寫在前面：不久前 CBinsights 發佈了一份邊緣計算報告，我做了一些編譯和整理，加入了一些行業新動態，同時也有一些我的思考。
<strong>邊緣計算出現的背景
過去這麼多年，科技行業裡一直有個詞很流行，這就是「大數據」。在英文世界，關於大數據「big data」也有一個惡俗但也不失精準的比喻：
big data is like teenage sex;
everyone talks about it
nobody really knows how to do it
everyone thinks everyone else it doing it,
so everyone claims they are doing it…
從技術發展的角度去看，這段調侃的核心還是對如何處理大數據的不解和困惑。事實上，當 2006 年亞馬遜推出第一個雲服務的時候，整個世界還沒有被數據包圍。一年後，iPhone 的出現以及隨後 Android 手機「集團軍」的崛起，數據被這些移動設備大批次地生產出來，緊接著，IoT、聯網汽車以及智能音箱等消費市場的產品，當然還有不同垂直領域裡的工業級應用，都成為更多元化的數據生成器。
這些海量的數據被不斷生產出來，然後不同的公司、開發者再經過或簡單或複雜的過程將數據搬運到公有云的數據倉庫之中，接下來，這些公司和開發者則使用雲服務商——亞馬遜、微軟、阿里雲、Google——提供的各種數據分析、挖掘工具，從中找出「insight」。
某種意義上說，<strong>移動互聯網加速了大數據進程，而大數據又推動了雲計算的發展，過去十年的科技發展史，移動互聯網、大數據以及雲計算共同寫下了濃墨重彩的一筆。
在 CBinsights 的數據庫裡，2019 年全球 IoT 市場預計達到 17000 億美元，這個巨大的市場規模也意味著將有海量的數據需要處理，也進一步刺激了雲計算公司的發展，下圖是關於雲計算的新聞熱度。
更進一步，雲計算公司，尤其是主打公有云的公司，也進入到發展的快車道，下圖是美國三大公有云公司過去兩年客戶增長狀況。
但隨著數據量的繼續增加以及數據處理多樣化的要求，基於雲端的大數據處理面臨諸多挑戰。
以當下火熱的自動駕駛汽車為例，從產品形態上看，自動駕駛汽車更像是一個「移動數據中心」。由於配備了非常多的傳感器，汽車隨時隨地都在感知周圍環境，從而源源不斷地產生數據。汽車需要將這些數據實時處理，形成汽車行駛過程的指令。
比如當汽車感知到右側有車流匯入時，就需要實時計算出車速、車距（包括與右側、左側、前、後），進而下達指令，或是減速，或是並道，這一系列複雜的計算過程必須實時而且還需要低延時。此時，如果數據在雲端服務器處理，那麼數據傳輸過程中的任何的延時都可能導致一場車禍的發生。
類似這樣的數據處理需求正在變得越來越多，比如普通人類個體每天產生的數據量也以驚人的速度增長。預計到 2020 年，普通人每天平均產生 1.5GB 的數據，這些數據可能來自於智能手錶、手環收集的運動數據，也可能來自智能手機收集的交通數據以及你瀏覽網頁、社交媒體等產生的 Cookie 數據等等。
新的數據需求也催生了新的技術/商業模式，這便是最近一兩年來「邊緣計算（Edge computing ）」所產生的大背景。
<strong>邊緣計算的優勢
在邊緣計算的發展過程中，還有一個概念值得注意，這就是所謂「霧計算（fog computing）」。
這兩個概念有容易混淆。「霧計算」更強調在設備的網關裡處理數據，數據被「霧計算」收集到設備的網關，進而處理、存儲，並將處理後的數據發揮需要數據的設備中。
而邊緣計算更強調「邊緣」，也就是更靠近數據生成的設備端，「霧計算」則介於雲計算和邊緣計算之間。
這也意味著，邊緣計算有著諸多「先天優勢」，其一，更實時、更快速的數據處理能力。由於減少了中間傳輸的過程，數據處理的速度也更快。
其二，成本更低。邊緣計算處理的數據是「小數據」，從數據計算、存儲上都具有成本優勢。
其三，更低的網絡帶寬需求。隨著聯網設備的增多，網絡傳輸壓力會越來越大，而邊緣計算的過程中，與雲端服務器的數據交換並不多，因此也不需要佔用太多網絡帶寬；
第四，提升應用程序的效率。結合上面的三個優勢來看，當數據處理更快、網絡傳輸壓力更小、成本也更低的時候，應用程序的效率也會大大提升。
第五，邊緣計算讓數據隱私保護變得更具操作性，這在今年 5 月歐盟通過史上最嚴格的數據保護法律之後意義重大。由於數據的收集和計算都是基於本地，數據也不再被傳輸到雲端，因此重要的敏感信息可以不經過網絡傳輸，能夠有效避免傳輸過程中的洩漏。
<strong>邊緣計算的玩家們
下圖裡，你會發現邊緣計算的新聞關注度從 2017 年開始變得越來越高。
邊緣計算的幾個重要玩家也是公有云的巨頭，亞馬遜、微軟、Google 先後有自己的佈局。
亞馬遜在 2017 年推出了 AWS Greengrass，這是一個可以將亞馬遜 AWS 服務部署到終端設備的產品。官方稱，通過 Greengrass，可以實現本地數據收集、處理，同時雲端還可以繼續管理數據。
微軟在 2018 年 Build 大會上將邊緣計算作為一個重中之重，我曾在 5 月的會員通訊裡作出過分析：
……微軟的野心是希望通過構建一個「雲—端」的協同產品通道，將人工智能的各項能力輸出到各個產品中，比如今年的主旨就是邊緣計算。
為此，微軟在邊緣計算領域持續發力。開源了 Azure IoT Edge Runtime，這是一個連接雲和物聯網設備的開發框架。開發者通過這個框架可以直接在設備端開發擁有機器學習能力的應用，比如第一批合作伙伴裡的大疆，就利用這個框架實現無人機本地的圖像識別功能。
同時，微軟還將高通拉入自己的陣營，合作的主旨也是視覺領域的邊緣計算，快速構建移動終端設備上的圖像處理能力……
Google 則在今年 Google Cloud Next 大會期間發佈了兩個產品：雲端芯片 Edge TPU（硬件）和軟件工具 Cloud IoT Edge（軟件）。Google Cloud 官方這樣介紹兩個產品：
Cloud IoT Edge extends Google Cloud’s powerful data processing and machine learning to billions of edge devices, such as robotic arms, wind turbines, and oil rigs, so they can act on the data from their sensors in real time and predict outcomes locally……
除此之外，還有很多科技巨頭加入到邊緣計算的賽場。比如惠普企業（Hewlett Packard Enterprise）就表示將在未來四年投資 40 億美元用於邊緣計算。惠普企業的邊緣計算產品名叫「Edgeline Converged Edge Systems」，其主要客戶群體是工業領域，比如油田、煤礦等，這些特定行業的工作環境裡，無法滿足雲端數據的處理條件，因此邊緣計算就成為一個重要需求。
今年 4 月的雲棲大會深圳峰會上，阿里雲掌舵者胡曉明代表阿里巴巴宣佈進軍物聯網，並將物聯網作為電商、金融、物流、雲計算之後的「新賽道」。
戰略層面，胡曉明提了一個「小目標」，阿里雲計劃在未來 5 年內連接 100 億臺設備。而在戰術上，阿里希望「打通雲、邊、端，整合包括物聯網操作系統 AliOS Things、IoT 邊緣計算產品、通用物聯網平臺，實現物的實時決策和自主協作。」
不過，阿里巴巴在國內將面臨華為的巨大壓力，在阿里巴巴發佈物聯網計劃之後，華為的發佈了一個意味深長的圖片。
<strong>邊緣計算的應用場景
微軟 CTO Kevin Scott 曾坦言，邊緣計算還處在相對早期階段。但透過這段時間內的場景落地狀況，我們也可能窺見邊緣計算的潛力。
如上文所言，自動駕駛成為邊緣計算領域重要的行業應用，下圖是英特爾對於自動駕駛汽車上的「數據洪流」的描述。
不過，當下自動駕駛也處在早期階段，車聯網或者聯網汽車則是汽車領域可以馬上落地的場景。
在國內，不管是阿里旗下的斑馬網絡還是百度的小度車載，都在將汽車變成一種「移動的數據中心」，只是相對於自動駕駛，聯網汽車的數據量和處理要求要簡單很多。即便如此，由於汽車的數據處理不能出現任何的卡頓和延遲，這也就需要在汽車裡部署數據處理能力。
另一個應用場景則是醫療。前幾年風靡一時的所謂智能手環，本質上就是一個數據採集器，但是由於需要和雲端服務器進行數據交換，使得整個手環的「智商」幾乎為零。
隨著蘋果發佈 Apple Watch 所帶來的新穿戴設備潮流，這些邊緣設備也終於開始擁有了自己的芯片，並能實現一些簡單的計算。醫生也可以通過這些計算結果作出一些簡單診斷。
更進一步，在美國，醫療領域的本地數據非常多樣化，比如醫院的病床可以和 20 多個設備連接，這些數據被收集、清洗、挖掘之後，可以幫助醫生更好地瞭解病人的身體狀況。
工業領域，邊緣計算也正在發揮越來越重要的作用。從工業發展的方向來看，數據將成為驅動生產製造的重要生產資料，那麼如何處理這些海量、實時產生的數據就成為企業能否快速發展的重要課題。
以流程型生產為例，一條生產線其實就是數據流動的通道，產品從上一名工人傳遞到下一個工人，同時伴隨著產品數據的傳遞。在這個過程中，如果由於某一名工人錯誤操作的導致了數據異常，在下一名工人開始操作時，基於邊緣計算的生產線可以做出預警提示。如果再進一步，當機器學習能力被邊緣計算融入到生產線的時候，工人的不合規操作可以被實時監測出來並預警，這對提升產品的良品率意義重大。
<strong>尾巴：邊緣計算不是雲計算的替代品
前面談了這麼多邊緣計算的優勢和應用場景，並不是要證明邊緣計算可以替代雲計算，兩者沒有誰好誰壞，更應該具體到不同設備、不同應用以及不同場景裡，看看到底誰更合適。
兩年前，利用基於雲端的卷積神經網絡算法，一款名叫「Prisma」迅速竄紅，用戶只要將自己拍攝的照片交給這個 App，就會得到一張可媲美歷史名畫的「藝術照片」。這款應用雖然得到全球用戶的青睞，但是由於該應用的處理流程，要求每張圖片都要上傳到雲端服務器，通過雲端的卷積神經網絡算法來處理這些照片，因此用戶體驗非常差。
這便是一個典型需要邊緣計算的場景，而當 2017 年，包括華為、蘋果都在新一代智能手機芯片中加入 NPU（神經網絡處理單元）之後，也賦予了智能手機全新的邊緣計算處理能力，華為 P20 Pro 的逆天夜拍效果，除了硬件堆積之外，處理器的 NPU 也發揮了不小的作用，去年蘋果推動的 AR 應用（遊戲）開發熱潮，其底層的技術支撐就是 iPhone 擁有了可以在邊緣處理實時、海量數據的能力。
從智能手機到可穿戴設備，從醫療到汽車以及工業製造，邊緣計算正在上演一個又一個行業傳奇，<strong>它的落腳點是要讓終端成為更智慧的存在——能夠實時處理數據、能夠低延時做出反饋——這不就是我們期待中的智能設備嗎？
閱讀更多 趙賽坡商業評論 的文章
