根據Gartner的報告，今天91%的數據是在中心化的數據存儲中心做計算。但是，截止到2022年，全世界74%的數據將在端側進行分析和計算。

有一種誤解是邊緣計算會取代云計算，相反，邊緣+云計算的結合會是未來的主趨勢，邊緣計算甚至會進一步帶動云計算的發展。把規模的數據計算一定是在云端處理，而與直接數據產生者相關的部分計算會被分配到端。接下來就具體分析下端側計算的一些優勢：

1.數據隱私性

?

個性化推薦等業務越來越被普遍應用到廣大APP中，其本質是對用戶行為數據的收集，并在云端進行統一分析。這種AI服務在給人們帶來便利的同時，也帶來了數據安全問題，很多國家開始出臺法令限制用戶數據的收集。邊緣計算的引入可以允許用戶數據不上傳，只在用戶自己的手機端側進行分析。這樣既能保證數據隱私性，又能同樣滿足個性化推薦等業務需求。

2.時效性

目前大部分AI服務需要采集數據到云端的數據存儲中心進行統一建模，然后將模型部署成Restful服務供終端調用。這種模式因為數據傳輸的帶寬限制以及網絡通信的時延限制，往往會影響服務的時效性。如果數據分析建模等服務發生在端側，就避免了大量的數據傳輸和網絡時延等問題。

3.負載平衡

傳統的AI service完全依賴于云端服務，因為每個終端側的請求有波峰、波谷的差別，在請求波峰階段可能會受限于云端服務側性能，這個時候就需要做一些負載平衡，端側服務就可以很好地解決這個問題。當云端服務能力不足的時候，端側可以做一些彌補。一些極端情況，比如突然斷網，云端服務完全失效，這時候因為端側的模型服務還在，也可以暫時解決一部分AI模型inference的問題。

Edge AI的一些問題：

1. 計算力問題

眾所周知，分布式計算（俗稱云計算）主要解決的就是計算力問題，而將計算任務下發到端側，可能會受限于端側的內存、磁盤大小的問題，導致只有小規模的模型產出。

2.端設備多樣性問題

端側設備各式各樣，比如手機、手表、音箱、汽車。里面使用的操作系統也極為豐富，可能有Anroid、Linux、IOS。在框架層可能是TF或者PyTorch。底層計算芯片也有各種版本，比如英偉達就為不同的終端定制了不同類型的芯片設備，比如為汽車定制的NVDIA Drive Orin。

如何在這么多設備的變量因素之下，找到一條普適性的模型訓練模式，是比較有挑戰的。

?

總結

以上是生活随笔為你收集整理的AI新浪潮：截止2022年，全球74%的计算将来自端侧的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。