边缘运算工业物联网和自驾车获得重要关注

边缘运算(edge compuTIng)正逐渐从一个相对模糊的概念演变成分散式运算架构中的复杂元件，资料处理工作也正从远程转移至终点和卫星资料设备。边缘运算在两个主要领域获得关注，一是工业物联网(IIoT)，可作为现场资料中心的DIY基础设施，一是没有足够时间向云端请求解决方案的自驾车领域。

据Semiconductor Engineering报导，大众对于边缘运算的困惑来自于边缘运算不是一种技术，而比较象是技术性的应对机制。边缘运算是透过在资料生成地消化部分资料的方式，因应来自数十亿终端装置资料的快速成长，这需要将大规模的运算效能建在传感器、手机等产品内，而且必须执行更严格的功率预算。

边缘运算方法与数年前的普遍认知形成鲜明对比，过去认为传感器只需要收集实体世界的资料，然后移到云端进行处理即可，然而最初的概念并未考量到传感器资料量的迅速成长导致资料无法快速移动，最好的解决方案就是预处理这些资料，将无用的资料先剔除。

边缘装置的责任越来越重要，但是如何演变，以及演变的速度，将取决于推动边缘运算发展的终端市场的就绪程度。许多芯片制造商和系统公司都在研究将运算转移到边缘的各种可能方式。

明导国际(Mentor)产品营销经理Jeff Miller表示，真正高效能机器语言或运算资源会继续留在云端，但由于共享频谱的资源有限，带宽十分昂贵，因此，将成千上万台装置的资料都上传到云端而不在边缘进行预处理是不切实际的做法。

IIoT是驱动边缘运算模型的初始因素之一，工业组织尝试用它来解决成本效益和资料冲击的问题。NetSpeed Systems营销和业务发展副总裁Anush Mohandass表示，工业领域有工厂自动化和边缘智能的需求，而且风险相对较小，因为可以展现价值。

将运算资源放在离实体工厂更近的地方，会比保持IoT装置离线带来更大的效益，处理能力提升代表可将资料预处理，移除重复的温度读取等资料。

苹果(Apple)在2017年宣布在iPhone中导入机器学习功能，Gartner预测到了2022年，将有80%的智能手机搭载AI技术，这些是功能强大、对延迟敏感的边缘装置，但着重的是针对个人消费者的功能，如扩增实境(AR)和生物识别。

Mohandass表示，将机器学习功能增加到自驾车和其它智能装置，可能创造一个可让各种强大应用程序建立于其上的生态系统并使用边缘资料中心提供支持。

许多边缘模型都是根据人体处理信息的方式建立，例如，人碰到热的锅炉不等到讯号抵达大脑之前会立即缩手，大脑之后会解释刚发生的事情，避免将来出现这种情况。这个概念听起来很简单，但从芯片设计的角度来看却不容易达成。

2015年，思科(Cisco)提出雾运算(fog compuTIng)的想法，透过结合了路由和Linux应用服务器的盒子，将云端应用程序延伸至边缘，并使用思科的IOx操作系统分析传感器资料。从硬件角度来看，边缘可以是使用共享机房的本地云或资料处理设施的服务器和储存单元集合，或是安装在低温冷却货柜中的超融合资料中心。

IHSMarkit分析师表示，某些物联网的安装规模将迫使一些组织在边缘建立完整规模的资料中心，或使用服务供应商提供的设施。美国有些电信业者想加速转换境内的17,000个电信布线中心，以提供包括边缘服务在内的IT服务。