工业AI正在转向——边缘人工智能（Edge AI）|AI_新浪财经

图片来源：Eurotech

作者 | Lindsay Hilbelink

边缘人工智能（Edge AI）为制造商带来诸多好处，包括减少延迟、改善可靠性和降低成本等。

人工智能（AI）领域经历了从理论领域到实际应用的快速转变，影响波及到了全球各行各业。如今，近四分之三的企业将AI项目置于其他数字计划之上，这凸显了AI的普及性和潜在的变革性影响。

虽然AI技术通常都部署在云中，但随着技术的成熟，AI解决方案正在向边缘迁移。这些应用被称为“边缘AI”，在终端设备上或附近运行。它们可以减少延迟、提高安全性、保护隐私、增强灵活性等等。相关调查显示，蓬勃发展的边缘AI市场预计将以20.8%的强劲复合年增长率（CAGR）增长，到2032年将达到396.1 亿美元。

▲图 1：在云端和边缘部署 AI 之间的差异及其可为用户带来的优势。

部署边缘AI的五大优势

边缘AI的快速发展也凸显了边缘计算为制造企业全面部署AI带来的诸多好处。

降低延迟

许多新兴的AI应用，如协作自动化和缺陷检测，需要近乎实时的处理。通过在边缘处理数据，边缘AI能满足这些要求，从而消除在中央云服务器上传输和处理数据的需求。

提升可靠性和弹性

边缘AI还能够通过在边缘处理数据提供更好的可靠性和弹性。由于该技术不依赖于网络连接，即使网络受到威胁，AI也可以作为一个独立的系统发挥作用，从而将对企业的影响降至最低。这在公共安全和关键设施等应用中非常重要。

降低成本

随着AI工作负载的增加，由于带宽利用和云存储成本的增加，在纯云架构上扩展资源可能会变得过于昂贵。此外，云提供商对其GPU资源的扩展潜力也是有限的。利用边缘AI，企业可以在如何扩展解决方案方面拥有更大的灵活性，同时可以利用本地处理来减少开支。

避免供应商依赖

仅靠单个云供应商提供AI服务可能会导致供应商依赖，由于传输数据和模型所需的资源以及进入成本，更换供应商变得更困难且代价过于高昂。

满足安全、隐私和合规需求

将客户信息或专有设计等敏感数据发送到公共云以训练AI模型，可能会增加安全和隐私风险。在医疗保健等行业尤其如此，因为严格的数据法规使得利用公共AI云服务十分困难。利用本地计算，特别是当它能够满足网络安全认证要求时，可能是满足安全需求的一种更好的方式。

边缘与云的互补关系

尽管边缘AI具有明显优势，但它不是唯一的解决方案。AI的未来离不开边缘和云环境。通过提供跨多个来源的整合数据、开源协作空间和提高可访问性的新的开发工具，云在促进AI解决方案开发和增强方面的作用是十分重要的。

然而，对于大多数应用来说，一旦解决方案需要扩展，边缘技术就会胜出。在帮助该领域取得成功方面，它具有速度、灵活性、可靠性和成本方面的优势。更进一步，可以将选定的数据集从边缘设备发送到云，进一步完善解决方案，并将更新推送回边缘设备。通过这种方式，企业就可以充分利用两种环境的优势，创建一个适应性强、面向未来的解决方案。

▲图 2：可以将选定的数据集从边缘设备发送到云，进一步完善解决方案，并将更新推送回边缘设备。

边缘AI生态系统

AI曾经在云计算中无处不在，而现在一些公司正引领着AI向边缘发展。硬件厂商正在提供更多技术，以便在更小、更高效的设备中实现强大的计算能力。

云计算公司也在利用边缘技术来补充其云服务。这些公司通过新产品和合作伙伴关系，正在将基础设施扩展到边缘服务，帮助企业在云和边缘环境下实现无缝体验。

GPU创新者和云提供商正在将其技术与边缘行业领先企业的技术相结合，这些行业领先者开发了一个框架，该框架通过捕获、传输和计算现场设备的数据，实现数字化转型。凭借深厚的行业经验，这些合作伙伴构建了大规模推动和部署AI模型所需的基础设施，同时也为实现可互操作性的优势铺平了道路，从而允许在各种设备和平台上无缝集成AI解决方案。

构建边缘AI基础设施的三个步骤

发展这一数字基础设施的重要性不容低估。尽管企业已经意识到采用AI的重要性，但大约只有54%的AI举措通过了概念验证阶段。由于企业缺乏数据来开发具有有效商业成果的AI模型，这些项目往往停滞不前。

一种比较稳妥的方法，企业可以通过开发一种被称为“人工智能物联网（AIoT）”的数字基础设施，来帮助确保其AI计划的成功。此类基础设施能够提供高质量的数据，用于开发有影响力的AI模型，从而为AI的立即采用和未来的可持续发展奠定基础。

数据采集

AIoT必须包含所有相关来源的数据。这通常意味着从包括传统OT系统和传感器在内的各种设备收集数据。与在特定行业具有开发物联网解决方案经验的组织合作可以帮助缓解这一过程所带来的挑战。这些公司可以利用协议库和专门构建的边缘硬件来收集和清理边缘数据。

数据同步

然而，数据收集只是难题的一部分。从任何给定来源收集的数据都是孤立的，直到与其它来源的数据同步。数据同步是在数据集中建立一致性的过程，以便机器学习模型可以使用这些数据。

开发人员必须考虑一系列潜在挑战，如网络不一致、数据变更、异步同步、服务器错误等等。经验丰富的物联网合作伙伴可以帮助解决这个问题。

一种选择是利用数字孪生。创建之后，数字孪生就可充当唯一的事实来源，可以对传入数据进行比较和同步。因此，数字孪生成为可为AI提供动力的物理资产或系统的实时、准确表示。

系统安全

这种AIoT基础设施的开发，可能使OT系统面临新的风险。事实上，根据Fortinet的一份报告，在2022年有61%的网络安全入侵事件影响了OT系统。将计算推向边缘是减少安全问题的重要一步。它减少了封闭系统之外的通信量，从而减少了不良行为者可以利用的“漏洞”。

通过在整个解决方案中构建安全保护措施，企业可以进一步降低风险，从边缘设备的物理加固到数据通信的安全“信任链”。好消息是，有一些标准概述了网络安全的最佳实践。其中最重要的是ISA/IEC 62443，它涵盖了从风险评估到运营的工业网络安全的各个阶段和方面。企业应寻求经过认证的解决方案，以满足从边缘到云的这一或同等网络安全标准。

机器学习从理论概念到实际AI应用的演变，开创了跨行业创新和高效的新时代。虽然历史上，AI主要是一种云技术，但新的AI功能正在将它推向边缘，用户可以从减少延迟、增强安全性和增加灵活性中受益。

边缘AI市场的预计增长凸显了这项技术在塑造AI驱动解决方案的未来方面日益增长的重要性和潜在影响。通过利用边缘和云端AI的优势，制造企业可以创建更强大、更具自适应性更强的AI系统，以满足不同的需求，同时在AI的动态环境中推动可持续增长和竞争优势。

关键概念：

■ 了解部署边缘AI能为制造企业带来的好处。

■ 探索边缘和云AI如何互补，并认识到关键行业参与者如何合作，将这些技术集成为更强大的AI系统。

思考一下：

选择在边缘部署AI而非云端有哪些好处？