边缘（yuán）与（yǔ）云（yún），这一（yī）快速技术发展中日益（yì）激烈的争论（lùn）

如今（jīn），边缘计算一直是（shì）热门话题。被誉（yù）为近年来（lái）最令人兴奋的技（jì）术转变，关（guān）于其变（biàn）革力（lì）量的讨论很多！随（suí）着越来越强大的 AI/ML 算法重新（xīn）定义“智能”以及更便宜（yí）、更强大的（de）“边缘”设备的可用（yòng）性，这种炒作在很大程度上是真实（shí）的。但是（shì），如果要考虑边缘计算的（de）历史，它会比最（zuì）近的兴趣让我们相信的更早。事实上，计算和智（zhì）能最初（chū）始于（yú）边缘，当时大多数应用程序几乎不存在高（gāo）带宽网络连接。即使在 1990 年代后期，远程部署在工厂或（huò）现场（chǎng）的（de）关（guān）键测量设（shè）备通常也具有处理传入传感器（qì）数（shù）据的专（zhuān）用计算能力。然（rán）而（ér），这（zhè）些（xiē）设（shè）备中的算法在“智能”方面只是初级的：主要是信号处理或（huò）数（shù）据转换（huàn）。随着网络能力的提高（gāo）和连接性的提（tí）高（gāo），基于云的计算在 2000 年代后期开始受到关注。与此同（tóng）时，强大的人工智能算法作为一（yī）种从大量结构（gòu）化（huà）和非（fēi）结构（gòu）化数据（jù）中解锁（suǒ）有意（yì）义信息的手段而备受关注。在短短（duǎn）十（shí）年内，云 AI 已成为 AI 应用程序的（de）首（shǒu）选。但是，向云的（de）转（zhuǎn）变（biàn）也带来了（le）几（jǐ）个问题：数（shù）据上传和下载成本（běn）、网络可靠性和数（shù）据安全等等。与此同时，随着价格实（shí）惠但功能强大的边缘设（shè）备的兴起，边缘（yuán）计（jì）算（suàn）在处理（lǐ）能（néng）力（lì）和成本或占地面（miàn）积（jī）之间的权衡正在减少。似乎我们（men）现在又（yòu）回（huí）到了考虑（lǜ）“边缘（yuán）计（jì）算”作为构（gòu）建智能应（yīng）用程序的可（kě）行且（qiě）有吸引力的（de）选择（zé）。

随着关于边缘人（rén）工智能和云人工智能哪个更好的辩（biàn）论越来（lái）越激烈（liè），任何（hé）熟悉这两个框架的人都（dōu）可能会回答“这要看（kàn）情况了！”。原因是边缘（yuán）和（hé）云基础设施不是竞（jìng）争的，而是互补的（de）框架（jià）。在过去的几年里，两者（zhě）都经历了巨大的发展（zhǎn）和（hé）完善（shàn），特别是作为（wéi）人（rén）工（gōng）智能开发和部署（shǔ）的基（jī）础。与任何（hé）技术选择（zé）一样（yàng），选择（zé）实际（jì）上可归结为具体（tǐ）的应用:目标、价值驱动因素、经济性以及对功耗（hào）、尺（chǐ）寸和连接性的（de）任（rèn）何限制。因（yīn）此，在尝试建立正确的基（jī）础设施之（zhī）前，必须了解（jiě）云和（hé）边缘人工智能（néng）的利（lì）弊。

当寻求灵活性（xìng）、可扩展性和（hé）易于部署时，基于（yú）云的人工智能是一个（gè）有吸（xī）引力（lì）的选择。如今，大多（duō）数云服务提（tí）供商为人工智能模（mó）型的（de）培训和（hé）部署提供了强大的框架，并提供了按需付费的包，几乎没（méi）有（yǒu）前期（qī）承诺或投资。云提供了（le）几乎没（méi）有限制（zhì）的（de）计算和存储选项，使其特（tè）别适合（hé）大（dà）型人工智（zhì）能模型（xíng）。但对（duì）于（yú）需要连续评估传（chuán）感器（qì）或图像数据（jù）的实时（shí）应用程序来（lái）说，这可能会成为一个笨拙的选择，因为它们必须来（lái）回传输数据，从而（ér）导致巨大（dà）的成本。这种（zhǒng）数据传输（shū）也使得云在很大程度上不适合需（xū）要（yào）闭（bì）环（huán）控制或即时行动的低延迟应用程序。

另一方面（miàn）， 边缘人工智能是自动报警或闭环控制的（de）实时数（shù）据分（fèn）析的合理选择。虽然（rán）边缘基础设施确实需（xū）要在边缘硬件上进行前期投资，但运营成本与云相比要低得多。今天，有各种各样的边缘（yuán）人（rén）工智能硬件选项可用，包括npu(神经处（chù）理单元)、TPU(张量处理单元（yuán）)以（yǐ）及带有专用（yòng）人工智能加速（sù）器（qì）的SOC(片上系统)和（hé）SoMs(模块上系（xì）统)。人（rén）工智能的低成本和低功耗硬件是一个活跃的研究领域，并有可能（néng）提供更好的选（xuǎn）择。另一方面（miàn），基于人（rén）工智能的（de）消费应用（yòng）必须处理相当多样化的边缘设备（bèi）(手机（jī）、平（píng）板电脑（nǎo）、个人电脑等)，这使得边缘部署成为一个潜（qián）在（zài）的令人生（shēng）畏的前景。因此（cǐ），边缘基础设施可能不利于快速原型（xíng）开发，也不容易（yì）扩展。虽然（rán）联合学习，AI模（mó）型的（de）分布式训练（liàn）的（de）概念允许在边缘进行训练（liàn）和部署，但云仍然（rán）是训（xùn）练需要（yào）足（zú）够（gòu）计算能力（lì）的大型模（mó）型的逻辑选择。

但解决（jué）方（fāng）案不（bú）一定（dìng）是非（fēi）此即彼的选择。随着应用程序（xù）过渡（dù）到（dào）更多基于微服务的架构，它们可以（yǐ）分解（jiě）为具有自己特（tè）定部署框（kuàng）架的更小的功能或（huò）微服务。因此，不必在云（yún）和边缘之间进（jìn）行选择，重点可以放在（zài）针对特（tè）定（dìng）应用程序优化使用（yòng）两者。例如，一个应用程序（xù）可能从云（yún）上的快速原型（xíng）开始。随着（zhe）它的发展，需要低延迟和（hé）实时决策的功能（néng）可以转移到边（biān）缘，而那些需要规（guī）模（mó）和灵活性的（de）功能可以保（bǎo）留在云中。模型训练或再（zài）训（xùn）练（liàn）可（kě）以在云端集中管理（lǐ），而边缘的一些（xiē）联邦学习可以（yǐ）在本地提高准确性。同样，敏感数据可以在边缘处理，更通用的数据可以转（zhuǎn）移到云（yún）端。

组织、开发人（rén）员和（hé）从业者最（zuì）好（hǎo）不要（yào）将云和边缘视为不同的替代方案，而（ér）是将其视为（wéi）从边缘到云的（de）连续统一体，中间有许多（duō）不同的基础设施选项。这包（bāo）括不（bú）同类型的边缘（yuán）——运（yùn）营边（biān）缘（yuán）、网络边缘、移动端点等，以及网络上不（bú）同类型的分（fèn）布式处（chù）理——私有云、公共云、小云（yún）、雾（wù）计算等（děng）。虽然复杂性可能是一个挑战，但找到（dào）正（zhèng）确（què）的技术组合开始（shǐ）为组织提供（gòng）一个独特的机会，以最（zuì）大限度地提（tí）高人工智能的（de）价（jià）值，同时（shí）最大（dà）限度（dù）地（dì）降低成本（běn）和风险。