1.2 智能边缘计算

随着人工智能领域的快速发展，越来越多的智能算法被广泛应用于日常生活。从“互联网+”到“万物互联”，通信、计算、存储能力的快速发展使得越来越多的设备具有了“智能”，针对复杂的网络环境，边缘计算也发展出了一个热门的研究方向，即：智能边缘计算。智能边缘计算的主要目的是在边缘计算体系中，加入多种智能化方法，从而使得边缘计算网络中的各种边缘节点都具有更强的能力，整个边缘网络的能力也能得到较大的提升。智能边缘计算主要在以下两个方面进行了优化，一是针对各种连入网络的边缘节点，在设备上加入了多种智能应用，从而强化了设备能够完成的任务种类与效果；二是在边缘网络中，增加了智能算法以优化请求的调度、管理过程。智能算法的加入使得边缘网络的能力得到了极大的强化，由此涌现出了大量的智能实践实例，如智慧城市、车联网、智能制造、智慧医疗等，1.3节将对各种常见的应用场景进行描述。

1.2.1 什么是智能边缘计算

在传统的IoT场景中，智能主要体现在数据中心上，而不在边缘设备中，大多数先进的人工智能流程都是在云中进行的，因为它们需要大量算力。因此，形成了边缘设备采集数据—发送到数据中心处理—数据中心处理后返回边缘设备的工作流。这种方式无疑会面临各种挑战，如设备与处理中心的距离过远和数据量大导致的传输效率低、数据中心的单点故障导致的可靠性低等问题。

随着边缘计算的发展，智能边缘计算也相伴而生。智能边缘计算的出发点是：让网络中的每个边缘设备都具备智能处理数据的能力，源数据直接在边缘端得到处理，从而减少上传到边缘网络中的数据流量；另一方面，智能边缘计算也可以将智能化算法从云处理中心下载到边缘服务器上，可以大大优化网络中的各类约束、限制。

由于越来越多的设备需要在无法访问云平台的情况下使用人工智能技术，使得智能边缘计算变得越来越重要。在自动化机器人或配备计算机视觉算法的智能汽车的应用中，数据传输滞后的结果是灾难性的。自动驾驶汽车在检测道路的人员或障碍时不能受到传输延迟的影响，无法使用云计算的处理方式，必须采用边缘人工智能系统，进行实时地数据处理和分析。在这个过程中，边缘计算需要与5G和IoT等其他数字技术相结合。IoT设备为边缘网络生成数据以供使用，5G则是保证网络传输效果、维护用户体验的核心组件。

值得一提的是，物联网中设备不再单单作为数据源提供支持，而是可以通过本地的智能算法，对数据进行基本的处理，随后将信息密度更高的数据上传到边缘网络中，等候后续低延迟或实时处理。此外，通过传输最重要的信息，可以减少传输的数据量，最大限度地减少通信中断。

1.2.2 边缘计算与人工智能

在智能边缘计算理论体系的完善中，人工智能技术对边缘网络优化、边缘设备优化起到了巨大的作用，是“智能”的体现。早在2009年，微软就构建了一个基于边缘网络的原型，以支持移动语音命令识别，这是边缘智能的最早实例。

边缘计算与人工智能的结合是必然的，因为二者之间有很明显的依赖作用。一方面，人工智能推理结果的灵活、准确，高度依赖于神经网络的庞大和对算力、存储空间的严苛要求。传统的云计算架构有限的处理能力无法供应飞跃式增长的智能设备需求；另一方面，人工智能算法大大拓宽了边缘计算架构的能力上限，使得边缘计算架构不仅仅是对云计算在硬件上的扩展与升级，同时也在调度算法与智能决策方面进行了显著的提升，改变了用户体验与用户能力。总体来说，将深度学习部署到边缘的优势包括：

1）低延迟。应用MEC可以显著降低应用时延。举例来说，在边缘服务器上部署训练好的深度学习模型，边缘侧只需要执行一次推理，即可得到令人满意的结果，相比于传统的决策方式，推理时间更短，精度更高，使得用户能获得更好的服务体验。

2）隐私保护。由于深度学习服务所需的原始数据存储在本地边缘设备或用户设备本身而不是云端，因此相比于需要上传全部数据的卸载方式，用户隐私的安全性能够得到更好的保障。

3）更高的可靠性。分散和分层的计算架构提供了更可靠的深度学习计算，能有效地防止节点宕机的问题，但同时也可能增加消息同步、数据冗余存储等开销。

4）可扩展的深度学习。边缘计算凭借更丰富的数据和应用场景，可以推动深度学习在各行业的广泛应用，推动人工智能的普及。

5）商业化。具体来说，各种多样化和有价值的深度学习服务拓宽了边缘计算的商业价值，加速了其部署和增长。