都是AI發展的延伸。可以說，我們目前生活在一個 AI蓬勃發展的時代。另外，在演算法、算力、大數據等最新進展的推動下，深度學習（Deep Learning，DL）作為AI領域最耀眼的領域，在電腦視覺、語音識別、自然語言處理等多個領域取得了實質性突破。得益於這些突破，以智能個人助理、個性化購物推薦、智能家電等為代表的一系列智能應用迅速進入了人們的視野，得到了巨大的青睞。
現代社會普遍認為這些智能應用極大地豐富了人們的生活方式，提高了社會生產效率。由於AI演算法的實現需要大量的計算，當前AI大部分的計算任務都是依靠部署在雲及其他大規模計算資源密集的平臺上實現的，但考慮到大規模計算資源密集平臺與智能終端的物理距離以及網路邊緣海量數據的現實，就極大地限制了AI帶來的便利。因此，催生了人們將EC與AI進行結合的想法，這也就產生了邊緣智能（Edge Intelligence，EI）。
