邊緣計算——
全新計算范式
隨著我國新能源汽車的邊緣蓬勃發展，智能駕駛的計算際技術研發和應用落地也勢頭正盛，無人駕駛似乎已經成為不遠的用和未來即可實現的目標。對于智能駕駛來說，使用車內芯片的案例處理速度至關重要。當未來主機廠收集并處理的邊緣信息越來越多的時候，網絡速度成為制約處理效率的計算際一大關鍵因素。在這樣的用和背景下，“邊緣計算”技術順勢進入了車企的使用視野。邊緣計算允許在實際收集數據的案例地方進行計算，而不是邊緣在云計算設施或遠程數據中心中進行。因此邊緣AI使設備能夠更快地做出更明智的計算際決策。
騰訊研究院今年年初發布的用和《影響2024年的十大科技應用趨勢》中提到，高性能計算、使用量子計算、案例云計算和邊緣計算這"四大計算“正催生全新的計算范式。
01概念的提出
降低延遲和實時分析只是邊緣計算的一部分好處，邊緣計算正在工業、汽車和消費電子產品領域得到廣泛應用。
數字經濟的出現意味著我們比以往任何時候都更加依賴數據。
在工廠車間，通過傳感器收集振動、溫度和濕度等關鍵生產信息，隨后進行分析以制定更有針對性的維護策略。
同時，在我們的日常生活中，永遠在線的社會對智能設備的依賴意味著我們時時都在產生并消耗數據。
云計算為這種連接的普及提供了支撐。數據被傳輸到虛擬空間，并在托管設施中存儲和處理。這種方法提供了可擴展性、靈活性和成本效益等多種好處。
但有一個問題。將大量數據從多個節點轉移到云端需要時間及能耗。這些“旅程”可能僅以毫秒為單位，但這種延遲可能會給某些實時應用程序帶來問題。因此，人們開始尋求其他數據策略。
02實際應用
在邊緣計算中，存儲和處理在網絡的“邊緣”進行——物理上更靠近用戶、設備和數據源。這種基礎設施可以減少流量延遲并實現實時分析。
在一些對于時間極度敏感的應用環境中，例如自動駕駛汽車、病人監護和智能城市交通系統，提高節點設備的響應時間至關重要。
確實，邊緣計算是當今互聯世界中數據管理的快速增長解決方案。2022年全球邊緣計算市場價值為119.9億美元，預計到2030年將增至1395.8億美元。
根據Gartner的數據，到2025年，多達75%的企業生成數據將在傳統集中式數據中心或云之外創建和處理。如果這一預測屬實，那么可以說邊緣計算時代將真正到來。
邊緣計算在生成數據的設備上做出超快速決策的能力日益增強，這必將為人工智能革命提供強大助力。現在，無需將數據從一個點轉移到另一個點并再次轉移回來，延遲被降至最低，從而開辟了新的用例和應用。
03片上系統
實現這種性能的關鍵是片上系統（SoC）架構。SoC不是一塊由一系列分立元件組成的大電路板，而是一種將電子系統的功能集成到單個芯片上的集成電路。這通常包括CPU、GPU、內存、I/O接口、外設、網絡和電源管理，所有這些都包含在一個高度集成的系統中。
SoC在邊緣計算方面擁有巨大潛力，因為它們可以高度定制，提供獨特的能效、集成、性能和安全性組合。
突然之間，設計師和工程師可以克服將AI功能集成到邊緣傳感器中的挑戰，將多個組件和功能集成到單個芯片中，使設備更小巧、更節能。許多邊緣AI應用程序需要實時或低延遲處理傳感器數據，SoC為這些任務提供必要的計算能力，同時最大限度地減少數據處理延遲。這對于瞬間決策至關重要的應用程序尤其重要。
同時，邊緣AI傳感器可以與其他設備或云服務通信，根據需要傳遞信息，并且獨立于其低延遲操作。大多數SoC提供各種連接選項，例如Wi-Fi、藍牙、5G和傳感器接口，以促進無縫數據傳輸和與外部系統的集成。
04使用案例
那么，邊緣計算在哪里得到最廣泛的應用？最合適的用途之一是自動駕駛汽車——物聯網傳感器對車載邊緣計算有著至關重要的需求，這些傳感器可以檢測各種參數，包括道路狀況以及與其他車輛和行人的距離。基于實時數據的更快、更準確的決策將推動對更精確的導航和障礙物檢測的需求。
對于未來的智能交通系統，邊緣計算將成為車聯網（V2X）架構的關鍵基礎技術，該架構負責組織汽車、行人和智能城市基礎設施之間的通信和互動，幫助解決通信通道之間動態切換和低延遲的挑戰，從而實現信息在車輛之間的傳輸。維護是另一個應用領域，邊緣計算用于電池監控和預測方法，傳感器實時匯總各種狀況——如果有任何不正常的模式或趨勢，則通知車主。
與此同時，對基于云的集中式數據基礎設施的依賴會顯著影響可穿戴設備的功耗和電池壽命。最好盡可能在靠近最終用戶的地方執行AI操作——確切地說，在他們的手腕上。借助自學習AI、訓練神經網絡并允許在邊緣進行推理，所需的處理能力會更少，可穿戴設備的電池壽命也會延長。
機器人技術是另一個充滿機遇的領域。許多工廠已經采用自動化和數字化來簡化操作并提高質量和可重復性。機器人對這種轉變至關重要，因為它們變得更便宜、更靈活、更易于集成和更便于在車間操作。現在，邊緣計算的出現可以進一步提高機器人的性能。例如，基于邊緣的計算機視覺技術意味著可以在攝像頭和傳感器等設備上本地執行對象檢測，從而改善延遲并減少帶寬消耗。它還可以執行圖像分類，支持制造生產線的質量控制。它還可用于識別數據集中的任何意外事件或模式，突出顯示潛在的設備故障。
05未來展望
我們可以看出，通過SoC以及其他系統和組件提供的邊緣計算將在AI等先進技術的日益普及中發揮關鍵作用。只要確保了安全性和隱私性，它的低延遲、靈活性和可擴展性就非常適合廣泛的應用。
