边缘与云，这（zhè）一快速技术（shù）发（fā）展中日益激（jī）烈的争论

如（rú）今，边缘（yuán）计算一直是（shì）热门话（huà）题。被誉为近年来最令人兴奋（fèn）的技术转变，关于（yú）其变革力量的（de）讨论很多（duō）！随着越来越（yuè）强大的 AI/ML 算法重新（xīn）定义（yì）“智能（néng）”以及更便宜、更强大的“边缘”设备的可用性，这种（zhǒng）炒作（zuò）在（zài）很大程（chéng）度（dù）上是真实的（de）。但是，如果要考虑边（biān）缘计算的历史（shǐ），它会比（bǐ）最近的（de）兴趣让我们（men）相信的更（gèng）早（zǎo）。事实上，计算和智能最初（chū）始于边缘，当时大多数应用程序几乎不（bú）存（cún）在高带（dài）宽（kuān）网络连接。即使在 1990 年代后期，远程部署在（zài）工厂或（huò）现场（chǎng）的关键测量设（shè）备通常也具有处（chù）理（lǐ）传（chuán）入传（chuán）感（gǎn）器（qì）数据的专用（yòng）计算（suàn）能（néng）力。然而，这些设备（bèi）中的算法在“智能”方面只是初级（jí）的：主要是信号处理或（huò）数（shù）据转换。随（suí）着网络能力的（de）提高和（hé）连接性的（de）提高，基于云的计算在（zài） 2000 年（nián）代后期开始（shǐ）受到关注。与此同时，强（qiáng）大（dà）的人工智能算法作为一种从大量结构化和非（fēi）结（jié）构（gòu）化数据中解锁有意义信息（xī）的（de）手段（duàn）而备受关注。在短短十（shí）年内（nèi），云 AI 已成为 AI 应用程序的首选。但是（shì），向（xiàng）云的转变也带（dài）来了几个问题：数据上传和下载成本、网（wǎng）络可靠性和数据安全等等。与此（cǐ）同（tóng）时，随着（zhe）价格实惠但（dàn）功（gōng）能强大的边缘设（shè）备的兴起，边缘计（jì）算（suàn）在处理能力和（hé）成本或占地面积之间的权衡正（zhèng）在减（jiǎn）少。似（sì）乎我（wǒ）们现（xiàn）在又回到了考虑“边缘计算（suàn）”作为构建智能应用程序（xù）的（de）可（kě）行（háng）且有吸引力（lì）的选择（zé）。

随着关于边缘（yuán）人工智能和（hé）云人工智能哪个更好的（de）辩论（lùn）越来（lái）越激烈，任何（hé）熟悉这两个（gè）框（kuàng）架的人（rén）都可能会回答“这要（yào）看情（qíng）况了（le）！”。原因（yīn）是边（biān）缘和云基础设施不是竞争的（de），而是互补的框架。在（zài）过去的几年里，两者都经历（lì）了（le）巨大的（de）发展和完善，特别是作为人工（gōng）智（zhì）能开发和（hé）部署的基础。与任何技术选择一样，选（xuǎn）择实际上可归（guī）结为具体的应（yīng）用:目标、价值（zhí）驱动因（yīn）素、经济性以及对功（gōng）耗、尺寸和连接性的任（rèn）何限制。因此，在（zài）尝试建立（lì）正（zhèng）确的基础设施（shī）之前，必（bì）须了（le）解云和边缘人工（gōng）智能的利弊。

当寻求灵活性（xìng）、可扩展（zhǎn）性和易（yì）于部署时，基于云的人工（gōng）智能是一个有吸引力（lì）的（de）选择。如今，大（dà）多（duō）数（shù）云服务提供商为人工智能模型（xíng）的培训和部署提供了强大的框架，并提（tí）供了按需付费的（de）包，几乎没有（yǒu）前期承（chéng）诺或投资。云提供（gòng）了几（jǐ）乎（hū）没有限制的计（jì）算和存储（chǔ）选项（xiàng），使其特别（bié）适合大型人工智能模型。但对于需要连续（xù）评（píng）估传（chuán）感器或图像数据（jù）的实时应用（yòng）程序来说，这可能会成为（wéi）一个笨拙的选择，因为（wéi）它们（men）必须来回传输数据（jù），从而导（dǎo）致巨大的成本。这种（zhǒng）数据传（chuán）输（shū）也使得云（yún）在很大程（chéng）度上不适合需要闭环控制或即时行动的低延迟（chí）应用程（chéng）序。

另一方面， 边缘人工（gōng）智能是自（zì）动报警或闭环控制的实时数据分（fèn）析的合理（lǐ）选择。虽然边缘基础设（shè）施确实需要在边缘硬件上进行前（qián）期投（tóu）资（zī），但运营成本与云相比要低得（dé）多。今天（tiān），有各种各样的边（biān）缘人工智能硬件选（xuǎn）项（xiàng）可（kě）用，包括npu(神经处理单元)、TPU(张（zhāng）量处理（lǐ）单元)以及（jí）带有专（zhuān）用人工智能加速器（qì）的SOC(片（piàn）上系统)和SoMs(模块上系统)。人工智（zhì）能的低成（chéng）本和（hé）低功耗硬件是一个活跃的（de）研究领域，并有可能提供更好的选择。另（lìng）一方面，基（jī）于人工智能的消费应用必须处理相当（dāng）多样（yàng）化的（de）边缘（yuán）设备（bèi）(手机、平板电脑、个人电脑等)，这使得（dé）边缘部署成为一个潜（qián）在（zài）的令人生畏的前（qián）景。因此，边（biān）缘基础（chǔ）设施（shī）可能不利于快速原型开（kāi）发，也不容易扩展。虽然（rán）联合学（xué）习，AI模型（xíng）的分布式（shì）训练的（de）概念允许（xǔ）在边缘进行（háng）训练和部署，但云仍然是（shì）训练需要足够计算能力的大型模型的逻辑选（xuǎn）择。

但解决方案不一定是非此即彼的选择。随着应用程序（xù）过渡到（dào）更多基（jī）于微服务的架（jià）构，它们可（kě）以分解为（wéi）具有自己特定部（bù）署框架的更小的功（gōng）能或微服务。因此，不必在云和边（biān）缘之间进（jìn）行选择，重点可（kě）以放在针对特定应用（yòng）程序优化使用两者。例如，一个应用程序可能从云上的快速原型开始。随着（zhe）它的发（fā）展，需要低延迟和实时决策的功能可以（yǐ）转移（yí）到边（biān）缘，而那些需要规（guī）模和灵活性的功（gōng）能可以保留在云中。模型训练或（huò）再训练可以（yǐ）在云端集中管理，而边（biān）缘的一些联邦学（xué）习可（kě）以在本地提高准确性。同样，敏感数据可（kě）以在边缘（yuán）处理，更通用的数据可以转移到云端。

组织、开发（fā）人员（yuán）和从（cóng）业（yè）者最好不要将（jiāng）云和（hé）边（biān）缘视为不同的替代方（fāng）案（àn），而是将其（qí）视为从边缘（yuán）到（dào）云的连续统一体，中间有许多不（bú）同的基础（chǔ）设施（shī）选项。这包括不同类型的边缘——运营边缘、网络（luò）边（biān）缘、移动（dòng）端点（diǎn）等，以及网（wǎng）络（luò）上不同类型的分布式处理（lǐ）——私有云、公（gōng）共云、小云、雾计算等。虽然复（fù）杂性可能是（shì）一个挑战，但（dàn）找到正确的技（jì）术组合（hé）开始为组（zǔ）织（zhī）提供一个（gè）独特的机会，以最大（dà）限度地提高（gāo）人工智能的价值，同时最大限度地降（jiàng）低成（chéng）本和（hé）风险。