自 20 世紀 70 年代信息技術首次被組織廣泛采用以來，開發周期的演變方式被許多人比作擺動的鐘擺。

最初，計算資源是集中的并且基于大型大型計算機。 然后，鐘擺轉向另一個方向，資源以個人計算機和獨立服務器的形式轉移到更靠近用戶的地方。

此后，鐘擺再次擺回來，資源被轉移到云端，駐留在大型數據中心，并根據需要進行遠程訪問。

有趣的是，這個變化的過程并沒有停止。 然而，下一階段不太可能涉及將 IT 資源從集中式設施中再次大規模遷移。 相反，它很可能是云平臺和日益智能的邊緣設備的結合。

邊緣的崛起

在越來越多的情況下，邊緣計算的興起是由人工智能的快速發展推動的。 雖然需要大規模、集中的 IT 基礎設施來根據大量數據訓練人工智能模型，但這些模型可以在更小、計算密集程度較低的邊緣設備上運行。

一個很好的例子是智能監控攝像頭。 識別物體和人所需的人工智能模型需要大量數據和資源來學習，但當它應用這些知識時，它可以在相機內更有限的資源上運行。

另一個是語言翻譯。 雖然需要大量資源來訓練能夠準確提供此類服務的模型，但模型本身可以在更小的設備上運行。

智能邊緣計算的快速崛起是由兩個關鍵因素推動的。 一是 IT 不斷小型化。 如果考慮當今智能手機的功能，20 年前要訪問如此多的計算資源將需要一個裝滿服務器的房間。

第二個因素是網絡技術的不斷發展。 邊緣設備通常位于傳統高速連接不可用的地方。

因此，設備收集的數據需要在該設備上進行處理，并通過任何可用的網絡鏈接將結果反饋到集中式數據中心。 在許多情況下，這些可能是 Wi-Fi、4G 或 5G 無線連接。

玩家生態系統

為了使智能邊緣基礎設施成功運行，需要多方共同努力。 該列表包括設計和構建與物理世界交互并收集數據的邊緣設備的硬件供應商，其中可以包括從運動到降雨的任何數據。 這些設備還充當邊緣系統的輸入點，并提供使人工智能能夠做出決策的數據。

智能邊緣還需要集中的計算和存儲資源，通常由云供應商提供。 這是存儲和處理所有傳入數據的地方。

第三個必需的群體是連接參與者。 這可以是傳統的網絡供應商或提供數據服務連接的電信運營商。 該組尤其重要，因為如果沒有這種連接，整個系統就無法運行。

最后，智能邊緣計算需要軟件開發人員能夠構建利用大量收集數據的應用程序。 這將使組織能夠從其邊緣資源中提取盡可能多的有用見解。

持續進化

智能邊緣計算的興起絕不是進化過程的結束。 事實上，許多行業觀察家認為，下一步將是完全模糊集中式云計算和邊緣計算之間的區別。

從業務用戶的角度來看，他們的應用程序在哪里運行并不重要，重要的是他們從中獲得的結果。 如果最佳位置在云端，則可以在那里運行； 然而，如果可以在邊緣實現更高的性能，那么邊緣將成為選擇的位置。

智能邊緣計算的用例將在未來幾年繼續發展。 隨著邊緣設備能力的提高以及用于分析所收集數據的人工智能算法變得更加強大，它們提供業務價值的方式將會呈爆炸式增長。

正如分布式計算在 20 世紀 80 年代和 1990 年代帶來了令人興奮的新機遇，云平臺在 2000 年代改變了游戲規則一樣，智能邊緣計算將在未來幾年帶來重大的發展和增長機會。