AI開掛 邊緣運算智能升級

[作者 季平]

研究機構IDC預估，全球企業的邊緣運算支出將從2022年的1,760億美元成長至2025年的2,740億美元，屆時，成長率最高的邊緣應用包含大眾基礎設施維護、網路維護、醫療診斷與AR輔助手術。當科技越來越智慧，智慧型載具與聯網裝置網網相連，「雲端資料中心」需要邊緣運算(Edge Computing)的因地制宜，才能更有效地降低運算負載量，快速、低延遲地傳輸資訊。

如果將雲端資料中心/雲端運算與邊緣運算比喻為大腦與神經系統，邊緣運算的神經弧涵蓋範圍更廣，小至各類智慧型載具與終端設備的應用，大至物聯網(IoT)、工業物聯網(IIoT)與車聯網(V2X)的運作整合，都少不了邊緣運算穿針引線。在IoE（萬物互聯）時代，更需要最小延遲性、高可用性網路即時處理大量數據，邊緣運算的重要性不言可喻。

雲端面臨5大挑戰：

挑戰1.延遲問題

越來越多產業需要應用程式具備快速分析與回應的能力，雲端運算過程中資料來源之間的網路距離容易導致低效率、延遲及客戶體驗不佳。

挑戰2.頻寬問題

網路的邊緣裝置數量越多，資料傳送至雲端的成本可能越來越高，邊緣處理、儲存與分析資料有助降低成本。

挑戰3.隱私及安全問題

減少網路傳輸的資料量有助降低資安風險，尤其是醫療、智財(IP)等資安要求高的資訊處理，雲端傳送不若邊緣運算安全。

挑戰4.連線問題

持續性的網路連線能力是雲端運算的痛點，加上未來5G可能帶來的高頻寬、低延遲助益，更能強化邊緣運算的快速傳輸能量，這部分雲端相對弱勢。

挑戰5.AI串聯問題

AI可以加速資料處理速度、提高智能運用，隨著AI與邊緣運算的發展，雲端的功能性相對弱勢。

邊緣運算四大核心：運算、儲存、建構網路與加速AI

傳統的雲端運算要求將資料傳輸回中央的資料中心進行處理，再傳輸回使用者端的終端設備，但資料中心無法保證傳輸速率和回應時間，另一方面，動輒

數十億物聯網及行動裝置所蒐集到的資料相當可觀，將資料傳送至分散式模型，就近在資料位置處理運算事宜更有效率。

邊緣運算(Edge Computing)為網路運算架構，在運算過程中因為靠近資料來源，可以減少延遲和頻寬的使用，極大限度地減少異地用戶端和伺服器之間的通信量。

雲端運算中的資訊與數據會集中蒐集、處理及分析，而邊緣運算則是將運算能力廣佈於運算環境中，二者包含在廣義的「雲解決方案」中。由於邊緣運算中的數據與資料可以在收集源附近處理，讓特定場域中的大小元件分工執行資料處理，不需要將數據傳輸到雲或數據中心進行分析處理，有助減輕網路及服務器的負擔，處理數據的能力及反應時間更快，因此特別適合即時性高的工業物聯網及車聯網的應用，若加入人工智能(AI)和機器學習(ML)等元素，還能產生更多創新應用，進一步提升元件的智慧化效能。

研調機構Gartner報告指出，2021年邊緣運算裝置具有深度機器學習能力的比例不到10%，2027年將提升到65%。

近裝置的邊緣運算設備具有四大核心：運算、儲存、建構網路與加速AI，將儲存、處理與分析資料的功能從雲端移至邊緣，對於車聯網這類極需即時應用的領域來說，可以帶來更快、可靠性更高、更優質的體驗，也有助於減少傳輸與儲存大量資料所需耗費的頻寬與成本，畢竟幾毫秒的延遲對各類即時系統及智慧車輛來說，可能就是生與死之間的距離，對於智慧工廠中的機器人來說，可能是成本與產值多一個零或少一個零的差距，尤其在網路連線能力不佳的地區，雲端連線中斷問題多，邊緣儲存與處理資料的優勢更為明顯。

【欲閱讀更豐富的內容，請參閱請參閱 2023 年1 月(第88期)】網站智動化Smart Auto雜誌】