邊緣計(jì)算(suàn)：科技行業的下(xià)一個萬億美(měi)元機會(huì)

即使雲計(jì)算(suàn)領域不斷采用(yòng)新技術，越來(lái)越多的計(jì)算(suàn)工(gōng)作(zuò)也(yě)将轉移到(dào)邊緣。發生這(zhè)種變化的一個關鍵原因是：邊緣計(jì)算(suàn)不是雲計(jì)算(suàn)的繼承者，而是技術覆蓋範圍的又一次擴展，代表了(le)未來(lái)投資和(hé)增長的一個絕佳機會(huì)。根據調研機構IDC公司的調查，到(dào)2025年，物聯網設備數量預計(jì)将超過560億台。 随着邊緣設備和(hé)計(jì)算(suàn)技術的采用(yòng)量持續飙升，很(hěn)多企業需要在内部部署設施中處理(lǐ)來(lái)自(zì)這(zhè)些(xiē)設備中不斷增加的數據，以便能(néng)夠實時(shí)對(duì)數據進行處理(lǐ)。這(zhè)将需要對(duì)适應邊緣的基礎設施以及相關工(gōng)具和(hé)平台進行投資。企業采用(yòng)的技術即将再次轉型——在創建和(hé)使用(yòng)數據時(shí)處理(lǐ)和(hé)分析一些(xiē)數據正成爲一項業務需求，就像将技術堆棧的其他(tā)部分移動到(dào)雲中一樣。 企業必須基于不斷更新的數據，通過邊緣設備提供更好(hǎo)的客戶體驗。而從(cóng)雲平台或内部部署數據中心上(shàng)傳和(hé)下(xià)載數據通常需要很(hěn)長時(shí)間。無論數據是在消費者的智能(néng)手機上(shàng)還是在生産車間，企業都需要盡可能(néng)接近需要實時(shí)數據驅動響應的邊緣來(lái)處理(lǐ)和(hé)分析數據。 提供這(zhè)些(xiē)功能(néng)的競争已經很(hěn)激烈。許多供應商将邊緣計(jì)算(suàn)視(shì)爲他(tā)們的下(xià)一個價值萬億美(měi)元的市場機會(huì)，這(zhè)些(xiē)供應商包括雲計(jì)算(suàn)服務提供商、電信運營商，以及服務器和(hé)存儲基礎設施提供商。 爲什(shén)麽采用(yòng)邊緣計(jì)算(suàn) 邊緣計(jì)算(suàn)已經以各種形式存在了(le)幾十年。例如，在工(gōng)廠(chǎng)使用(yòng)的設備上(shàng)部署獨立軟件的例子數不勝數，這(zhè)些(xiē)設備使制造過程的各個方面實現(xiàn)自(zì)動化。近年來(lái)，其中許多系統已連接到(dào)互聯網，使企業能(néng)夠更容易地收集和(hé)共享數據。現(xiàn)在的挑戰是，在邊緣生成的數據量往往超過了(le)通過廣域網(WAN)傳輸該原始數據的實際程度，企業需要能(néng)夠在網絡邊緣處理(lǐ)和(hé)分析大(dà)量數據的平台。然後，在邊緣平台上(shàng)處理(lǐ)的數據的聚合結果可以更高(gāo)效地與雲平台中、内部部署IT環境甚至網絡本身中運行的其他(tā)應用(yòng)程序共享。 低(dī)延遲要求是當今最大(dà)的挑戰。在許多情況下(xià)，在電信網絡邊緣的網關上(shàng)運行的應用(yòng)程序需要能(néng)夠在幾分之一秒内響應移動計(jì)算(suàn)應用(yòng)程序的數據請(qǐng)求。在其他(tā)情況下(xià)，邊緣應用(yòng)程序正在推動自(zì)動化工(gōng)廠(chǎng)的運營，需要動态調整以适應在擴展企業邊緣處理(lǐ)的分析。 還有更高(gāo)級的用(yòng)例，其中包括爲無人駕駛車輛實時(shí)處理(lǐ)計(jì)算(suàn)機視(shì)覺數據的車載計(jì)算(suàn)機和(hé)有望改變制造業的機器人應用(yòng)。 硬件進步使邊緣計(jì)算(suàn)成爲可能(néng) 低(dī)延遲網絡連接、高(gāo)功率計(jì)算(suàn)和(hé)大(dà)存儲需求的競争需求正在推動邊緣計(jì)算(suàn)硬件的創新。例如，自(zì)動駕駛汽車生産商特斯拉公司在其設備中添加了(le)定制處理(lǐ)器，能(néng)夠預處理(lǐ)大(dà)量數據，執行機器學習推理(lǐ)以做出快(kuài)速駕駛決策和(hé)預測，甚至對(duì)自(zì)動駕駛車輛本身進行一些(xiē)深度學習模型訓練，然後将數據子集發送給中央系統進行更多訓練。 今年早些(xiē)時(shí)候，特斯拉公司推出了(le)一款擁有60億個晶體管的核心處理(lǐ)器。該公司聲稱，該處理(lǐ)器與在特斯拉ModelS、Model3和(hé)ModelX型号中采用(yòng)的Nvidia GPU相比，其性能(néng)提高(gāo)了(le)21倍。除了(le)AMD公司和(hé)Intel等傳統CPU供應商的CPU之外(wài)，這(zhè)些(xiē)功能(néng)強大(dà)的處理(lǐ)器還用(yòng)于信息娛樂等主流應用(yòng)中。 憑借這(zhè)種邊緣計(jì)算(suàn)能(néng)力，特斯拉公司的自(zì)動駕駛汽車可以處理(lǐ)傳感器數據，使其能(néng)夠識别自(zì)動駕駛汽車周圍的行人、道(dào)路上(shàng)的其他(tā)車輛、緊急路旁标志和(hé)潛在危險的移動物體。該傳感器數據還通過預加載的地圖數據和(hé)GPS連接進行處理(lǐ)。此外(wài)，特斯拉自(zì)動駕駛汽車中計(jì)算(suàn)機通過特斯拉的網絡将信息傳遞到(dào)海量存儲設施，在那裏對(duì)數據進行分析，以改進自(zì)動駕駛和(hé)其他(tā)功能(néng)，然後通過網絡将對(duì)車輛軟件堆棧的改進下(xià)載到(dào)自(zì)動駕駛車輛上(shàng)。 醫(yī)療保健是一個對(duì)高(gāo)級機器學習設備和(hé)軟件有着類似需求的行業。來(lái)自(zì)磁共振成像(MRI)和(hé)其他(tā)具有推理(lǐ)計(jì)算(suàn)能(néng)力的掃描設備部署在多個地點的圖像也(yě)需要類似于特斯拉汽車所需的計(jì)算(suàn)能(néng)力和(hé)網絡基礎設施。然而，大(dà)多數醫(yī)院并沒有興趣或資金(jīn)來(lái)構建自(zì)己強大(dà)的邊緣計(jì)算(suàn)硬件，并且沒有技術供應商的技術能(néng)力。 随着半導體電路技術的發展，對(duì)于業務更廣泛的企業而言，以節能(néng)的方式在邊緣運行應用(yòng)程序的能(néng)力變得更加現(xiàn)實。随着處理(lǐ)器的每次新叠代，邊緣平台的總成本将繼續下(xià)降，而可用(yòng)于運行應用(yòng)程序的設備功率也(yě)在穩步增加。 邊緣網絡 無論在邊緣處理(lǐ)和(hé)分析了(le)多少數據，龐大(dà)的數據量都會(huì)對(duì)網絡帶寬産生更多需求，從(cóng)而産生潛在的瓶頸。一個主要瓶頸是回程——邊緣設備與中央服務器和(hé)網絡之間的延伸。未來(lái)的邊緣網絡基礎設施可能(néng)包括5G、更強大(dà)的WiFi連接和(hé)設備、低(dī)延遲菊花(huā)鏈系統、光纖系統(例如谷歌正在開(kāi)發的光纖系統)、衛星連接，以及有待開(kāi)發的技術的組合，但(dàn)有一件事(shì)是肯定的：數據量的增長速度快(kuài)于網絡帶寬。 如今，企業可以選擇在幾種可用(yòng)的有線和(hé)無線網絡替代方案中連接邊緣平台。涉及邊緣計(jì)算(suàn)的用(yòng)例數量正在增加，其部分原因是無線5G網絡使跨多個互連邊緣平台共享數據成爲可能(néng)。例如，員工(gōng)佩戴增強現(xiàn)實耳機，不僅可以與本地同事(shì)共享數據和(hé)分析，還可以與數百公裏之外(wài)的同事(shì)共享數據和(hé)分析。 随着電信運營商繼續虛拟化用(yòng)來(lái)提供5G服務的網絡基礎設施，在更廣泛的地理(lǐ)區(qū)域内提供這(zhè)些(xiē)服務的成本應該會(huì)穩步下(xià)降。如今，4G網絡在每平方公裏的範圍内可以支持大(dà)約4000台設備，而5G網絡可以在同一範圍支持的設備多達300萬台。 就5G技術的發展來(lái)說，現(xiàn)在下(xià)結論還爲時(shí)尚早。凱捷公司對(duì)1000家計(jì)劃将5G納入其運營的工(gōng)業組織進行的調查中發現(xiàn)，隻有不到(dào)三分之一(30%)的企業已進入試驗和(hé)實施階段。然而，通信運營商已經在定義6G無線标準，這(zhè)些(xiē)标準有望在未來(lái)十年内爲無線網絡帶來(lái)又一次巨大(dà)飛(fēi)躍。 無論采用(yòng)何種網絡，企業仍需要在在邊緣處理(lǐ)、存儲和(hé)最終處理(lǐ)的數據量與需要通過WAN傳輸并合并到(dào)各種其他(tā)網絡中的聚合數據量之間取得平衡，集中處理(lǐ)數據或充當記錄系統的平台。 安全因素 可以說，邊緣計(jì)算(suàn)的最大(dà)障礙是安全性。企業每次在部署邊緣計(jì)算(suàn)平台時(shí)，需要防禦的網絡攻擊面都會(huì)增加。這(zhè)些(xiē)邊緣計(jì)算(suàn)平台也(yě)由運營技術(OT)團隊管理(lǐ)，而企業的運營技術(OT)團隊通常不會(huì)像谷歌公司的數據中心安全團隊那樣擁有豐富的網絡安全專業知(zhī)識。大(dà)多數企業都試圖将他(tā)們的運營技術(OT)和(hé)傳統信息技術(IT)團隊融合在一起，以部署、管理(lǐ)和(hé)保護邊緣平台。然而，這(zhè)兩個團隊的文(wén)化卻截然不同，企業需要時(shí)間來(lái)協調這(zhè)兩個團隊的工(gōng)作(zuò)。 更具挑戰性的是，很(hěn)難找到(dào)和(hé)保留具有網絡安全專業知(zhī)識的人才。網絡犯罪分子已經發現(xiàn)運營技術(OT)環境的脆弱性。而網絡攻擊事(shì)件已經證明(míng)，控制電網和(hé)其他(tā)關鍵基礎設施系統的工(gōng)業控制系統是網絡攻擊者的主要目标。從(cóng)他(tā)們的角度來(lái)看(kàn)，連接到(dào)網絡的每個邊緣計(jì)算(suàn)平台都是一種工(gōng)具，通過它們可以将惡意軟件引入IT環境。惡意軟件隻需幾分鐘(zhōng)即可在整個平台上(shàng)快(kuài)速傳播。 最終，企業将很(hěn)快(kuài)花(huā)費大(dà)量資金(jīn)來(lái)保護邊緣計(jì)算(suàn)平台。一旦邊緣計(jì)算(suàn)系統被鎖定并确保安全，可以改善整體網絡防禦——在邊緣處理(lǐ)更多數據而不需要移動數據，因爲可以顯著減少網絡攻擊面。 邊緣計(jì)算(suàn)生态系的發展 一旦适當級别的基礎設施部署到(dào)位，面臨的下(xià)一個挑戰就是構建應用(yòng)程序。容器技術的廣泛采用(yòng)使開(kāi)發人員能(néng)夠使用(yòng)需要更少内存和(hé)存儲的工(gōng)具來(lái)構建應用(yòng)程序。如今的大(dà)多數容器環境在某種意義上(shàng)都是去中心化的，例如基于docker和(hé)Kubernetes的容器環境，但(dàn)卻運行在像數據中心這(zhè)樣的中心化環境中。更小(xiǎo)的容器工(gōng)作(zuò)正在取得進展，這(zhè)使得在距任何服務器或網關數百公裏的石油鑽井平台上(shàng)部署應用(yòng)軟件變得更加容易。 開(kāi)源Kubernetes容器編排引擎的輕量級實例開(kāi)始受到(dào)關注。無論部署在哪個平台上(shàng)，Kubernetes通過呈現(xiàn)一組一緻的應用(yòng)程序編程接口(API)，提供了(le)在高(gāo)度分布式計(jì)算(suàn)環境中集中部署和(hé)管理(lǐ)基于現(xiàn)代微服務的應用(yòng)程序的機會(huì)。 工(gōng)業API規範和(hé)框架也(yě)開(kāi)始出現(xiàn)，用(yòng)于機器學習、數據科學和(hé)其他(tā)支持邊緣計(jì)算(suàn)的技術。英特爾公司和(hé)其他(tā)公司支持的oneAPI就是一個例子，它爲開(kāi)發邊緣應用(yòng)程序提供了(le)一個框架。 開(kāi)發平台的提供商也(yě)在競相創建框架，使在邊緣計(jì)算(suàn)架構中構建應用(yòng)程序變得更簡單，無縫調用(yòng)在雲平台中運行的後端應用(yòng)程序服務。Apache Airflow和(hé)Kafka等分布式事(shì)件流平台可以在允許邊緣計(jì)算(suàn)平台與這(zhè)些(xiē)後端平台大(dà)規模共享數據方面發揮作(zuò)用(yòng)。一些(xiē)企業還将調用(yòng)内容交付網絡(CDN)的服務，以提高(gāo)已構建的全球接入點(PoP)網絡部署的應用(yòng)程序的性能(néng)。 最後，部署在邊緣的有狀态應用(yòng)程序可能(néng)需要提供對(duì)持久數據形式的訪問的本地數據庫。如今部署的大(dà)部分容器應用(yòng)程序都是無狀态的——它們将數據存儲在外(wài)部存儲系統上(shàng)。構建訪問本地Kubernetes集群上(shàng)容器中數據的有狀态應用(yòng)程序更具挑戰性。 已經有大(dà)量熟悉容器平台的開(kāi)發人員在等待，直到(dào)改進的硬件和(hé)軟件盡可能(néng)地在邊緣簡化和(hé)安全地部署高(gāo)度可遷移的應用(yòng)程序。 即将到(dào)來(lái)的人工(gōng)智能(néng)和(hé)數據管理(lǐ)挑戰 機器學習和(hé)人工(gōng)智能(néng)的興起可能(néng)會(huì)推動未來(lái)激動人心的邊緣創新。如今，人工(gōng)智能(néng)模型通常在位于中央的雲計(jì)算(suàn)平台中進行訓練。然後可以在生産環境中創建和(hé)部署，人工(gōng)智能(néng)和(hé)機器學習推理(lǐ)引擎，在該環境中，經過訓練的人工(gōng)智能(néng)引擎會(huì)在發現(xiàn)新數據時(shí)推斷出要采取的操作(zuò)。 随着時(shí)間的推移，這(zhè)些(xiē)推理(lǐ)引擎會(huì)随着收集的新數據量超過原始人工(gōng)智能(néng)模型所基于的參數而發生漂移。與IT和(hé)OT團隊合作(zuò)的數據科學團隊需要訓練新的人工(gōng)智能(néng)模型來(lái)替換邊緣的推理(lǐ)引擎。雖然人工(gōng)智能(néng)和(hé)機器學習的能(néng)力不斷進步，結合低(dī)功耗和(hé)高(gāo)性能(néng)處理(lǐ)器和(hé)其他(tā)有助于降低(dī)成本的組件，可以提高(gāo)預測系統的準确性和(hé)性能(néng)，但(dàn)通常不會(huì)降低(dī)發生這(zhè)種漂移的程度。 如果人工(gōng)智能(néng)模型至少可以在邊緣部分重新訓練，這(zhè)有助于減少預測精度漂移。然而，在邊緣平台内有效地重新訓練人工(gōng)智能(néng)模型所需的軟件和(hé)硬件基礎設施仍處于早期階段。也(yě)就是說，随着越來(lái)越強大(dà)的硬件成本的下(xià)降和(hé)邊緣機器學習軟件系統的改進，在邊緣進行訓練的能(néng)力将變得更加可行。經濟影響和(hé)投資機會(huì)根據研究機構MarketsandMarkets公司的調查，2020年全球邊緣計(jì)算(suàn)市場規模約爲36億美(měi)元。預計(jì)到(dào)2025年将增長到(dào)157億美(měi)元，複合年增長率(CAGR)達到(dào)驚人的34.1%。麥肯錫公司預測，到(dào)2025年，僅涉及物聯網(IoT)應用(yòng)的用(yòng)例所産生的經濟價值将在每年3.9萬億美(měi)元至11.1萬億美(měi)元之間。而在邊緣平台的所有其他(tā)用(yòng)例以及潛在的積極經濟影響将變得巨大(dà)。邊緣計(jì)算(suàn)本身就是一個巨大(dà)的技術市場，也(yě)将推動對(duì)集中式雲計(jì)算(suàn)的需求增加。Gartner公司指出，到(dào)2023年底，20%的安裝邊緣計(jì)算(suàn)平台将由超大(dà)規模雲提供商交付和(hé)管理(lǐ)。而這(zhè)個巨大(dà)的新興市場還有80%機會(huì)提供給其他(tā)廠(chǎng)商。