詳解邊緣計算：谷歌、亞馬遜、阿里紛紛入局，邊緣計算的潛力如何？
圖片來源：視覺中國
文/趙賽坡
不久前 CBinsights 釋出了一份邊緣計算報告，原文在這裡，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。
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「大資料」。在英文世界，關於大資料「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資料的不解和困惑。事實上，當 2006 年亞馬遜推出第一個雲服務的時候，整個世界還沒有被資料包圍。一年後，iPhone 的出現以及隨後 Android 手機「集團軍」的崛起，資料被這些移動裝置大批次地生產出來，緊接著，IoT、聯網汽車以及智慧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，都成為更多元化的資料生成器。
這些海量的資料被不斷生產出來，然後不同的公司、開發者再經過或簡單或複雜的過程將資料搬運到公有云的資料倉庫之中，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——提供的各種資料分析、挖掘工具，從中找出「insight」。
某種意義上說， 移動網際網路加速了大資料程序，而大資料又推動了雲端計算的發展 ，過去十年的科技發展史，移動網際網路、大資料以及雲端計算共同寫下了濃墨重彩的一筆。
在 CBinsights 的資料庫裡，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資料需要處理，也進一步刺激了雲端計算公司的發展，下圖是關於雲端計算的新聞熱度。
更進一步，雲端計算公司，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。
但隨著資料量的繼續增加以及資料處理多樣化的要求，基於雲端的大資料處理面臨諸多挑戰。
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「移動資料中心」。由於配備了非常多的感測器，汽車隨時隨地都在感知周圍環境，從而源源不斷地產生資料。汽車需要將這些資料實時處理，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，如果資料在雲端伺服器處理，那麼資料傳輸過程中的任何的延時都可能導致一場車禍的發生。
類似這樣的資料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資料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 的資料，這些資料可能來自於智慧手錶、手環收集的運動資料，也可能來自智慧手機收集的交通資料以及你瀏覽網頁、社交媒體等產生的 Cookie 資料等等。
新的資料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。
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」更強調在裝置的閘道器裡處理資料，資料被「霧計算」收集到裝置的閘道器，進而處理、儲存，並將處理後的資料發揮需要資料的裝置中。
而邊緣計算更強調「邊緣」，也就是更靠近資料生成的裝置端，「霧計算」則介於雲端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、更快速的資料處理能力。由於減少了中間傳輸的過程，資料處理的速度也更快。
其二，成本更低。邊緣計算處理的資料是「小資料」，從資料計算、儲存上都具有成本優勢。
其三，更低的網路頻寬需求。隨著聯網裝置的增多，網路傳輸壓力會越來越大，而邊緣計算的過程中，與雲端伺服器的資料交換並不多，因此也不需要佔用太多網路頻寬；
第四，提升應用程式的效率。結合上面的三個優勢來看，當資料處理更快、網路傳輸壓力更小、成本也更低的時候，應用程式的效率也會大大提升。
第五，邊緣計算讓資料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資料保護法律之後意義重大。由於資料的收集和計算都是基於本地，資料也不再被傳輸到雲端，因此重要的敏感資訊可以不經過網路傳輸，能夠有效避免傳輸過程中的洩漏。
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 服務部署到終端裝置的產品。官方稱，通過 Greengrass，可以實現本地資料收集、處理，同時雲端還可以繼續管理資料。
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，將人工智慧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，這是一個連線雲和物聯網裝置的開發框架。開發者通過這個框架可以直接在裝置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影象識別功能。
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，快速構建移動終端裝置上的影象處理能力……
Google 則在今年 Google Cloud Next 大會期間釋出了兩個產品：雲端晶片 Edge TPU（硬體）和軟體工具 Cloud IoT Edge（軟體）。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，無法滿足雲端資料的處理條件，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、雲端計算之後的「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 年內連線 100 億臺裝置。而在戰術上，阿里希望「打通雲、邊、端，整合包括物聯網作業系統 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，在阿里巴巴釋出物聯網計劃之後，華為的釋出了一個意味深長的圖片。
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「資料洪流」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路還是百度的小度車載，都在將汽車變成一種「移動的資料中心」，只是相對於自動駕駛，聯網汽車的資料量和處理要求要簡單很多。即便如此，由於汽車的資料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資料處理能力。
另一個應用場景則是醫療。前幾年風靡一時的所謂智慧手環，本質上就是一個數據採集器，但是由於需要和雲端伺服器進行資料交換，使得整個手環的「智商」幾乎為零。
隨著蘋果釋出 Apple Watch 所帶來的新穿戴裝置潮流，這些邊緣裝置也終於開始擁有了自己的晶片，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，醫療領域的本地資料非常多樣化，比如醫院的病床可以和 20 多個裝置連線，這些資料被收集、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，資料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、實時產生的資料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資料流動的通道，產品從上一名工人傳遞到下一個工人，同時伴隨著產品資料的傳遞。在這個過程中，如果由於某一名工人錯誤操作的導致了資料異常，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。
尾巴：邊緣計算不是雲端計算的替代品
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端計算，兩者沒有誰好誰壞，更應該具體到不同裝置、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路演算法，一款名叫「Prisma」迅速竄紅，使用者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使用者的青睞，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伺服器，通過雲端的卷積神經網路演算法來處理這些照片，因此使用者體驗非常差。
這便是一個典型需要邊緣計算的場景，而當 2017 年，包括華為、蘋果都在新一代智慧手機晶片中加入 NPU（神經網路處理單元）之後，也賦予了智慧手機全新的邊緣計算處理能力，華為 P20 Pro 的逆天夜拍效果，除了硬體堆積之外，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、海量資料的能力。
從智慧手機到可穿戴裝置，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， 它的落腳點是要讓終端成為更智慧的存在——能夠實時處理資料、能夠低延時做出反饋——這不就是我們期待中的智慧裝置嗎？（本文首發鈦媒體）
【鈦媒體作者介紹：趙賽坡，科技商業評論 Dailyio 出品人 】
更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App
