英特爾發力邊緣計算，試圖打造物聯網時代的摩爾定律

物聯網的爆發已成為行業共識，預計到2020年，物聯網将提供百億計的連接配接和萬億級的商業價值，這是遠超我們現有的智能裝置連接配接量，計算力和資料為根本的推動力。

在近年來關于物聯網的會議和演講中，邊緣計算的概念經常被提起，最主要的原因就是物聯網通常被認為是邊緣計算架構得以普及的關鍵，用來實作更快的實時分析，降低管理，分析和存儲物聯網資料的成本。

産業鍊上遊的公司對這種大環境帶來的變化最為敏感，去年11月，以華為、英特爾、中國科學院沈陽自動化研究所為代表的公司和機構還專門成立邊緣計算産業聯盟，來搭建邊緣計算産業合作平台。

作為一直以來都将物聯網視為公司重大戰略方向的英特爾，也在聯盟之中廣結夥伴，嘗試着不同垂直領域的産業應用，企圖在物聯網時代扮演更重要的角色。

英特爾中國區物聯網事業部首席技術官張宇博士認為，物聯網發展可以分成三個階段，即從「互聯」走向「智能」，從「智能」再走向「自治」，并将這個過程形象地比喻成“物聯網領域的摩爾定律”。

資料驅動未來，資料又來自邊緣

物聯網發展程序中，邊緣智能正在越來越起到關鍵的作用。

去年，AlphaGo利用增強學習的技術打敗了人類的棋手，類似的很多人工智能應用在一些邊緣智能的場景裡已經逐漸找到落地的方式，畢竟世界上大多數革命性創新都始于邊緣。

邊緣計算指在靠近物或資料源頭的網絡邊緣側，就近提供邊緣側的計算，滿足實時、安全、隐私等方面的需求，讓物聯網的每個邊緣裝置都具備資料采集、分析計算，通信，以及最重要的智能。

如同人工智能一樣，邊緣計算的發展同樣離不開資料，在未來任何我們所面臨的問題都可以轉化為某種程度上的資料問題，這個過程中需要大量的資料進行訓練，而當下的萬物智能互聯時代，資料量的産生速度超出了一般人的想象。

以智能攝像頭為例，一個智能攝像頭的分辨率正在從1080P向4K方向轉化，每個攝像頭一天所采集到的資料的數量可以從100GB向200GB發展。談到未來的自動駕駛，今後的每一輛車都将内置各種各樣的資料傳感器，這些傳感器同時工作一天所産生的資料量将超過4TB。

一方面，資料的數量在以遠超過我們預期的指數級速度增長，另一方面資料的類型也變得越來越多樣化。以前我們拿到的資料很多都是結構化的資料，可以通過簡單的關系型的資料庫對這些資料進行維護和管理，但今後會面臨越來越多的非結構化資料，它對計算模式提出了新的要求。

物聯網時代面臨的海量資料需要更靈活地連接配接、更有效地資料處理，同時要有更好地資料保護。這是正是邊緣計算所具備的優勢，邊緣計算能夠有效的降低對帶寬的要求，提供及時的響應，并且對資料的隐私提供保護。

邊緣計算與雲計算的關系

我們現在所處的網際網路時代中，很少聽到邊緣計算的概念，更多被提到的則是我們耳熟能詳的雲計算。因為網際網路的技術本質就是通過雲計算平台來實作使用者在随時随地按需通路自己所需要的資源的過程，雲計算能夠幫助實作資源的共享。

雲計算适合非實時、長周期資料的大資料分析，而邊緣計算則主要完成實時、短周期資料的分析，更适合本地業務的實時處理與執行，二者在計算架構上看似沖突，但他們之間會是互相替代的關系嗎？

在英特爾中國區物聯網事業部首席技術官張宇博士看來，“我們在強調邊緣計算，并不是說邊緣計算将代替雲計算。我們認為邊緣計算和雲計算二者之間是很好的互補。原因非常簡單，我們知道邊緣計算所處理的資料是個局部的資料，并不能形成對于全局的認知。這些認知的形成還是需要一個雲計算的平台，在後端對各種不同的邊緣采集到的資料進行融會貫通。”

張宇博士舉了一個智能交通方面的例子，智能攝像頭通過智能方法能夠識别出各種車輛的車型、顔色、車牌，但是隻能得到目前的資訊，并不能知道這輛車在此刻的前後時間内的資訊，也就是說不能完整了解行車軌迹，如果要形成車輛的完整軌迹，還是需要有雲計算平台的支援。

雖然人工智能到現在已經取得了非常大的突破，但是人工智能同樣還面臨着很多的挑戰。最大的一個挑戰就是，現在人工智能在進行處理的時候，還需要消耗非常大量的資源，包括計算資源，也包括存儲資源。

英特爾的所宣稱的物聯網概念，其實是一個“端到端”的系統，将其分成邊緣和後端平台兩部分，中間通過網絡進行連接配接。邊緣部分包含資料采集、網關及資料處理等等子產品。而在後端完成的是資料的處理機裝置的遠端管理。

由此來看，邊緣計算其實是雲計算架構的一個延伸，它是去承載一部分雲計算因為網絡帶寬或者後端存儲有相當的技術或者成本壓力的情況下提出的一個新的計算架構。我們應避免用割裂的眼光去看待二者的關系，因為它們獨立存在是沒有意義的。

邊緣計算強調垂直行業應用

衆所周知，英特爾做物聯網解決方案目前還是以X86架構通用處理器為核心的技術平台，但随着邊緣計算所承載的業務、範圍變得更豐富、多元化，英特爾已經發現了單一處理器很難承載不同類型的計算工作負載或者業務類型。

張宇博士認為，“邊緣計算不僅僅承載了在邊緣節點将傳感器資料作采集、彙總或傳輸。邊緣節點的計算可以變得更有效率，并不是單一裝置有能力承載的，需要一個工作負載整合的概念，把不同的資料類型整合在一個計算平台上，然後由這個計算平台預處理很多資料，使這些資料變得更有價值。”

也就是說，邊緣的節點可能隻是一個中間環節資料，然後使這個資料進一步傳送到雲端，和雲端協同形成整體的端到端的解決方案。而要想證明這個過程，隻有通過具體的垂直行業應用來驗證它。

具體而言，英特爾目前分别在安防監控、車載交通、零售和工業這四個大的行業進行了一系列落地的探索。

在安防領域。英特爾結合了Altera在FPGA的産品線和Movidius的産品線，與國内海康、大華這樣的廠商合作，在前端錄影機這端比以往更容易承載更複雜的資料分析，比如說人、車、物的檢測和分類，通過對于深度學習在這些晶片上的應用可以使這些檢測的算法更精确，使這些算法的落地變得更有效率。

在車載這領域。英特爾正在把原先在車内的一些分立式的功能子產品，組合在通用計算平台上。這個計算平台現在使用的是Apollo Lake SoC，它是淩動産品中最新的處理器，在認證上面除了提供底層的部件和作業系統包括Linux和安卓的支援，也提供一些虛拟化技術。

在零售領域。除了傳統在POS或者數字标牌、智能零售終端之外，最先落地的場景則是無人店帶來的商業模式、商業機會的思考。據悉目前已經開發出了早期原型的一套軟體平台，用于無人店管理的環境中。

在工業領域。英特爾目前已經預先做了一個更有計算能力的網關平台，使這個網關平台将來可以适用于更複雜的工業自動化的場景。

邊緣計算是一個很大的産業和生态，沒有任何一家公司能夠把這個産業鍊裡所涉及的上下遊所有環節都能夠提供，而目前整個物聯網系統中人工智能應用也隻處于起步階段，裡面還有很多技術方面以及商業問題沒有完全解決。

伴随着人工智能時代我們處理的問題種類越來越多，資料量越來越大，未來的系統架構組成也将不再單一，每種問題有特定的适宜架構，組成一個系統的時候可能是不同架構的綜合，異構架構将成為未來的主流計算方式。

從英特爾現在在做産品設計來看，給自己的定位還是非常明确的，即首先做一家晶片公司，提供計算、通信、存儲所需要的晶片解決方案，之後逐漸将邊緣計算的理念和架構在垂直行業裡得到真正的影射。

本文出處：暢享網

本文來自雲栖社群合作夥伴暢享網，了解相關資訊可以關注vsharing.com網站。