概述
在过去几十年里，人类进入第三次工业革命。我们通过第一次和第二次工业革命，为机械赋予了动能。随着第三次工业革命的开启，人类尝试为机械赋予智能。
如今，计算机软件成为了最为普遍的智能方式。人类通过编程，为计算机设计一套规则。计算机则依照规则作为判断并执行指令。这一模式的易用性和可扩展性非常强大，让计机算软件风靡全球。但这一模式也存在了一定的限制。
软件的开发者，必须设计出没有歧义的规则，将事物的判断和执行方式描述一清二楚。一旦描述不清，就会出现所谓的bug。计算机将会做出人类预期外的判断和行动。因此，如何无歧义地描述规则，成为了软件开发人员的一项重要能力。
但现实中，人类大量对世界的认识存在大量的主观性和模糊性。一个小孩子，经过家长的教导，能够很准确地区分出猫和狗。但如何用计算机来区分猫和狗呢？我们如何设计一套准确无歧义的规则来判断猫和狗呢？这似乎是一个巨大的工程，甚至看起来有点不可能完成。但这只是生活中的一件小事，就算我们完成了这套规则，如果下一次我们区分鸟和鱼，我们是否得重新设计一套？
与其这样，我们不如尝试设计一套规则，来模仿人类的学习过程。
近几年，随着硬件平台计算力不断提升，机器学习有了长足的发展。人类不仅让计算机学会了区分猫和狗，还学会了围棋，学会了驾驶人类的车辆，甚至学会了根据人类的行为，为人类推荐他们喜欢的音乐，新闻等等。每个互联网企业内部，仿佛养着一个又一个的机器大脑，等待着人类的发问。
但是，这离人类的沟通方式，还相去甚远。
上图就是现在大多数机器学习的应用场景，五官和大脑不在一处。我们使用的前端设备如手机，路由器，家用电器，智能音箱，他们像五官，需要将数据上传到后端，后端的大脑进行判断，然后再告诉它们应该怎么做。如果两个前端设备要交流，也需要借助后端大脑将信息汇总，再分别下指令。
。。。
这一模式，显然是低效的。我们既然拥有了赋予机械学习能力 的能力。那么，每一个设备都应该有它的大脑。前端设备的大脑在收集到数据与信息的第一时间，可以做出必要的判断，然后整理数据到后端，进行反思与总结。这才是一个人类通常思考的方式。
我们将这种，主要计算节点以及应用分布式部署在靠近终端的数据中心的方式，称为边缘计算。
优势
-
边缘计算使用边缘的设备对数据进行预处理，降低了带宽消耗和数据的传输难度。因此，可以大大地提高服务质量。尤其是对于实时性要求很高的场景，边缘计算显得尤为重要。
-
边缘计算将计算任务分布到了多个节点，每个节点都有独立判断和绝策的能力。任意节点损坏时，其他不会受到太大影响。提高了系统的抗风险能力。（类比到人体就是拥有了本能反应〜
-
对于一些敏感数据，只在边缘网络中进行计算和分析，在安全和隐私保护方面，具有相当大的优势。
场景
IoT
几乎所有的IoT场景，都是非常需要边缘计算的。他们有个共同特点：作为网络的前端，接收了大量的数据，且与用户有大量的交互。这类系统对实时性要求非常高，因为没有人愿意等待。
无人驾驶
现在如火如荼的无人驾驶场景也非常需要边缘计算。我们的前端设备也就是汽车是要保证绝对安全和能够及时做出有效判断的。此时，我们不能依赖网络，同时又必须高实时的做出正确决策。此时，就必须依赖边缘计算做出更好的决策了。
网友评论