边缘与（yǔ）云，这（zhè）一快（kuài）速技术发展（zhǎn）中（zhōng）日益激烈的争论

如今，边缘计算一直是热门话题。被（bèi）誉为近年（nián）来最令人兴奋（fèn）的（de）技术转变，关于其变革力量的讨论很多！随着越来（lái）越强大的 AI/ML 算法重新定义“智能”以及更便宜（yí）、更强大的“边缘”设（shè）备的（de）可用（yòng）性，这种炒作（zuò）在很大（dà）程度上是真实（shí）的。但是（shì），如果要考虑（lǜ）边缘计算（suàn）的历史（shǐ），它会（huì）比最近的（de）兴趣让我们相信的更早。事（shì）实上，计算（suàn）和智能最初始于边（biān）缘，当时大多数应用（yòng）程序（xù）几乎不存在高带宽网络连接。即使在 1990 年（nián）代后期，远程部署（shǔ）在工厂或现场的关键（jiàn）测量（liàng）设备通常也具有处理传入传感器数（shù）据的专用计算（suàn）能力（lì）。然（rán）而，这些设（shè）备中的算（suàn）法在“智能（néng）”方面只是初级的：主（zhǔ）要是信号处理或（huò）数据转换。随（suí）着网络能力的提高和连（lián）接性（xìng）的提高（gāo），基于云的（de）计算在 2000 年（nián）代后期开始受到关注（zhù）。与此（cǐ）同（tóng）时（shí），强大的人工（gōng）智能算（suàn）法（fǎ）作为一种从大量结（jié）构化和（hé）非结构化（huà）数据中解锁有意义信息的手段而（ér）备受关（guān）注。在短短（duǎn）十年内，云 AI 已成为 AI 应用程序的首选。但是，向云的（de）转变也带来了几个问题：数据上传和下载（zǎi）成本（běn）、网络可靠性和数据安全（quán）等等。与此同（tóng）时，随着价格实惠但功能强大的边缘设备的（de）兴起，边缘（yuán）计（jì）算在处理（lǐ）能力（lì）和成本或（huò）占（zhàn）地面积之间的权衡正在减少（shǎo）。似乎（hū）我（wǒ）们现（xiàn）在又回到了考虑“边缘计算”作为构建智能应用程序的可行且（qiě）有（yǒu）吸引力（lì）的选（xuǎn）择（zé）。

随着关于（yú）边缘人（rén）工智（zhì）能和云人工智能哪个更好（hǎo）的辩论越（yuè）来越激烈（liè），任何熟悉这两个（gè）框架的人都可（kě）能会回答“这要看情（qíng）况（kuàng）了！”。原（yuán）因（yīn）是边缘和（hé）云基础设施不（bú）是竞争的，而（ér）是互补的（de）框架（jià）。在过（guò）去的（de）几年里，两者（zhě）都经历了巨大的发展和完（wán）善，特别是作为（wéi）人工智（zhì）能（néng）开发和部署（shǔ）的基础（chǔ）。与任（rèn）何技术选择一样，选择实际上可归结为具体的（de）应用（yòng）:目标、价值驱动因（yīn）素、经济性以（yǐ）及对功耗、尺寸和（hé）连接（jiē）性的任何限制。因此（cǐ），在尝试建立正确的（de）基础（chǔ）设施之（zhī）前，必须了解（jiě）云（yún）和（hé）边缘人工智（zhì）能的利弊（bì）。

当寻（xún）求灵（líng）活性、可扩展性和易于（yú）部署（shǔ）时（shí），基于云的人（rén）工智能是一个（gè）有吸引（yǐn）力的选择。如（rú）今，大多数云服务提供商为人工智能模型的培训和部署提供了强大的框架，并提供了按需（xū）付费的包，几乎没有前期承诺或投资（zī）。云提供了几乎没有（yǒu）限制的计（jì）算和存（cún）储选项，使其特别（bié）适合大型人（rén）工智能模型。但对于需要连续评估（gū）传感器或图像数据的实（shí）时应用程序来说，这可能会成为（wéi）一个笨拙的选（xuǎn）择，因为它们必须（xū）来（lái）回传输（shū）数据，从（cóng）而导致（zhì）巨大的（de）成本。这种数（shù）据传输也使得云在（zài）很大程度上（shàng）不适合需要闭环控（kòng）制（zhì）或即时行动（dòng）的低延（yán）迟（chí）应用（yòng）程序。

另一方面， 边缘人工智能是自动报警或闭环控制的实时数据分析的合理选择。虽然边缘基础设施确实需要在（zài）边缘硬件上进行前期投资（zī），但（dàn）运营成本（běn）与云相比要低（dī）得多。今（jīn）天，有各种各样（yàng）的边缘人工智能硬件选（xuǎn）项可用，包括npu(神经处理单元)、TPU(张量处理单（dān）元)以及带有专用人工智能加速器的SOC(片上系统)和SoMs(模（mó）块上系统)。人（rén）工智（zhì）能的低成本和低功耗硬件（jiàn）是一（yī）个活跃的研究领域（yù），并有可能提供更好（hǎo）的选（xuǎn）择。另一方面，基于人工智能的消费应用必（bì）须处理相当多（duō）样化（huà）的边（biān）缘设备（bèi）(手（shǒu）机（jī）、平板电脑、个人电脑等)，这使得边缘部署成为一个潜在（zài）的令（lìng）人生畏的前景。因（yīn）此，边缘基础设施可能不（bú）利（lì）于快速原（yuán）型开发（fā），也不容易扩展。虽然联合学（xué）习，AI模型（xíng）的分布（bù）式训练的概念允许在边缘进（jìn）行训（xùn）练和部署，但（dàn）云仍（réng）然是（shì）训（xùn）练需要足够计算能力（lì）的大型（xíng）模（mó）型的（de）逻辑选择。

但解决方案不（bú）一定是非此即彼的选择。随着应（yīng）用程序（xù）过渡到更多基于（yú）微服（fú）务的架构，它们可以（yǐ）分解为具有（yǒu）自己特定部署框架的更小的功能或微（wēi）服务（wù）。因此，不必（bì）在云和（hé）边缘之间进行选择，重点可以放在针对特定应用程序优（yōu）化使用两（liǎng）者（zhě）。例如，一个应（yīng）用程序（xù）可能从云（yún）上的快（kuài）速原（yuán）型开始。随着它的发展（zhǎn），需（xū）要低延（yán）迟（chí）和实时决策的功能可以转移到边缘，而那些需要（yào）规（guī）模（mó）和（hé）灵活性的功能可以保留在（zài）云中。模型（xíng）训练（liàn）或再训练可以在云（yún）端集（jí）中管理，而（ér）边缘（yuán）的（de）一（yī）些联邦学（xué）习可以在本地提高（gāo）准（zhǔn）确（què）性。同样，敏感数（shù）据（jù）可以在边缘处理（lǐ），更（gèng）通用的数据可以转移到云（yún）端。

组织、开发人员和从业者最（zuì）好不（bú）要将云和边缘视为不同的替代方案，而是将其视为从边缘（yuán）到云的（de）连续（xù）统（tǒng）一体（tǐ），中间有许多不（bú）同的基（jī）础（chǔ）设施（shī）选项。这包括（kuò）不（bú）同类型（xíng）的边缘——运营边（biān）缘（yuán）、网络边缘、移动端点等，以及网络上不（bú）同类型（xíng）的（de）分布式处理——私有云、公共云、小云、雾计算等。虽然复杂性可能（néng）是一个挑（tiāo）战，但找（zhǎo）到正确的技（jì）术组合（hé）开始为（wéi）组织提供一（yī）个独特的机会，以（yǐ）最（zuì）大限（xiàn）度地（dì）提高人工智能的价值（zhí），同时（shí）最大限度地降（jiàng）低成本和风险（xiǎn）。