在電子智能領域，所有類型的芯片廠商都不約而同的研發推出各種不同類型的AI處理器。國外大企，像高通、英偉達等，都已宣布推出用于智能手機和其他移動設備的神經引擎。例如在智能手機中添加AI功能和手機的Face ID應用等。使用邊緣側AI自行處理相比傳輸到云端處理更安全、私密，響應時間更快。

按照整體大趨勢，不出意外的，神經網絡引擎／加速器成為主流。幾年后，每臺帶有攝像頭的設備都將包含具有AI功能的視覺處理和神經網絡引擎。

什么是邊緣計算？

在邊緣計算參考架構2．0中，對邊緣計算有這樣的定義：

“邊緣計算是在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的分布式開放平臺，就近提供邊緣智能服務，滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求。它可以作為聯接物理和數字世界的橋梁，使能智能資產、智能網關、智能系統和智能服務。”

邊緣處理的優勢在于減少延遲，全網絡覆蓋，增加了隱私和安全性，并減少了與云端的通信，從而降低了成本。

在AI智能應用到安防領域中，邊緣側AI已經使得已知或未知的人臉檢測、語音生物識別、聲音檢測、動作感應得以實現，WiFi、藍牙或蜂窩網絡都可以自行連接，這些功能都可以自行決策。

當邊緣側AI應用在汽車領域，可以作用于視覺傳感器對駕駛員起到一個監視器作用，可幫助駕駛員進行決策，并根據實際情況采取行動，同時通過深度學習不斷改善，以不斷提升決策的準確性。同時也可作用于前視攝像頭系統、夜視環繞視圖盲點檢測、后／停車檢測等，同時對實現定位、V2X通信及車內互連等功能都有很大的幫助。

神經網絡－ANN

神經網絡其實就是一種運算模型，它由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。

一個函數的權重加權（每個輸入信號x1， x2， x3，對應的權重分別為w1， w2， w3，然后加上內部強度（用 b 表示），然后激活函數（用 a＝σ（z） 表示）

整個公式為：

w和x都是 3x1 的列向量，其中w轉置后為 1x3 的行向量，因此與x相乘后為標量（實數），然后和 b 相加就得到標量 z，z被代入到激活函數 a＝σ（z） 得到神經元的輸出，這里的 a 表示神經元的激活狀態。σ（z）被稱為激活函數。

整個神經網絡分為：輸入層，隱藏層，輸出層。一般說L層神經網絡，指的是有L個隱層，輸入層和輸出層都不計算在內的。

一個神經元被稱為 邏輯斯蒂回歸（logistic regression） ，隱層（hidden layer）較少的被稱為 淺層，而隱層較多的（比如這個圖中的5 hidden layer）被稱為 深層 ，基本上是層次越深越好，但是帶來的計算成本都會增加，有時候不知道個該用多少的時候，就從logistic回歸開始，一層一層增加。人工神經網絡是并行分布式系統，采用了與傳統人工智能和信息處理技術完全不同的機理，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。

神經網絡的壓縮與簡化一直是業界在AI智能上做出創新和研發的重要課題。未來神經網絡將和CPU、GPU和視頻編解碼器一樣，成為SoC的標準IP模塊。

深度學習－DL

深度學習DL是基于機器學習ML基礎上升級的，我們暫時將人工智能類比成孩子的大腦，深度學習是讓孩子去掌握認知能力的過程中很有效率的一種教學體系。深度學習是達到人工智能的一種方法和工具。

深度學習通過神經網絡（Neural Network， NN）來模擬人的大腦的學習過程，希望通過模仿人的大腦的多層抽象機制來實現對數據（畫像、語音及文本等）的抽象表達，將features learning和classifier整合到了一個學習框架中，減少了人工／人為在設計features中的工作。“深度學習”里面的深度（Deep）指的就是神經網絡多層結構。

如下圖， 很多點， 深度學習之后匯出的應該是如圖一的趨勢圖， 這樣x 軸任給一個點， y軸能找到對應的值。如果數據或是運算過分的話， 原有數據的每一個點都包含的話。反而沒有規律了。

所以深度學習通過在輸出個輸入之間引入一個shortcut connection，而不是簡單的堆疊網絡，這樣可以解決網絡由于很深出現梯度消失的問題，從而可以把網絡做的很深。

邊緣計算的五大特性

1、邊緣計算的基礎－聯接性

所連接物理對象的多樣性及應用場景的多樣性，需要邊緣計算具備豐富的聯接功能，如各種網絡接口，網絡協議、網絡拓撲、網絡部署和配置、網絡管理與維護。聯接性需要充分借鑒吸收網絡領域先進的研究成果，如TSN、SDN、NFV、Network as a Service、WLAN、NB－IOT、5G等，同時還要考慮與現有各種工業總線的互聯互通。

2、邊緣計算作為物理世界到數字世界的橋梁，是數據的第一入口

邊緣計算擁有大量、實時、完整的數據，可基于數據全生命周期進行管理與價值創造，將更好的支撐預測性維護，資產效率與管理等創新應用；同時，作為數據第一入口，邊緣計算也面臨數據實時性、確定性、多樣性等挑戰。

3、邊緣計算具有約束性

邊緣計算產品需適配工業現場相對惡劣的工作條件與運行環境，如防電磁、防塵、防爆、抗振動，抗電流／電壓波動等。在工業互聯場景下，對邊緣計算設備的功耗、成本、空間也有較高的要求。

邊緣計算產品需要考慮通過軟硬件集成與優化，以適配各種條件約束，支撐行業數字化多樣性場景。

4、邊緣計算實際部署天然具備分布式特征

邊緣計算支持分布式計算與存儲，實現分布式資源的動態調度與統一管理、支撐分布式智能、具備分布式安全等能力。

5、OT與ICT的融合是行業數字化轉型的重要基礎

邊緣計算作為OICT融合與協同的關鍵承載，需要支持在聯接、數據、管理、控制、應用、安全等方面的協同。

總結

邊緣計算可以讓各個領域實現AI智能，在現代數字世界建立起對多樣協議、海量設備和跨系統的物理資產的實時映像，了解事物或系統的狀態，應對變化、改進操作和增加價值，為實現物自主化和協作化，在網絡邊緣側的智能分布式架構與平臺上，融入知識模型驅動智能化能力，開發服務框架主要包括方案的開發、集成、驗證和發布；部署運營服務框架主要包括方案的業務編排、 應用部署和應用市場。開發服務框架和部署運營服務框架需要緊密協同、無縫運作，支持方案快速高效開 發、自動部署和集中運營。邊緣側需要支持多種網絡接口、協議與拓撲，業務實時處理與確定性時延，數據處理與分析，分布式智 能和安全與隱私保護。云端難以滿足上述要求，需要邊緣計算與云計算在網絡、業務、應用和智能方面進行協同。邊緣計算可以打造一個AI的更智能的互聯世界。