截至2020年，全球約有270億臺物聯(lián)網設備。據(jù)Statista預測，到2025年，這一數(shù)字將增長到750億。在物聯(lián)網的幫助下，我們可以遠程調用門鎖、恒溫器、冰箱、電視、視頻門鈴和安全攝像頭。智能產品使用起來更簡單，而且可以由其他家庭成員遠程管理。

隨著移動終端和物聯(lián)網設備的高度普及，如何將深度學習模型高效地部署在資源受限的終端設備，從而使得智能更加貼近用戶、解決人工智能落地的“最后一公里”問題，已經引起了業(yè)界的高度關注。

數(shù)據(jù)集中處理的弊端

智能設備無處不在，它們將提供關鍵物理數(shù)據(jù)，而通過在云中對這些數(shù)據(jù)進行處理、分析，能夠得到改善我們生活和工作的關鍵指引。但如果所有數(shù)據(jù)都集中在云中存儲和處理，則要面對以下難題。

更多的數(shù)據(jù)管理導致在有限的資源上花費更多的成本。向云端發(fā)送數(shù)據(jù)會導致延遲，這會限制某些應用程序的有效性。轉換信息會帶來隱私和安全風險，智能設備在家里或辦公室收集的數(shù)據(jù)會顯示大量信息，甚至包含個人隱私內容，給信息安全帶來挑戰(zhàn)。

邊緣智能的優(yōu)勢

隨著收集數(shù)據(jù)并將其轉換到云端進行處理的物聯(lián)網設備數(shù)量增加，邊緣智能應運而生。基于邊緣計算這一新型的計算模式，邊緣智能在更加靠近用戶和數(shù)據(jù)源頭的網絡邊緣側這一位置訓練和部署深度學習模型，從而改善人工智能應用的性能、成本和隱私性。

作為云計算向網絡邊緣和終端用戶的擴展，邊緣計算將計算資源和服務從遠離用戶的云端下沉到網絡邊緣側，從而有效降低網絡延遲和帶寬消耗，并加強隱私保護。相比于傳統(tǒng)應用，物聯(lián)網場景下的基于視頻分析、圖像和語音識別技術等新興人工智能應用的計算和數(shù)據(jù)都更為密集，對延遲和隱私保護要求也更為嚴苛?；诖?，邊緣智能的應用越來越迫切，目前正處于迅猛發(fā)展的技術萌發(fā)階段。

邊緣智能的應用

更好的交互體驗：人類的大部分交流不僅僅是通過語言來傳遞的。語調、面部表情、手勢等是我們用來交流或理解對方的一些其他表現(xiàn)形式。在物聯(lián)網設備中應用智能邊緣技術，將使這些信號更高效地傳達給用戶并進一步形成更好的交互體驗。提升安全性：可以通過對智能家居進行培訓，以識別危險信號，比如警報響起、人員突然摔倒、玻璃破裂或水龍頭滴水。它可以感知有問題的情況并警告使用者，使他們能夠做出相應的反應。

簡而言之，邊緣智能是讓物聯(lián)網設備實現(xiàn)更復雜、友好和安全應用的基礎，應用邊緣智能的物聯(lián)網設備將為我們打開人機交互新局面。