最近，人们对边缘计算报以越来越大的厚望。在这一行业中，不乏有一些大胆的想法，如“边缘将吞噬云计算”，或是，将实时自动化扩展到医疗保健、零售和制造业。
专家们一致认为，边缘计算将在几乎所有企业的数字化转型中发挥关键作用，但实际上，其进展一直很缓慢。传统的观念阻碍了公司无法充分利用实时决策和资源分配的优势。为了理解这种情况是如何以及为什么会发生的，让我们回顾一下边缘计算的第一波浪潮，以及从那之后发生了什么。
边缘计算的第一波浪潮：物联网(IoT)
对大多数行业来说，边缘计算的概念与第一波浪潮物联网潮紧密相关。当时，人们的焦点集中在从可以附着在任何物品上的小型传感器上收集数据，然后将数据传输到一个中心位置——比如云或主数据中心。
这些数据流必须由通常称为“传感器融合”的技术关联到一起。当时，传感器的经济状况、电池寿命和广泛性往往导致数据流过于有限，保真度较低。此外，用传感器改装现有的设备往往成本过高。虽然传感器本身很便宜，但安装过程很耗时，而且需要训练有素的专业人员来执行。最后，使用传感器融合分析数据所需的专业知识被嵌入到跨组织的全体人员知识库中。这使得物联网的采用率放缓。
此外，因为安全问题，物联网的大规模采用也“遇冷”。从数学的角度上来说，原因很简单：跨越多个地点去连接数千个设备，这无异于一个巨大且经常会处于未知状态的信息暴露。由于物联网潜在的风险超过了其未经证实的好处，许多人认为，应采取观望态度，保持谨慎。
超越物联网1.0
现在越来越清晰的是，与其说边缘计算是物联网，倒不如说它是关于跨分布式站点和地理位置的操作进行实时决策。在IT领域和越来越多的工业环境中，我们将这些分布式数据源称为“边缘”。我们将来自数据中心或云之外的所有位置的决策称为边缘计算。
边缘充斥着我们身边的每一处角落——它在我们的生活、我们的工作当中，凡有人类活动的地方，它的身影无所不在。传感器覆盖稀疏的问题已经被更新和更灵活的传感器解决了。新的资产和技术都配备了大量的集成传感器。现在，传感器经常增强了高分辨率/高保真成像(x射线设备，激光雷达)。
额外的传感器数据、成像技术以及将所有这些关联起来的计算，会产生每秒兆字节的数据。为了从这些巨大的数据流中得出最终结果，计算的“火力”现在都被部署在数据生成处的附近。
原因也很简单：在边缘位置和云之间根本没有足够的带宽和时间。处于边缘的数据在短期内是最为重要的。数据现在可以在边缘进行实时分析和使用，而不是稍后在云中进行处理和分析。为了获得更高一级水平的效率和卓越的操作，计算必须在边缘中进行。
这并不是说云并不重要。云计算仍然在边缘计算中发挥作用，因为它是在所有位置中分配算力的一个好地方。例如，云计算提供了对来自其他地点的应用程序和数据的访问，以及远程专家对全球各地的系统、数据和应用程序的管理。此外，云还可以用于分析跨越多个位置的大型数据集，显示随时间变化的趋势，并生成预测分析模型。
因此，边缘的关键，在于弄清跨越大量地理分散位置的大型数据流。人们必须采用这种对边缘的新认知，才能真正理解现在边缘计算所能实现的一切。
今天：实时边缘分析
与几年前相比，今天在边缘所能做的事是惊人的。现在，人们可以通过大量的传感器和相机来生成数据，而不是将边缘限制在几个传感器上。然后，这些数据被放在边缘，用比20年前强大数千倍的计算机进行分析——所有成本都是合理的。
高核心计数的CPU和GPU以及高通量网络和高分辨率摄像头现在随处可见，这使得实时边缘分析成为现实。在边缘(业务活动发生的地方)部署实时分析可以帮助公司了解他们的操作并立即作出反应。有了这些知识，许多操作就可以进一步自动化，从而提高生产率并减少损失。
让我们来考虑一下一些当今实时边缘分析的例子：
超市欺诈预防
许多超市现在或多或少都会使用自助结账，不幸的是，他们也看到了越来越多的欺诈行为。一个心存邪念的购物者可以用低价的条形码代替高价的条形码，这样他付的钱就少了。为了发现这种类型的欺诈行为，商店现在正在使用高功率摄像头，将扫描的产品和重量与其应有的重量进行比较。这些相机相对便宜，但它们却会产生大量的数据。通过将计算移动到边缘，就可以立即分析数据。这意味着，商店可以实时发现店内的欺诈行为，而不是在这些所谓的“顾客”离开停车场之后。
食品生产监测
如今，一个制造型工厂可以在制造过程的每一步都配备几十个摄像头和传感器。实时分析和人工智能驱动的推理可以以毫秒、甚至微秒为单位，揭示是否有问题或工艺过程正在漂移。也许，摄像头显示太多的糖被添加，或者产品上添加了过多的浇头。有了摄像头和实时分析，生产线就可以调整生产线来停止漂移，甚至在需要维修时停下生产线——而不会造成灾难性的损失。
人工智能驱动的医疗保健边缘计算
在医疗保健领域，红外线和x射线摄像头一直都在急剧改变着，因为它们分辨率很高，并且能够快速将图片提供给技术人员和医生。有了如此高的分辨率，现在病人在见到医生予以确认之前，人工智能就可以进行过滤、评估和诊断异常。通过部署人工智能驱动的边缘计算，医生们节省了时间，因为他们不必依赖向云发送数据来获得诊断。因此，肿瘤学家想要观察是否患者确患有肺癌，可以将实时人工智能过滤器应用于患者的肺部图像，以获得快速准确的诊断，这样可以大大减少患者等待反馈的焦虑。
由分析系统驱动的自动驾驶汽车
自动驾驶汽车之所以在今天成为可能，是因为相对便宜和有效的相机提供了360度立体视觉。其分析系统还可以实现精确的图像识别，因此计算机可以精确辨别路上出现的到底是风滚草还是邻居家的猫，并决定何时刹车还是转向绕过障碍物，以确保驾乘安全。高性能CPU和GPU的可负担性、可用性和小型化趋势使得实时模式识别和矢量规划成为可能，这就是自动驾驶汽车的智能驾驶。自动驾驶汽车成功的要点，在于必须有足够的数据和处理能力，足够快地做出智能决策，以采取纠正措施。这一点现在只有通过如今的边缘技术才能得以实现。
在实践中的分布式体系结构
当非常强大的计算被部署在边缘时，公司可以更好地优化操作，而不必担心延迟或失去与云的连接。现在所有的东西都分布在边缘位置，所以问题是实时解决的，彼此之间只有零星的连接。
自第一波边缘技术出现以来，我们已经取得了长足的进展。由于边缘技术的进步，公司现在对自己的业务有了更全面的看法。今天的边缘技术不仅能帮助企业提高利润，事实上，它还能帮助企业降低风险，改善产品、服务，以及提升与他们打交道的人的体验。