边缘计算是一种分布式计算概念，将智能集成到边缘设备（边缘节点）中，使数据能够在数据采集源附近实时处理和分析。由于边缘计算在网络边缘本地处理数据，而不是在云端或集中式数据中心，因此它可以较大程度地减少延迟和数据传输成本，实现实时反馈和决策。

边缘计算靠近数据源，即传感器和其他数据捕获设备所在的位置。整个边缘计算过程发生在智能设备内部，加快各种数据的处理速度，然后这些设备再连接到物联网。

边缘计算的目标是提高效率。边缘设备不需要将传感器收集到的所有数据发送到企业应用程序进行处理，而是在边缘设备上进行计算，只需发送重要的数据即可进行进一步分析或存储，这得益于边缘人工智能（edge AI）的应用。

在边缘设备通过边缘人工智能进行数据计算之后，这些设备将收集到的数据或获得的结果分组到不同的类别中。基本的三个类别包括：

边缘计算的工作是区分这些数据集，并确定所需的响应级别和行动，然后采取相应行动。

根据边缘设备的计算能力和所收集数据的复杂性，设备可以处理异常数据并提供实时响应。或将其发送到企业应用程序进行实时分析，并立即检索结果。由于只有重要和紧急的数据集被发送到网络上，因此带宽需求降低。这导致成本大幅降低，尤其是在无线蜂窝网络中。

由于数据驱动的数字转型倡议的迫切性需要，包括机器人技术、先进自动化、人工智能和数据分析，边缘计算在企业计算中变得越来越受欢迎。大部分技术在行业中的应用也具有时间敏感性，任何系统拥堵和网络中断都将导致巨大的经济损失。选择边缘计算具有以下好处：

低延迟 - 边缘处理通过在本地处理来自传感器和物联网设备的数据，降低将其传输到集中式云端进行处理的需求，较大限度地减少延迟。这使得网络更加可靠和稳定。

减少带宽需求 - 每个网络的带宽有限，尤其是无线通信。边缘计算通过在网络边缘附近处理大量数据，然后只通过网络发送最相关的信息来解决带宽限制问题。这大幅减少蜂窝连接的数据量。

确保安全性 - 边缘计算进行数据处理时，使组织能够将数据和计算保留在适当的位置。这很大程度地降低了对网络安全威胁的敏感度，并确保符合严格而动态的数据位置法规。

数据合规与治理 - 处理敏感数据的组织受到各个国家的数据法规的约束。通过在数据源附近处理这些数据，这些公司可以将敏感的客户/员工数据保留在自己的边界内，从而确保合规性。

边缘计算主要分为三类：

提供商边缘：提供商边缘由可以通过互联网访问的计算资源组成，主要用于电信公司、服务提供商、媒体实体和其他内容交付网络（CDN）运营商提供服务。

企业边缘：企业边缘是企业数据中心的延伸，包括远程办公地点的数据中心、微型数据中心等。虽然IT部门通常拥有和管理这种环境，类似于集中式数据中心，但在设计这些设置时可能存在与空间或电力相关的限制。

工业边缘：工业边缘，通常称为远端边缘，包括一两个紧凑且坚固的边缘服务器或嵌入式系统等较小的计算实例，部署在传统数据中心环境之外。在典型数据中心之外运行带来了一系列与空间、冷却、安全和管理相关的挑战。

多年来，由于技术的迅速采用和在网络边缘处理数据的优势，边缘数据中心在各个行业中出现多种应用案例。以下是行业在日常运营中使用边缘计算的不同方式：

交通运输 - 自动驾驶汽车每天产生大约5到20TB的数据，包括速度、位置、交通状况、道路状况等信息。这些数据必须实时组织、处理和分析，并在车辆行驶过程中将洞察力反馈到系统中。这种对时间敏感的应用需要准确、可靠、一致的车载计算。

制造业 - 许多制造商现在部署边缘计算来监控制造过程并实现实时分析。通过与机器学习和人工智能相结合，边缘计算可以通过实时洞察力、预测分析等手段帮助优化制造流程。

医疗保健 - 边缘计算与人工智能的结合可以提高医务人员的工作效率，确保患者的个人安全。例如，人体姿势估计是视觉人工智能中广泛采用的任务，涉及预测个体身体上的关键点，包括眼睛、手臂和腿部。这项技术可以应用于在患者在医院床上移动或跌倒时提醒医护人员。

其他采用边缘计算的领域包括医疗保健设施，以帮助患者实时避免健康问题，以及零售业，以优化供应商订购和预测销售。

边缘计算并非没有挑战，其中一些常见的挑战与安全性和数据生命周期有关。依赖物联网设备的应用程序容易受到数据泄露的威胁，这可能会危及边缘的安全性。就数据生命周期而言，挑战在于在网络边缘存储大量数据。大量无用的数据可能占据重要的空间，因此企业应该谨慎选择要保留和丢弃的数据。

边缘计算依赖网络连接，因此网络限制是另一个值得关注的问题，规划连接问题，并设计一个能够适应常见网络问题的边缘计算部署是必要的。

人工智能、物联网和5G的发展将继续推动边缘计算的应用。在边缘部署的用例和工作负载类型数量将增加。边缘计算的可能性确实是无限的。无论处于哪个行业，边缘计算都具有多种独特优势，但前提是它必须经过良好设计并部署以解决集中式数据中心常见的挑战。