即使云計(jì)算領(lǐng)域不斷采用新技術(shù)，越來越多的計(jì)算工作也將轉(zhuǎn)移到邊緣。發(fā)生這種變化的一個關(guān)鍵原因是：邊緣計(jì)算不是云計(jì)算的繼承者，而是技術(shù)覆蓋范圍的又一次擴(kuò)展，代表了未來投資和增長的一個絕佳機(jī)會。根據(jù)調(diào)研機(jī)構(gòu)IDC公司的調(diào)查，到2025年，物聯(lián)網(wǎng)設(shè)備數(shù)量預(yù)計(jì)將超過560億臺。

隨著邊緣設(shè)備和計(jì)算技術(shù)的采用量持續(xù)飆升，很多企業(yè)需要在內(nèi)部部署設(shè)施中處理來自這些設(shè)備中不斷增加的數(shù)據(jù)，以便能夠?qū)崟r(shí)對數(shù)據(jù)進(jìn)行處理。這將需要對適應(yīng)邊緣的基礎(chǔ)設(shè)施以及相關(guān)工具和平臺進(jìn)行投資。企業(yè)采用的技術(shù)即將再次轉(zhuǎn)型——在創(chuàng)建和使用數(shù)據(jù)時(shí)處理和分析一些數(shù)據(jù)正成為一項(xiàng)業(yè)務(wù)需求，就像將技術(shù)堆棧的其他部分移動到云中一樣。

企業(yè)必須基于不斷更新的數(shù)據(jù)，通過邊緣設(shè)備提供更好的客戶體驗(yàn)。而從云平臺或內(nèi)部部署數(shù)據(jù)中心上傳和下載數(shù)據(jù)通常需要很長時(shí)間。無論數(shù)據(jù)是在消費(fèi)者的智能手機(jī)上還是在生產(chǎn)車間，企業(yè)都需要盡可能接近需要實(shí)時(shí)數(shù)據(jù)驅(qū)動響應(yīng)的邊緣來處理和分析數(shù)據(jù)。

提供這些功能的競爭已經(jīng)很激烈。許多供應(yīng)商將邊緣計(jì)算視為他們的下一個價(jià)值萬億美元的市場機(jī)會，這些供應(yīng)商包括云計(jì)算服務(wù)提供商、電信運(yùn)營商，以及服務(wù)器和存儲基礎(chǔ)設(shè)施提供商。

為什么采用邊緣計(jì)算

邊緣計(jì)算已經(jīng)以各種形式存在了幾十年。例如，在工廠使用的設(shè)備上部署獨(dú)立軟件的例子數(shù)不勝數(shù)，這些設(shè)備使制造過程的各個方面實(shí)現(xiàn)自動化。近年來，其中許多系統(tǒng)已連接到互聯(lián)網(wǎng)，使企業(yè)能夠更容易地收集和共享數(shù)據(jù)。現(xiàn)在的挑戰(zhàn)是，在邊緣生成的數(shù)據(jù)量往往超過了通過廣域網(wǎng)(WAN)傳輸該原始數(shù)據(jù)的實(shí)際程度，企業(yè)需要能夠在網(wǎng)絡(luò)邊緣處理和分析大量數(shù)據(jù)的平臺。然后，在邊緣平臺上處理的數(shù)據(jù)的聚合結(jié)果可以更高效地與云平臺中、內(nèi)部部署IT環(huán)境甚至網(wǎng)絡(luò)本身中運(yùn)行的其他應(yīng)用程序共享。

低延遲要求是當(dāng)今最大的挑戰(zhàn)。在許多情況下，在電信網(wǎng)絡(luò)邊緣的網(wǎng)關(guān)上運(yùn)行的應(yīng)用程序需要能夠在幾分之一秒內(nèi)響應(yīng)移動計(jì)算應(yīng)用程序的數(shù)據(jù)請求。在其他情況下，邊緣應(yīng)用程序正在推動自動化工廠的運(yùn)營，需要動態(tài)調(diào)整以適應(yīng)在擴(kuò)展企業(yè)邊緣處理的分析。

還有更高級的用例，其中包括為無人駕駛車輛實(shí)時(shí)處理計(jì)算機(jī)視覺數(shù)據(jù)的車載計(jì)算機(jī)和有望改變制造業(yè)的機(jī)器人應(yīng)用。

硬件進(jìn)步使邊緣計(jì)算成為可能

低延遲網(wǎng)絡(luò)連接、高功率計(jì)算和大存儲需求的競爭需求正在推動邊緣計(jì)算硬件的創(chuàng)新。例如，自動駕駛汽車生產(chǎn)商特斯拉公司在其設(shè)備中添加了定制處理器，能夠預(yù)處理大量數(shù)據(jù)，執(zhí)行機(jī)器學(xué)習(xí)推理以做出快速駕駛決策和預(yù)測，甚至對自動駕駛車輛本身進(jìn)行一些深度學(xué)習(xí)模型訓(xùn)練，然后將數(shù)據(jù)子集發(fā)送給中央系統(tǒng)進(jìn)行更多訓(xùn)練。

今年早些時(shí)候，特斯拉公司推出了一款擁有60億個晶體管的核心處理器。該公司聲稱，該處理器與在特斯拉ModelS、Model3和ModelX型號中采用的Nvidia GPU相比，其性能提高了21倍。除了AMD公司和Intel等傳統(tǒng)CPU供應(yīng)商的CPU之外，這些功能強(qiáng)大的處理器還用于信息娛樂等主流應(yīng)用中。

憑借這種邊緣計(jì)算能力，特斯拉公司的自動駕駛汽車可以處理傳感器數(shù)據(jù)，使其能夠識別自動駕駛汽車周圍的行人、道路上的其他車輛、緊急路旁標(biāo)志和潛在危險(xiǎn)的移動物體。該傳感器數(shù)據(jù)還通過預(yù)加載的地圖數(shù)據(jù)和GPS連接進(jìn)行處理。此外，特斯拉自動駕駛汽車中計(jì)算機(jī)通過特斯拉的網(wǎng)絡(luò)將信息傳遞到海量存儲設(shè)施，在那里對數(shù)據(jù)進(jìn)行分析，以改進(jìn)自動駕駛和其他功能，然后通過網(wǎng)絡(luò)將對車輛軟件堆棧的改進(jìn)下載到自動駕駛車輛上。

醫(yī)療保健是一個對高級機(jī)器學(xué)習(xí)設(shè)備和軟件有著類似需求的行業(yè)。來自磁共振成像(MRI)和其他具有推理計(jì)算能力的掃描設(shè)備部署在多個地點(diǎn)的圖像也需要類似于特斯拉汽車所需的計(jì)算能力和網(wǎng)絡(luò)基礎(chǔ)設(shè)施。然而，大多數(shù)醫(yī)院并沒有興趣或資金來構(gòu)建自己強(qiáng)大的邊緣計(jì)算硬件，并且沒有技術(shù)供應(yīng)商的技術(shù)能力。

隨著半導(dǎo)體電路技術(shù)的發(fā)展，對于業(yè)務(wù)更廣泛的企業(yè)而言，以節(jié)能的方式在邊緣運(yùn)行應(yīng)用程序的能力變得更加現(xiàn)實(shí)。隨著處理器的每次新迭代，邊緣平臺的總成本將繼續(xù)下降，而可用于運(yùn)行應(yīng)用程序的設(shè)備功率也在穩(wěn)步增加。

邊緣網(wǎng)絡(luò)

無論在邊緣處理和分析了多少數(shù)據(jù)，龐大的數(shù)據(jù)量都會對網(wǎng)絡(luò)帶寬產(chǎn)生更多需求，從而產(chǎn)生潛在的瓶頸。一個主要瓶頸是回程——邊緣設(shè)備與中央服務(wù)器和網(wǎng)絡(luò)之間的延伸。未來的邊緣網(wǎng)絡(luò)基礎(chǔ)設(shè)施可能包括5G、更強(qiáng)大的WiFi連接和設(shè)備、低延遲菊花鏈系統(tǒng)、光纖系統(tǒng)(例如谷歌正在開發(fā)的光纖系統(tǒng))、衛(wèi)星連接，以及有待開發(fā)的技術(shù)的組合，但有一件事是肯定的：數(shù)據(jù)量的增長速度快于網(wǎng)絡(luò)帶寬。

如今，企業(yè)可以選擇在幾種可用的有線和無線網(wǎng)絡(luò)替代方案中連接邊緣平臺。涉及邊緣計(jì)算的用例數(shù)量正在增加，其部分原因是無線5G網(wǎng)絡(luò)使跨多個互連邊緣平臺共享數(shù)據(jù)成為可能。例如，員工佩戴增強(qiáng)現(xiàn)實(shí)耳機(jī)，不僅可以與本地同事共享數(shù)據(jù)和分析，還可以與數(shù)百公里之外的同事共享數(shù)據(jù)和分析。

隨著電信運(yùn)營商繼續(xù)虛擬化用來提供5G服務(wù)的網(wǎng)絡(luò)基礎(chǔ)設(shè)施，在更廣泛的地理區(qū)域內(nèi)提供這些服務(wù)的成本應(yīng)該會穩(wěn)步下降。如今，4G網(wǎng)絡(luò)在每平方公里的范圍內(nèi)可以支持大約4000臺設(shè)備，而5G網(wǎng)絡(luò)可以在同一范圍支持的設(shè)備多達(dá)300萬臺。

就5G技術(shù)的發(fā)展來說，現(xiàn)在下結(jié)論還為時(shí)尚早。凱捷公司對1000家計(jì)劃將5G納入其運(yùn)營的工業(yè)組織進(jìn)行的調(diào)查中發(fā)現(xiàn)，只有不到三分之一(30%)的企業(yè)已進(jìn)入試驗(yàn)和實(shí)施階段。然而，通信運(yùn)營商已經(jīng)在定義6G無線標(biāo)準(zhǔn)，這些標(biāo)準(zhǔn)有望在未來十年內(nèi)為無線網(wǎng)絡(luò)帶來又一次巨大飛躍。

無論采用何種網(wǎng)絡(luò)，企業(yè)仍需要在在邊緣處理、存儲和最終處理的數(shù)據(jù)量與需要通過WAN傳輸并合并到各種其他網(wǎng)絡(luò)中的聚合數(shù)據(jù)量之間取得平衡，集中處理數(shù)據(jù)或充當(dāng)記錄系統(tǒng)的平臺。

安全因素

可以說，邊緣計(jì)算的最大障礙是安全性。企業(yè)每次在部署邊緣計(jì)算平臺時(shí)，需要防御的網(wǎng)絡(luò)攻擊面都會增加。這些邊緣計(jì)算平臺也由運(yùn)營技術(shù)(OT)團(tuán)隊(duì)管理，而企業(yè)的運(yùn)營技術(shù)(OT)團(tuán)隊(duì)通常不會像谷歌公司的數(shù)據(jù)中心安全團(tuán)隊(duì)那樣擁有豐富的網(wǎng)絡(luò)安全專業(yè)知識。大多數(shù)企業(yè)都試圖將他們的運(yùn)營技術(shù)(OT)和傳統(tǒng)信息技術(shù)(IT)團(tuán)隊(duì)融合在一起，以部署、管理和保護(hù)邊緣平臺。然而，這兩個團(tuán)隊(duì)的文化卻截然不同，企業(yè)需要時(shí)間來協(xié)調(diào)這兩個團(tuán)隊(duì)的工作。

更具挑戰(zhàn)性的是，很難找到和保留具有網(wǎng)絡(luò)安全專業(yè)知識的人才。網(wǎng)絡(luò)犯罪分子已經(jīng)發(fā)現(xiàn)運(yùn)營技術(shù)(OT)環(huán)境的脆弱性。而網(wǎng)絡(luò)攻擊事件已經(jīng)證明，控制電網(wǎng)和其他關(guān)鍵基礎(chǔ)設(shè)施系統(tǒng)的工業(yè)控制系統(tǒng)是網(wǎng)絡(luò)攻擊者的主要目標(biāo)。從他們的角度來看，連接到網(wǎng)絡(luò)的每個邊緣計(jì)算平臺都是一種工具，通過它們可以將惡意軟件引入IT環(huán)境。惡意軟件只需幾分鐘即可在整個平臺上快速傳播。

最終，企業(yè)將很快花費(fèi)大量資金來保護(hù)邊緣計(jì)算平臺。一旦邊緣計(jì)算系統(tǒng)被鎖定并確保安全，可以改善整體網(wǎng)絡(luò)防御——在邊緣處理更多數(shù)據(jù)而不需要移動數(shù)據(jù)，因?yàn)榭梢燥@著減少網(wǎng)絡(luò)攻擊面。

邊緣計(jì)算生態(tài)系的發(fā)展

一旦適當(dāng)級別的基礎(chǔ)設(shè)施部署到位，面臨的下一個挑戰(zhàn)就是構(gòu)建應(yīng)用程序。容器技術(shù)的廣泛采用使開發(fā)人員能夠使用需要更少內(nèi)存和存儲的工具來構(gòu)建應(yīng)用程序。如今的大多數(shù)容器環(huán)境在某種意義上都是去中心化的，例如基于Docker和Kubernetes的容器環(huán)境，但卻運(yùn)行在像數(shù)據(jù)中心這樣的中心化環(huán)境中。更小的容器工作正在取得進(jìn)展，這使得在距任何服務(wù)器或網(wǎng)關(guān)數(shù)百公里的石油鉆井平臺上部署應(yīng)用軟件變得更加容易。

開源Kubernetes容器編排引擎的輕量級實(shí)例開始受到關(guān)注。無論部署在哪個平臺上，Kubernetes通過呈現(xiàn)一組一致的應(yīng)用程序編程接口(API)，提供了在高度分布式計(jì)算環(huán)境中集中部署和管理基于現(xiàn)代微服務(wù)的應(yīng)用程序的機(jī)會。

工業(yè)API規(guī)范和框架也開始出現(xiàn)，用于機(jī)器學(xué)習(xí)、數(shù)據(jù)科學(xué)和其他支持邊緣計(jì)算的技術(shù)。英特爾公司和其他公司支持的oneAPI就是一個例子，它為開發(fā)邊緣應(yīng)用程序提供了一個框架。

開發(fā)平臺的提供商也在競相創(chuàng)建框架，使在邊緣計(jì)算架構(gòu)中構(gòu)建應(yīng)用程序變得更簡單，無縫調(diào)用在云平臺中運(yùn)行的后端應(yīng)用程序服務(wù)。Apache Airflow和Kafka等分布式事件流平臺可以在允許邊緣計(jì)算平臺與這些后端平臺大規(guī)模共享數(shù)據(jù)方面發(fā)揮作用。一些企業(yè)還將調(diào)用內(nèi)容交付網(wǎng)絡(luò)(CDN)的服務(wù)，以提高已構(gòu)建的全球接入點(diǎn)(PoP)網(wǎng)絡(luò)部署的應(yīng)用程序的性能。

最后，部署在邊緣的有狀態(tài)應(yīng)用程序可能需要提供對持久數(shù)據(jù)形式的訪問的本地?cái)?shù)據(jù)庫。如今部署的大部分容器應(yīng)用程序都是無狀態(tài)的——它們將數(shù)據(jù)存儲在外部存儲系統(tǒng)上。構(gòu)建訪問本地Kubernetes集群上容器中數(shù)據(jù)的有狀態(tài)應(yīng)用程序更具挑戰(zhàn)性。

已經(jīng)有大量熟悉容器平臺的開發(fā)人員在等待，直到改進(jìn)的硬件和軟件盡可能地在邊緣簡化和安全地部署高度可遷移的應(yīng)用程序。

即將到來的人工智能和數(shù)據(jù)管理挑戰(zhàn)

機(jī)器學(xué)習(xí)和人工智能的興起可能會推動未來激動人心的邊緣創(chuàng)新。如今，人工智能模型通常在位于中央的云計(jì)算平臺中進(jìn)行訓(xùn)練。然后可以在生產(chǎn)環(huán)境中創(chuàng)建和部署，人工智能和機(jī)器學(xué)習(xí)推理引擎，在該環(huán)境中，經(jīng)過訓(xùn)練的人工智能引擎會在發(fā)現(xiàn)新數(shù)據(jù)時(shí)推斷出要采取的操作。

隨著時(shí)間的推移，這些推理引擎會隨著收集的新數(shù)據(jù)量超過原始人工智能模型所基于的參數(shù)而發(fā)生漂移。與IT和OT團(tuán)隊(duì)合作的數(shù)據(jù)科學(xué)團(tuán)隊(duì)需要訓(xùn)練新的人工智能模型來替換邊緣的推理引擎。雖然人工智能和機(jī)器學(xué)習(xí)的能力不斷進(jìn)步，結(jié)合低功耗和高性能處理器和其他有助于降低成本的組件，可以提高預(yù)測系統(tǒng)的準(zhǔn)確性和性能，但通常不會降低發(fā)生這種漂移的程度。

如果人工智能模型至少可以在邊緣部分重新訓(xùn)練，這有助于減少預(yù)測精度漂移。然而，在邊緣平臺內(nèi)有效地重新訓(xùn)練人工智能模型所需的軟件和硬件基礎(chǔ)設(shè)施仍處于早期階段。也就是說，隨著越來越強(qiáng)大的硬件成本的下降和邊緣機(jī)器學(xué)習(xí)軟件系統(tǒng)的改進(jìn)，在邊緣進(jìn)行訓(xùn)練的能力將變得更加可行。

經(jīng)濟(jì)影響和投資機(jī)會

根據(jù)研究機(jī)構(gòu)MarketsandMarkets公司的調(diào)查，2020年全球邊緣計(jì)算市場規(guī)模約為36億美元。預(yù)計(jì)到2025年將增長到157億美元，復(fù)合年增長率(CAGR)達(dá)到驚人的34.1%。

麥肯錫公司預(yù)測，到2025年，僅涉及物聯(lián)網(wǎng)(IoT)應(yīng)用的用例所產(chǎn)生的經(jīng)濟(jì)價(jià)值將在每年3.9萬億美元至11.1萬億美元之間。而在邊緣平臺的所有其他用例以及潛在的積極經(jīng)濟(jì)影響將變得巨大。

邊緣計(jì)算本身就是一個巨大的技術(shù)市場，也將推動對集中式云計(jì)算的需求增加。Gartner公司指出，到2023年底，20%的安裝邊緣計(jì)算平臺將由超大規(guī)模云提供商交付和管理。而這個巨大的新興市場還有80%機(jī)會提供給其他廠商。