1.應用存在的局限性

　　目前產品落地主要體現在視頻結構化(視頻數據的識別和提取)、生物識別(指紋識別、人臉識別等)、物體特征識別(車牌識別系統)等應用。安防系統每天產生的海量圖像和視頻信息導致信息冗余嚴重，識別精度和效率不足，適用領域有限。

　　視頻監控系統作為一個前端和后端都很明顯的物聯網系統，在邊緣計算的應用方面有著巨大的潛力。作為前端采集設備，攝像頭不僅大幅提升了清晰度，對智能化的需求也更強。因此，業界正在努力推動實現視頻圖像內容的實時處理，這不僅可以大大減輕信息傳輸系統和后端設備的負擔，還可以提高整個安防系統的響應速度，為安防領域一直倡導的“事前預警、，事后制止、”的理念提供了最有利的技術支撐。

　　比如在人臉識別的應用中，通過前端抓拍中心分析的前端和后端智能相結合的方式，對人臉識別的智能算法進行預定位，并在前端攝像頭內置高性能智能芯片。人臉識別抓取的壓力通過邊緣計算分配到前端，從而釋放中心的計算資源，集中優勢計算資源進行更高效的分析。

　　2.技術層面

　　目前，人工智能通常是指通過有監督或無監督的訓練獲得的智能，它依賴于海量數據和深度學習。代價是巨大的計算和存儲復雜性。隨著算法多樣性和復雜性的進一步提高，運算和存儲成本將大大增加。傳統的解決方案是在云端的數據中心對大量數據進行分析和決策，然后將結果發回終端，在云端負責人工智能的部分，就是終端(即邊緣端)負責數據采集和執行。

　　3.云端存在的難題

　　(1)數據傳輸成本高。隨著數據量的快速增加，傳輸帶寬的壓力越來越大，邊緣端的無線傳輸模塊必須支持高速無線傳輸，這就需要更多的功耗，這與邊緣的低功耗需求相沖突。

　　(2)很多終端應用場景對延遲非常敏感。比如智慧城市中的異常行為檢查、人流量檢測需要實時預警，長時間延遲是無法接受的。

　　(3)智能家居等場景對安全和隱私的需求也限制了云計算的發展。在數據傳輸到數據中心之前，通過網絡邊緣設備對數據進行分析處理、匿名和加密處理，使得所有終端數據都可以傳輸到云端，無需傳輸，有效解決了這些問題。

　　邊緣計算可以很好地解決這些問題。根據實際應用需求，邊緣可以獨立作為智能處理模塊，也可以與云協同工作(邊緣可以做一些分析、處理和過濾，然后交給云)。這種解決方案在延遲、帶寬和功耗方面具有明顯優勢。

　　責任編輯：張華