云计算不再足以即时处理和分析物联网设备、联网汽车和其他数字平台生成(或即将生成)的海量数据。例如，拥有自动驾驶的车辆本质上是车轮上的高性能计算机，其通过多个传感器收集数据。为了使这些车辆安全可靠地运行，他们需要立即响应周围环境。处理速度的任何滞后都可能是致命的。

虽然连接设备的大部分数据处理现在都在云中进行，但是在中央服务器上来回发送数据可能需要几秒钟的时间。到2020年，估计智能驾驶汽车每天将产生1.5 GB的数据。随着更多设备连接到互联网并生成数据，云计算可能无法全部处理——特别是在某些需要更快响应速度的用途。

边缘计算可以为自动驾驶汽车提供更快的数据处理，但它是如何工作的？

边缘计算使连接的设备能够处理更靠近创建位置的数据——或者“边缘”。这可以是在设备本身(即传感器)内，也可以是在设备附近，提供了一种将数据发送到集中云进行处理的替代方案。包括亚马逊(Amazon)、微软(Microsoft)和谷歌在内的一些最大的科技公司正在探索边缘计算，这可能会引发下一场大型计算竞赛。

向边缘计算的转变

在我们这个数据密集型的未来，随着数十亿设备接入互联网，更快、更可靠的数据处理将变得至关重要。近年来，事实证明，云计算的整合和集中特性具有成本效益和灵活性，但物联网和移动计算的兴起对网络带宽造成了压力。

最终，并不是所有的智能设备都需要使用云计算来运行。在某些情况下，可以而且应该避免这种反复的数据传输。这就是边缘计算的用武之地。根据CB Insights市场规模评估，到2022年，全球边缘计算市场预计将达到67.2亿美元。

虽然是一个新兴领域，但在云计算运作的某些领域中，边缘计算可能会更有效率。边缘计算使数据处理更接近其创建的位置(例如，电机、泵、发电机或其他传感器)，从而减少了在云之间来回传输数据的需要。

据研究公司IDC 称，边缘计算被描述为“ 由微型数据中心组成的网状网络，可在本地处理或存储关键数据，并将所有接收的数据推送到中央数据中心或云存储库，占地面积小于100平方英尺 ”。

例如，列车可能包含可立即提供其发动机状态的传感器。在这种情况下，无论是运行数据在火车上还是在云中，传感器数据都不需要前往数据中心，就可以查看是否有东西影响了发送机运转。

例如，列车可能包含可立即提供其发动机状态的传感器。在这种情况下，无论是运行数据在火车上还
对数据处理和存储进行本地化可以减轻计算网络的负担。当发送到云的数据更少时，延迟的可能性(云与物联网设备交互导致的数据处理延迟)就会降低。这也对硬件底层边缘计算技术承担更多责任，该技术包括用于收集数据的传感器和用于处理连接设备内的数据的CPU或GPU。

智能制造业为什么看好边缘计算

智能制造可以从现代工厂中使用的大量传感器中获得启发。减少边缘计算的延迟问题可以使制造工作流中更快、更灵敏的更改，从而能够实时应用洞察力和操作。这可能包括在机器过热之前关闭它。工厂可以使用两个机器人，配备传感器并连接到边缘设备，以执行相同的任务。边缘设备可以运行机器学习模型来预测其中一个机器人是否会发生故障（如图所示）。

如果该边缘设备确定机器人可能发生故障，则会触发一个动作来停止或减慢它。这将允许工厂实时评估潜在的故障。如果机器人可以自己处理数据，它们可能会变得更加自给自足和反应灵敏。边缘计算应该允许从大数据生成更大，更快的洞察力，并且可以将更多的机器学习应用于操作。

最终目标是利用正在创建的大量数据的未开发价值，预防安全危害，并减少工厂车间的中断。 从可穿戴设备到智慧工厂，再到智能驾驶，物联网设备的发展越来越广阔。边缘计算可以提供另一种高效的解决方案，围绕着设备功能开发能够处理软件和硬件能力，打破了集中式云数据中心数据管理、处理和存储传统架构的局限性。