边缘与云，这一快速技术发展中日益激烈（liè）的争论

如今，边缘（yuán）计算（suàn）一直是热门话题。被誉为近年来最令人兴奋（fèn）的技术转变，关于其变革力量的讨论很多！随着越来越强大（dà）的 AI/ML 算法重（chóng）新（xīn）定（dìng）义“智能”以（yǐ）及更便（biàn）宜（yí）、更强大的“边缘”设备的可用性，这种（zhǒng）炒作在很大程（chéng）度（dù）上（shàng）是真（zhēn）实的。但（dàn）是（shì），如果要考（kǎo）虑（lǜ）边缘计（jì）算的（de）历史，它会比最近的兴趣让我们相信的（de）更早。事实上，计算和（hé）智能最初始于边（biān）缘，当时大多数应用程序几乎不存在高带宽网络连接（jiē）。即使在 1990 年代后期（qī），远程部署在（zài）工（gōng）厂或现（xiàn）场的关（guān）键（jiàn）测量（liàng）设备通常也（yě）具（jù）有处理传入传感（gǎn）器数据（jù）的（de）专用计算能（néng）力。然而（ér），这些设（shè）备中的算法在（zài）“智（zhì）能（néng）”方面只是初级的：主（zhǔ）要是信号处理或数据转换。随着网络能（néng）力的提高和连接性（xìng）的提高，基（jī）于（yú）云（yún）的计算在 2000 年（nián）代后期开始受到关注。与此同时，强大（dà）的人工智能算（suàn）法作为一种（zhǒng）从大量结构化（huà）和（hé）非结构（gòu）化数据中（zhōng）解锁有意（yì）义信息的手（shǒu）段而（ér）备（bèi）受关注（zhù）。在短短十（shí）年（nián）内，云（yún） AI 已成（chéng）为 AI 应用（yòng）程序的（de）首选。但是，向（xiàng）云的转变也（yě）带来了几个问题：数据上传和下（xià）载成本、网络可靠性和数据安全等（děng）等。与此同（tóng）时，随着价格实惠但功能强大的边缘设备的兴起，边缘（yuán）计算在处理能力（lì）和成本或（huò）占地面积（jī）之（zhī）间的权（quán）衡正在减少（shǎo）。似乎我们现（xiàn）在（zài）又回到了（le）考虑“边缘计算”作（zuò）为（wéi）构建（jiàn）智能应用程序的可行且（qiě）有吸引（yǐn）力的选择。

随着关于边缘（yuán）人工（gōng）智（zhì）能和云人工智能哪个更好的辩论越来（lái）越（yuè）激烈，任何（hé）熟悉这两个框架的人都可（kě）能会回（huí）答“这（zhè）要看情况了！”。原因是边缘和云基础设施不是（shì）竞争的，而是互（hù）补的框（kuàng）架（jià）。在（zài）过去的（de）几年里，两者都经历了（le）巨大的（de）发（fā）展和完善，特（tè）别是作为（wéi）人工智能开发和部署的基础。与任（rèn）何技术选择一样，选（xuǎn）择实际上可归（guī）结为具体（tǐ）的应用:目（mù）标、价值驱动因素、经（jīng）济性（xìng）以及对（duì）功耗、尺寸（cùn）和连（lián）接性的任何限制。因此（cǐ），在尝试建立正确的（de）基础设施之（zhī）前，必（bì）须了（le）解云（yún）和边缘（yuán）人工（gōng）智（zhì）能（néng）的利弊。

当寻求灵活性、可扩（kuò）展性和易于部署时，基于云的人工智能（néng）是一个有吸（xī）引（yǐn）力的选择。如今（jīn），大多数云服务提供商为人工智能（néng）模型的培训和部（bù）署提（tí）供了强大的框（kuàng）架，并（bìng）提供了按需付费的包，几乎没有前期承诺或投资（zī）。云提供了几（jǐ）乎没有限制的计算和存（cún）储选项，使其特别适合大（dà）型（xíng）人工智能模型（xíng）。但（dàn）对于需要连续（xù）评估（gū）传感器或图像数据的（de）实时应用程序来说，这可能会成为一个（gè）笨拙的（de）选择，因（yīn）为它们（men）必须（xū）来回传输数据，从而导致巨大（dà）的成本。这（zhè）种数据（jù）传输也使（shǐ）得云在很大程（chéng）度上（shàng）不适合需要闭环（huán）控制或（huò）即时行动的低延（yán）迟应（yīng）用程（chéng）序。

另一（yī）方面， 边缘（yuán）人工智能是自动报（bào）警或闭环控制的实时数据分析的合理选择（zé）。虽（suī）然边缘基础（chǔ）设（shè）施确实需要在（zài）边缘硬件上进行前期投资，但（dàn）运营成本与云相比要低得多。今天，有各（gè）种各样的边缘人工智能硬件（jiàn）选项（xiàng）可（kě）用，包（bāo）括npu(神经处理单元)、TPU(张量处理单元)以（yǐ）及带有专用（yòng）人工智能加速器（qì）的（de）SOC(片上（shàng）系统)和SoMs(模块（kuài）上系统)。人工智能的（de）低成本和低功耗硬件是一个活跃的（de）研究领域（yù），并有可能提（tí）供更好（hǎo）的选择（zé）。另（lìng）一方（fāng）面，基于人工智能的（de）消（xiāo）费应用必（bì）须处理相（xiàng）当多（duō）样化的边缘设备(手机、平（píng）板电脑（nǎo）、个人电脑等)，这使得边缘部署成为一个潜在的令人生畏（wèi）的前景。因此，边缘基础设施可能（néng）不利（lì）于快速原型（xíng）开发（fā），也（yě）不容易扩展。虽（suī）然联合学习，AI模型的分布式训练的（de）概念允（yǔn）许在（zài）边缘进行（háng）训练和部署，但云仍然是训（xùn）练需要足（zú）够（gòu）计算能力的大型模型的逻辑选（xuǎn）择。

但解决方（fāng）案不一定是（shì）非此即彼（bǐ）的选择。随着（zhe）应用程序（xù）过渡到更多基于微（wēi）服务的架构，它们可以分解为具有自（zì）己特定部署（shǔ）框架的更小的（de）功（gōng）能或（huò）微服务。因此，不（bú）必在云和边缘之（zhī）间进行选择，重（chóng）点可以放在针对特定应（yīng）用程序优化使（shǐ）用两者。例（lì）如，一个应（yīng）用（yòng）程序可（kě）能从云上的快速原型开始。随（suí）着它的发展，需要低（dī）延迟和实时决（jué）策的功（gōng）能可（kě）以转移到边（biān）缘（yuán），而（ér）那（nà）些需要规模（mó）和灵（líng）活性的功（gōng）能可以保留在云中。模型训练或再（zài）训练可以在云端集（jí）中（zhōng）管（guǎn）理，而边缘的一些联邦学习可（kě）以在本地（dì）提高准确性（xìng）。同样，敏感数据可以在（zài）边缘处理，更通用的数据（jù）可（kě）以转移到云端。

组织（zhī）、开发人员和从业者最好不要（yào）将云和边（biān）缘视（shì）为不同的替代方案，而是（shì）将其视为从边缘到云的（de）连续统一体，中间有许多不同的（de）基础设施选项。这包括不同类型的边缘（yuán）——运营边缘、网络（luò）边缘、移动（dòng）端点等，以及（jí）网络上不同类型的分布式处理——私（sī）有云、公共云、小云、雾计算等。虽然复（fù）杂性可（kě）能是一个（gè）挑战（zhàn），但找到正（zhèng）确的技术组（zǔ）合开始为（wéi）组织提供一个（gè）独特的机会，以最大限度地提高人工（gōng）智能的价值，同时最大限度（dù）地降低成本和风险。