大資料時代以及IoT裝置數量的快速增長對裝置的計算能力提出新的要求，5G網絡的出現讓移動互聯裝置的數量和類型都在爆發增長，對資料處理能力的随之變得更加苛刻。那麼，有沒有這樣一種技術，它既擁有處理海量資料的能力，又可以實作
超低延時呢？那就不得不提及近期很主流的
邊緣計算了。
近些年，雲計算和AI技術的快速發展讓資料處理效率更高，但是互聯裝置帶來的海量資料和高複雜性已經超出網絡和基礎架構的能力範疇。邊緣計算的出現可以打破了資料中心和雲計算帶來的帶寬和延遲問題，與過去需要傳輸至資料中心和雲端進行處理的方式不同，邊緣計算可以在更接近建立資料的位置處理和分析資料。
不過就目前來看，邊緣計算仍然存在異構嚴重、規模龐大、環境複雜以及标準不統一的問題，這帶來的問題便是效率下降、管理困難以及可靠性降低的問題。為了降低落地門檻，
雲邊端一體化的概念被提了出來。
為什麼需要雲邊端一體化
前面提到大資料時代，雲計算已經成為智能制造、智慧金融等領域必不可少的組成部分。但是智能應用在實際生活中還是存在各種各樣的問題，以商場和銀行常見的
智能機器人為例，雖然說它們帶來滿滿科技感，但在回答問題或進行業務導航時往往隻能熟練地回答預設問題，但是遇到說話吐字不清或者非預設問題時，往往會答非所問或沒有回報。
正因為如此，雲邊端一體化才顯得尤為重要，目前雲邊端一體化主要展現在以下幾個方面：
統一管理：通過将複雜多變的底層資源管理方案相統一，可以有效降低業務在底層細節方面的感覺并實作雲端的統一化管理，可以保證基本的業務處理能力；
雲邊協同：對于邊緣裝置産生的資料，可以進行先期推理運算并将結果收集交由中心進行分析訓練處理，此後将訓練結果傳回給邊緣裝置，這種方案可以顯著提升訓練效率；
資源排程：合理的資源排程可以讓系統變得高效穩定，同時讓裝置資源的使用率最大化呈現，以此保證系統的高效穩定。
抛開對裝置運算能力的要求，裝置儲存性能也會影響到雲邊端一體化的效率。為了雲邊協同平台的計算能力，阿裡推出 Link IoT Edge 平台。通過部署在不同量級的智能裝置和端側計算節點中。通過
定義物模型連接配接不同協定、不同資料格式的裝置，提供安全可靠、低延時、低成 本、易擴充的本地計算服務；
雲計算與邊緣計算如何協同
以物聯網場景舉例。物聯網中的裝置産生大量的資料，資料都上 傳到雲端進行處理，會對雲端造成巨大的壓力，為分擔中心雲節點的 壓力，邊緣計算節點可以負責自己範圍内的資料計算和存儲工作。同 時，大多數的資料并不是一次性資料，那些經過處理的資料仍需要從 邊緣節點彙聚集中到中心雲，雲計算做大資料分析挖掘、資料共享， 同時進行算法模型的訓練和更新，更新後的算法推送到前端，使前端裝置更新和更新，完成自主學習閉環。同時，這些資料也有備份的需要，當邊緣計算過程中出現意外情況，存儲在雲端的資料也不會丢失。
雲計算與邊緣計算需要通過緊密協同才能更好地滿足各種需求 場景的比對，進而最大化展現雲計算與邊緣計算的應用價值。同時， 從邊緣計算的特點出發，實時或更快速的資料處理和分析、節省網絡流量、可離線運作并支援斷點續傳、本地資料更高安全保護等在應用
雲邊協同的各個場景中都有着充分的展現。