边缘计算：科技行业的下一个万亿美元机会_云计算

边缘计算：科技行业的下一个万亿美元机会

即使云计算领域不断采用新技术，越来越多的计算工作也将转移到边缘。发生这种变化的一个关键原因是：边缘计算不是云计算的继承者，而是技术覆盖范围的又一次扩展，代表了未来投资和增长的一个绝佳机会。根据调研机构IDC公司的调查，到2025年，物联网设备数量预计将超过560亿台。

随着边缘设备和计算技术的采用量持续飙升，很多企业需要在内部部署设施中处理来自这些设备中不断增加的数据，以便能够实时对数据进行处理。这将需要对适应边缘的基础设施以及相关工具和平台进行投资。企业采用的技术即将再次转型——在创建和使用数据时处理和分析一些数据正成为一项业务需求，就像将技术堆栈的其他部分移动到云中一样。

企业必须基于不断更新的数据，通过边缘设备提供更好的客户体验。而从云平台或内部部署数据中心上传和下载数据通常需要很长时间。无论数据是在消费者的智能手机上还是在生产车间，企业都需要尽可能接近需要实时数据驱动响应的边缘来处理和分析数据。

提供这些功能的竞争已经很激烈。许多供应商将边缘计算视为他们的下一个价值万亿美元的市场机会，这些供应商包括云计算服务提供商、电信运营商，以及服务器和存储基础设施提供商。

为什么采用边缘计算

边缘计算已经以各种形式存在了几十年。例如，在工厂使用的设备上部署独立软件的例子数不胜数，这些设备使制造过程的各个方面实现自动化。近年来，其中许多系统已连接到互联网，使企业能够更容易地收集和共享数据。现在的挑战是，在边缘生成的数据量往往超过了通过广域网(WAN)传输该原始数据的实际程度，企业需要能够在网络边缘处理和分析大量数据的平台。然后，在边缘平台上处理的数据的聚合结果可以更高效地与云平台中、内部部署IT环境甚至网络本身中运行的其他应用程序共享。

低延迟要求是当今最大的挑战。在许多情况下，在电信网络边缘的网关上运行的应用程序需要能够在几分之一秒内响应移动计算应用程序的数据请求。在其他情况下，边缘应用程序正在推动自动化工厂的运营，需要动态调整以适应在扩展企业边缘处理的分析。

还有更高级的用例，其中包括为无人驾驶车辆实时处理计算机视觉数据的车载计算机和有望改变制造业的机器人应用。

硬件进步使边缘计算成为可能

低延迟网络连接、高功率计算和大存储需求的竞争需求正在推动边缘计算硬件的创新。例如，自动驾驶汽车生产商特斯拉公司在其设备中添加了定制处理器，能够预处理大量数据，执行机器学习推理以做出快速驾驶决策和预测，甚至对自动驾驶车辆本身进行一些深度学习模型训练，然后将数据子集发送给中央系统进行更多训练。

今年早些时候，特斯拉公司推出了一款拥有60亿个晶体管的核心处理器。该公司声称，该处理器与在特斯拉ModelS、Model3和ModelX型号中采用的Nvidia GPU相比，其性能提高了21倍。除了AMD公司和Intel等传统CPU供应商的CPU之外，这些功能强大的处理器还用于信息娱乐等主流应用中。

凭借这种边缘计算能力，特斯拉公司的自动驾驶汽车可以处理传感器数据，使其能够识别自动驾驶汽车周围的行人、道路上的其他车辆、紧急路旁标志和潜在危险的移动物体。该传感器数据还通过预加载的地图数据和GPS连接进行处理。此外，特斯拉自动驾驶汽车中计算机通过特斯拉的网络将信息传递到海量存储设施，在那里对数据进行分析，以改进自动驾驶和其他功能，然后通过网络将对车辆软件堆栈的改进下载到自动驾驶车辆上。

医疗保健是一个对高级机器学习设备和软件有着类似需求的行业。来自磁共振成像(MRI)和其他具有推理计算能力的扫描设备部署在多个地点的图像也需要类似于特斯拉汽车所需的计算能力和网络基础设施。然而，大多数医院并没有兴趣或资金来构建自己强大的边缘计算硬件，并且没有技术供应商的技术能力。

随着半导体电路技术的发展，对于业务更广泛的企业而言，以节能的方式在边缘运行应用程序的能力变得更加现实。随着处理器的每次新迭代，边缘平台的总成本将继续下降，而可用于运行应用程序的设备功率也在稳步增加。

边缘网络

无论在边缘处理和分析了多少数据，庞大的数据量都会对网络带宽产生更多需求，从而产生潜在的瓶颈。一个主要瓶颈是回程——边缘设备与中央服务器和网络之间的延伸。未来的边缘网络基础设施可能包括5G、更强大的WiFi连接和设备、低延迟菊花链系统、光纤系统(例如谷歌正在开发的光纤系统)、卫星连接，以及有待开发的技术的组合，但有一件事是肯定的：数据量的增长速度快于网络带宽。

如今，企业可以选择在几种可用的有线和无线网络替代方案中连接边缘平台。涉及边缘计算的用例数量正在增加，其部分原因是无线5G网络使跨多个互连边缘平台共享数据成为可能。例如，员工佩戴增强现实耳机，不仅可以与本地同事共享数据和分析，还可以与数百公里之外的同事共享数据和分析。

随着电信运营商继续虚拟化用来提供5G服务的网络基础设施，在更广泛的地理区域内提供这些服务的成本应该会稳步下降。如今，4G网络在每平方公里的范围内可以支持大约4000台设备，而5G网络可以在同一范围支持的设备多达300万台。

就5G技术的发展来说，现在下结论还为时尚早。凯捷公司对1000家计划将5G纳入其运营的工业组织进行的调查中发现，只有不到三分之一(30%)的企业已进入试验和实施阶段。然而，通信运营商已经在定义6G无线标准，这些标准有望在未来十年内为无线网络带来又一次巨大飞跃。

无论采用何种网络，企业仍需要在在边缘处理、存储和最终处理的数据量与需要通过WAN传输并合并到各种其他网络中的聚合数据量之间取得平衡，集中处理数据或充当记录系统的平台。

安全因素

可以说，边缘计算的最大障碍是安全性。企业每次在部署边缘计算平台时，需要防御的网络攻击面都会增加。这些边缘计算平台也由运营技术(OT)团队管理，而企业的运营技术(OT)团队通常不会像谷歌公司的数据中心安全团队那样拥有丰富的网络安全专业知识。大多数企业都试图将他们的运营技术(OT)和传统信息技术(IT)团队融合在一起，以部署、管理和保护边缘平台。然而，这两个团队的文化却截然不同，企业需要时间来协调这两个团队的工作。

更具挑战性的是，很难找到和保留具有网络安全专业知识的人才。网络犯罪分子已经发现运营技术(OT)环境的脆弱性。而网络攻击事件已经证明，控制电网和其他关键基础设施系统的工业控制系统是网络攻击者的主要目标。从他们的角度来看，连接到网络的每个边缘计算平台都是一种工具，通过它们可以将恶意软件引入IT环境。恶意软件只需几分钟即可在整个平台上快速传播。

最终，企业将很快花费大量资金来保护边缘计算平台。一旦边缘计算系统被锁定并确保安全，可以改善整体网络防御——在边缘处理更多数据而不需要移动数据，因为可以显著减少网络攻击面。

边缘计算生态系的发展

一旦适当级别的基础设施部署到位，面临的下一个挑战就是构建应用程序。容器技术的广泛采用使开发人员能够使用需要更少内存和存储的工具来构建应用程序。如今的大多数容器环境在某种意义上都是去中心化的，例如基于Docker和Kubernetes的容器环境，但却运行在像数据中心这样的中心化环境中。更小的容器工作正在取得进展，这使得在距任何服务器或网关数百公里的石油钻井平台上部署应用软件变得更加容易。

开源Kubernetes容器编排引擎的轻量级实例开始受到关注。无论部署在哪个平台上，Kubernetes通过呈现一组一致的应用程序编程接口(API)，提供了在高度分布式计算环境中集中部署和管理基于现代微服务的应用程序的机会。

工业API规范和框架也开始出现，用于机器学习、数据科学和其他支持边缘计算的技术。英特尔公司和其他公司支持的oneAPI就是一个例子，它为开发边缘应用程序提供了一个框架。

开发平台的提供商也在竞相创建框架，使在边缘计算架构中构建应用程序变得更简单，无缝调用在云平台中运行的后端应用程序服务。Apache Airflow和Kafka等分布式事件流平台可以在允许边缘计算平台与这些后端平台大规模共享数据方面发挥作用。一些企业还将调用内容交付网络(CDN)的服务，以提高已构建的全球接入点(PoP)网络部署的应用程序的性能。

最后，部署在边缘的有状态应用程序可能需要提供对持久数据形式的访问的本地数据库。如今部署的大部分容器应用程序都是无状态的——它们将数据存储在外部存储系统上。构建访问本地Kubernetes集群上容器中数据的有状态应用程序更具挑战性。

已经有大量熟悉容器平台的开发人员在等待，直到改进的硬件和软件尽可能地在边缘简化和安全地部署高度可迁移的应用程序。

即将到来的人工智能和数据管理挑战

机器学习和人工智能的兴起可能会推动未来激动人心的边缘创新。如今，人工智能模型通常在位于中央的云计算平台中进行训练。然后可以在生产环境中创建和部署，人工智能和机器学习推理引擎，在该环境中，经过训练的人工智能引擎会在发现新数据时推断出要采取的操作。

随着时间的推移，这些推理引擎会随着收集的新数据量超过原始人工智能模型所基于的参数而发生漂移。与IT和OT团队合作的数据科学团队需要训练新的人工智能模型来替换边缘的推理引擎。虽然人工智能和机器学习的能力不断进步，结合低功耗和高性能处理器和其他有助于降低成本的组件，可以提高预测系统的准确性和性能，但通常不会降低发生这种漂移的程度。

如果人工智能模型至少可以在边缘部分重新训练，这有助于减少预测精度漂移。然而，在边缘平台内有效地重新训练人工智能模型所需的软件和硬件基础设施仍处于早期阶段。也就是说，随着越来越强大的硬件成本的下降和边缘机器学习软件系统的改进，在边缘进行训练的能力将变得更加可行。