雲計算不再足以即時處理和分析物聯網設備、聯網汽車和其他數字平臺生成(或即將生成)的海量數據。例如，擁有自動駕駛的車輛本質上是車輪上的高性能計算機，其通過多個傳感器收集數據。爲了使這些車輛安全可靠地運行，他們需要立即響應周圍環境。處理速度的任何滯後都可能是致命的。
雖然連接設備的大部分數據處理現在都在雲中進行，但是在中央服務器上來回發送數據可能需要幾秒鐘的時間。到2020年，估計智能駕駛汽車每天將產生1.5 GB的數據。隨着更多設備連接到互聯網並生成數據，雲計算可能無法全部處理——特別是在某些需要更快響應速度的用途。
邊緣計算可以爲自動駕駛汽車提供更快的數據處理，但它是如何工作的？
邊緣計算使連接的設備能夠處理更靠近創建位置的數據——或者“邊緣”。這可以是在設備本身(即傳感器)內，也可以是在設備附近，提供了一種將數據發送到集中雲進行處理的替代方案。包括亞馬遜(Amazon)、微軟(Microsoft)和谷歌在內的一些最大的科技公司正在探索邊緣計算，這可能會引發下一場大型計算競賽。
向邊緣計算的轉變
在我們這個數據密集型的未來，隨着數十億設備接入互聯網，更快、更可靠的數據處理將變得至關重要。近年來，事實證明，雲計算的整合和集中特性具有成本效益和靈活性，但物聯網和移動計算的興起對網絡帶寬造成了壓力。
最終，並不是所有的智能設備都需要使用雲計算來運行。在某些情況下，可以而且應該避免這種反覆的數據傳輸。這就是邊緣計算的用武之地。根據CB Insights市場規模評估，到2022年，全球邊緣計算市場預計將達到67.2億美元。
雖然是一個新興領域，但在雲計算運作的某些領域中，邊緣計算可能會更有效率。邊緣計算使數據處理更接近其創建的位置(例如，電機、泵、發電機或其他傳感器)，從而減少了在雲之間來回傳輸數據的需要。
據研究公司IDC 稱，邊緣計算被描述爲“ 由微型數據中心組成的網狀網絡，可在本地處理或存儲關鍵數據，並將所有接收的數據推送到中央數據中心或雲存儲庫，佔地面積小於100平方英尺 ”。
例如，列車可能包含可立即提供其發動機狀態的傳感器。在這種情況下，無論是運行數據在火車上還是在雲中，傳感器數據都不需要前往數據中心，就可以查看是否有東西影響了發送機運轉。
例如，列車可能包含可立即提供其發動機狀態的傳感器。在這種情況下，無論是運行數據在火車上還
對數據處理和存儲進行本地化可以減輕計算網絡的負擔。當發送到雲的數據更少時，延遲的可能性(雲與物聯網設備交互導致的數據處理延遲)就會降低。這也對硬件底層邊緣計算技術承擔更多責任，該技術包括用於收集數據的傳感器和用於處理連接設備內的數據的CPU或GPU。
智能製造業爲什麼看好邊緣計算
智能製造可以從現代工廠中使用的大量傳感器中獲得啓發。減少邊緣計算的延遲問題可以使製造工作流中更快、更靈敏的更改，從而能夠實時應用洞察力和操作。這可能包括在機器過熱之前關閉它。工廠可以使用兩個機器人，配備傳感器並連接到邊緣設備，以執行相同的任務。邊緣設備可以運行機器學習模型來預測其中一個機器人是否會發生故障（如圖所示）。
如果該邊緣設備確定機器人可能發生故障，則會觸發一個動作來停止或減慢它。這將允許工廠實時評估潛在的故障。如果機器人可以自己處理數據，它們可能會變得更加自給自足和反應靈敏。邊緣計算應該允許從大數據生成更大，更快的洞察力，並且可以將更多的機器學習應用於操作。
最終目標是利用正在創建的大量數據的未開發價值，預防安全危害，並減少工廠車間的中斷。 從可穿戴設備到智慧工廠，再到智能駕駛，物聯網設備的發展越來越廣闊。邊緣計算可以提供另一種高效的解決方案，圍繞着設備功能開發能夠處理軟件和硬件能力，打破了集中式雲數據中心數據管理、處理和存儲傳統架構的侷限性。