前言

由于各类信息技术的发展，尤其是物联网产业进入规模化落地的初期，边缘计算已经提上了产业界议事日程，而随着人工智能在边缘计算平台中的应用，加上边缘计算与物联网“端-管-云”协同推进应用落地的需求不断增加，边缘智能成为边缘计算新的形态，使能物联网应用。

“将在外，君命有所不受”是非信息时代边缘智能的一种表现形式，主要是针对现场瞬息多变的战况产生的。而物联网的各类业务应用场景就像多变的战况一样，直接驱动边缘智能的进步，这方面主要是各类网络传输场景和应用特征产生的场景，对边缘智能形成直接需求；另外，边缘智能产业链上游各参与方投入大量资源进行技术研发，从供给方面给边缘智能打下基础。

边缘智能产业生态架构已形成，主要有两类参与者，第一大类涉及到边缘智能技术、产品、解决方案等核心业务的研发、生产、经营、应用闭环的流程，涵盖边缘载体供应商、边缘业务运营商、服务提供商和最终用户；第二大类主要是为边缘智能这一闭环流程提供研发、标准制定、产业组织等服务，对应的是一些科研机构开展边缘智能各个课题研发，标准化组织推出边缘智能端到端标准和参考架构，以及行业协会、联盟促进整个产业合作共赢，降低产业的碎片化。

目前，边缘智能已经在智能城市、智能工业、智能社区、智能家居、车联网等大量的垂直行业中形成示范应用，给垂直领域带来新的价值，产业链各方也在探索B2B2C、B2B等多种类型的商业模式。不过，边缘智能依然处于发展的初级阶段，技术、业务、商业模式等各方面的挑战仍然具有不确定性，接下来需要在标准化、产业联盟、场景驱动、产业链协同、安全隐私等方面做好工作，推动边缘智能的规模化落地。

本报告在物联网的框架和视角下，对边缘智能产业进行解读，希望对业界能够起到一定参考作用。

一、边缘智能概述

近几年，随着云计算、大数据、人工智能等技术的快速发展，以及各种应用场景的不断成熟，越来越多的数据需要上传到云端进行处理，给云计算带来的更多的工作负载，同时，由于越来越多的应用需要更快的反应速度，边缘智能应运而生。未来，随着百亿级别的设备联网，大部分数据都将在靠近数据的一侧完成收集、处理、分析、决策的过程。本章将会从边缘智能产生的背景、发展过程等展开论述。

1.1边缘计算产生的背景

回顾科技的发展史，一种技术、产品得以出现，主要原因是当下的技术、产品已然不能适应时代的发展。边缘智能也不例外，从我们进入物联网时代开始，联网设备、海量数据、超低延时等需求都对现有的云计算模式提出了挑战，如果沿用现有的技术就会成为万物互联时代的瓶颈，因此需要新的计算模式。

（1）物联网连接数快速增长

全球主要公司、权威机构都给出了各自的网联设备数量预测，根据Machina Research给出的数据显示，其预测2025年全球物联网连接数将增长至270亿个，蜂窝连接个数将达到220亿个，大部分将基于LTE。

图1全球物联网连接数

如此多的物联网设备都处在远离云计算的边缘侧，物联网设备不仅仅是一个数据收集器，更是执行器，以目前的现状来看，物联网设备将采集到的数据上传到云计算中心，经过一系列的计算与分析之后，再传达到物联网设备，云计算的处理能力尚可。但是，当物联网设备的数量达到百亿、千亿之后，“偏远”的云计算在处理这些数据的时候，其能力就会显得捉襟见肘。

在此情况下，边缘智能可以实现在设备侧、数据源头的数据收集与决策。这样既可以减轻云计算的计算负载，也能完成某些场景对数据处理与执行的苛刻要求。有研究机构预测，未来会有超过一半的数据在边缘进行处理，甚至更高，当然这并不是说边缘计算会吃掉云计算，我们也不这么认为，云计算和边缘计算的关系应该是互补的。

（2）网络流量呈现持续、快速增长

物联网时代，一切的发展都是建立在数据的快速增长之上，通过对海量数据分析才可以实现各种智能场景。根据思科的预测显示，2021年，全球网络流量将会达到278EB/月，而这一数据在2016年还只有96EB/月。

图22016-2021年全球月均网络流量

2021年，全球月均网络流量将会达到2016年的三倍，年复合增长率为24%，可以说每天都会产生大量的数据。正如前文所说，物联网时代将会有几百亿的联网设备，因此，其数据将会呈现分散性、碎片化的特点，云计算虽然有强大的数据处理能力，但是在面对海量的数据以及网络带宽带来的阻碍之时，云计算并不能实现全面的计算覆盖，而边缘计算就可以极大的缓解云计算的压力。

此外，与网络流量持续增长不同，网络带宽呈现阶梯上升的现状，因此，网络带宽的增长速度远远比不上流量、数据的增长速度。而从目前5G建设的步伐和预算来看，全面实现5G覆盖不是一蹴而就的事情，还需要一定的时间，并且，由于频谱的问题，5G覆盖的范围比4G小，这就需要重建很多5G基站，资金成本是一个大问题。综合技术与资金方面的考量，网络带宽带来的瓶颈问题短时间内很难解决。

大量的数据需要处理，很多场景需要实时的决策，云计算并不能完全满足市场的需求，边缘计算在这方面具有得天独厚的优势，即靠近数据侧，又有计算能力。并且，不是所有的数据都需要上传到云端，但是这些数据又对边缘设备的功能执行有着重要的作用。思科在2015-2020年全球云指数指出，2020年全球设备产生的数据中，只有10%是关键数据，其余90%都是临时数据，无需长期存储。基于以上因素，边缘计算可以极大的缓解网络带宽和云计算中心的压力，增强本地服务的响应效率。

（3）业务需求对技术提出新的挑战

技术的进步往往是以需求为导向，云计算、边缘计算的产生都是与各类业务的需求息息相关。以智能驾驶为例，汽车对时延的要求以毫秒为标准，从目前的技术发展，以及智能驾驶的需求来看，边缘计算可以在汽车高速移动的前提下提供IT服务环境和计算能力，还可以减少对网络资源的占用，增强实时通信能力，在极低时延的情况下完成数据处理和执行服务。

虽然，智能驾驶的实现需要多种技术同时推动，比如定位导航技术、环境感知能力、自动控制技术等，但是作为整合这些技术的边缘计算能力才是实现智能驾驶关键一环。

汽车要实现真正的智能化，就必须时刻对周围的数据进行读取与处理，在高速行驶的状态下，根据早年谷歌在无人驾驶方面取得的数据显示，智能驾驶汽车每秒会产生1GB的数据，处理这么多的数据，只靠云计算是不够的。更何况，未来所有的汽车都会实现智能化，面对百万、千万级的汽车数量，只靠数百公里之外的云计算中心不能同时处理如此多的数据，加之网络阻塞，汽车可能在数秒之后才会获得正确的指令，但为时已晚。这就需要能够在汽车端实现数据处理并执行的技术，由于边缘计算靠近数据源头，又具备轻量级云计算的能力，可以达到汽车智能化的时延要求。

1.2边缘计算问世

随着物联网连接数、网络流量的快速增长，以及各种场景的需求逐渐增多，正在催生新技术——边缘计算等的不断革新。加之云计算的短板问题逐渐显现，因此科技公司都在各自的领域“嵌入”边缘计算能力，对边缘计算的定义也有着不同的表述，但都大同小异。

1.2.1边缘计算定义及特点

欧洲电信标准协会（ETSI）给出的定义是，多接入边缘计算是在靠近人、物或数据源头的网络边缘侧，通过融合了网络、计算、存储、应用等核心能力的开放平台，就近提供边缘智能服务，来满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

ARM官方也曾给出这样的解释，他们认为边缘计算指的是靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在业务实时、业务智能、数据聚合与互操作、安全与隐私保护等方面的关键需求。该定义也被诸多公司、机构认可，比如边缘计算产业联盟，其在其第一版白皮书给出的边缘计算定义就与ARM的相同。

当然，不同的参与方会从各自的角度定义边缘计算，除了ETSI、ECC给出的上述定义，电信领域也提出了移动边缘计算（MEC）的概念，这里的边缘指的是骨干网络的边缘，如基站等。

金准人工智能专家认为，边缘计算不仅仅是对操作系统、开发环境、网络协议、外围硬件等软硬件的“边缘化”，更重要的是发现另一种高效的，与云计算形成协同效应的场景化的计算方式，近场计算或许是一种更为贴切的表述方式。基于对边缘计算定义的理解，以及其在新场景下发挥的功能，我们可以把边缘计算的特点归纳为以下几个方面。

（1）数据处理实时性

实时性是由于边缘计算天生的能力决定的，由于靠近物与数据源头，或者说其整合了数据采集、处理、执行三大能力，使其能够避免一些数据上传下达产生的时延弊端，可以在业务允许的范围完成对数据、软硬件的适配，提升本地物联网设备的处理能力和响应速度。

（2）业务数据可靠性

基于安全的数据才会有可靠的业务，众多的边缘计算服务就意味着庞大的服务加密协议，与现有的云计算数据传输状态类似，当数据从一个服务中心传输到另一个服务中心，会有各种协议的支持和数据加密方式的保障。同样，百亿级的边缘计算服务设备之间的数据传输更应该对数据的安全与隐私提出保障。在数据安全的基础上，业务才会有可靠的表现。由于边缘计算可以在广域网发生故障的情况下，也能够实现局域范围内的数据服务，进而实现本地业务的可靠运行。

（3）应用开发多样化

我们知道，未来会有一半以上的数据在其源头进行处理，也会有诸如工业制造、智能汽车、智能家居等多样的应用场景。用户可以根据自己的业务需求自定义物联网应用，这就好比我们在安装office过程中会有多种的安装选项。此外，需求的多样化必然会带来研发的多样化，现在设备公司、运营商、系统集成商、互联网公司都在从各自的角度，利用自己的能力介入边缘计算。

图3边缘计算特点

1.2.2边缘计算与云计算

对于云计算，维基百科给的这样的解释，云计算是基于网络提供的按需的、共享的、可配置的计算以及其他资源。从计算方式上来讲，云计算是云+端的模式。用户的个人智能客户端通过网络连接到云上，从而与云端的“云”共同形成一个综合的平台。

之所以会出现边缘计算，是由于云计算在应对物联网场景的时候出现服务能力不足的现象。云计算采用集中式的数据管理方式，面对分散的、碎片化的万物互联场景，应用服务需要在低时延、高可靠以及保证数据安全的前提下完成，云计算并不能满足这些要求。

（1）低时延

物联网环境下，边缘设备会产生大量实时数据，这些数据需要实时的处理，由于云计算的数据处理能力和所处的“地理位置”，不能满足这一要求，而随着网络流量的逐渐增加，云计算能力也将达到其瓶颈，进而制约物联网业务的发展。

（2）数据安全

从目前的现状来看，当用户浏览网站购买服务的时候，用户的隐私数据会上传至云端，此外在工业生产中，工业设备采集到的数据也会上传，由于这些数据是集中式的管理，就会增加数据泄露的风险。

（3）能耗

随着云计算中心存储和处理的数据越来越多，为了满足其服务能力，需要大量的能耗，加之维持计算中心温度所产生的能耗比计算服务本身所需要的更多，而降低云计算中心的负载可以达到降低能耗的目的。

当然，云计算所固有的问题并不意味着云计算会被边缘计算取代，二者应该是一种互补的关系，云计算可以在非实时的数据分析方面、数据模型的训练过程中发挥特长，边缘计算可以很好的处理云计算在某些方面所暴露的问题，比如时延、能耗，可以利用云端模型服务本地业务。二者的结合所产生的精细化计算能力可以为未来多样化的物联网业务提供合理的支撑。

1.3从边缘计算到边缘智能

不论是云计算还是边缘计算，其关注重点都是数据的处理与输出，做个比喻，云计算和边缘计算可以认为是在象牙塔里学到的理论知识，但是理论终究要运用到实践中，实践不是简单的套用理论，更重要的是能够解决生活生产中所遇到的实际问题。

对边缘计算也是同样的道理，与人工智能结合，让每个边缘计算的节点都具有计算和决策的能力。可以这样理解，边缘智能（EI）就是在业务层、终端侧部署人工智能。

边缘智能是边缘计算发展的下一个阶段，边缘计算是打破云计算不足的一种手段，而边缘智能则更注重与产业应用的结合，促进产业的落地与实现，这也是本报告的核心内容。

与边缘计算相比，边缘智能除了拥有更高的安全性、更低的功耗、更短的时延、更高的可靠性、更低的带宽需求以外，边缘智能可以更大限度的利用数据，让数据变得更有价值，与云计算、边缘计算相比，边缘智能可以更进一步的缩减数据处理的成本。

（1）边缘智能让数据变得更有价值

根据麦肯锡的调查发现，虽然某工业现场安装了成千上万的传感器，但是决策时使用的数据却只有1%。这其中40%的数据没有保存，剩余60%的数据也只是离线保存在采集终端，只依靠1%的数据并不能实时的分析和决策。

（2）边缘智能帮助企业缩减成本

金准人工智能专家研究发现，大部分边缘设备与云端相距很远，当边缘与云端的距离减少到322公里的时候，数据处理成本将缩减30%，当两者的距离缩减到161公里的时候，数据处理成本将缩减60%，而当边缘具备人工智能分析能力的时候，这一数字还有进一步缩减的空间。

图4数据处理成本缩减（%）结果

我们可以看到从云计算、分布式计算，到边缘计算，再到边缘智能，计算方式正在从云计算落实到贴地计算，边缘计算将轻量化的云计算与设备端结合，而边缘智能则是将边缘计算与用户、业务结合，边缘智能不是简单的把边缘计算搭建起来，更是对管道能力的整体提升，是物联网应用的使能者。

二、业务和技术视角下的边缘智能

边缘智能之所以被业界提上议事日程，很大程度上源于供需双方的各类条件成熟或者已经具备应用落地条件。从需求方来看，由于物联网产业的高速发展，各类创新型业务需要边缘智能的助力才能实现落地；从供给方面来看，一些能够支撑形成边缘智能产品、平台和解决方案相关技术已经成熟，还有针对不少该领域的技术成为业界研发的重点，来满足业务发展带来的需求。因此，业务和技术构成了边缘智能需求和供给的因素，本章对这两方面进行研究。

2.1业务场景需求驱动的边缘智能

随着移动互联网、物联网产业的高速发展，大量的业务场景对边缘智能已经提出了明确的需求，且开始在应用中落地。万物互联的愿景虽然还未实现，但业界已经有针对性地规划未来的业务场景，根据业务场景的需求来设计边缘智能的各项支撑性技术和方案，可以说业务场景需求是核心导向。总体来说，驱动边缘智能发展的业务场景主要包括两个方面，即网络传输的场景和应用特征产生的场景，从而形成对边缘智能的需求。

2.1.1网络传输的场景

正如本报告前文所述，物联网业务对各类有线、无线网络需求和依赖性很强，在很多情况下网络传输的场景往往成为业务落地的瓶颈，因此需要针对这些场景部署边缘智能平台和方案。

（1）异构网络的场景

由于面对着复杂的环境，完整的物联网解决方案往往采用了多种网络通讯技术，来保障业务连续性。目前，不存在一种网络技术标准可以同时涵盖各种距离和不同网络性能的要求，即将商用的5G网络具有很强的包容性，融合大量不同的通信技术标准，但依然难以涵盖所有物联网应用需要的通信场景。

近年来，无线通信技术的进展为物联网通信层带来了很多活力，我们以网络覆盖要求和网络性能要求两个指标来考察网络需求场景，会形成如下矩阵形态：

图5物联网无线网络场景矩阵

目前，大量物联网场景由于业务局限在小范围内，采用WiFi、蓝牙、Zigbee等短距离通信的技术，如智能家居、智能楼宇、智能照明、可穿戴设备等，所有采用短距离通信的物联网终端、传感器等节点均需要通过网关等枢纽类设备进行回传才能到达云端，这些枢纽设备就成为边缘智能平台运行的天然载体。而近年来兴起的低功耗广域网络（LPWAN）则是为广泛分布、免维护、低频小包数据传输场景而生的，不过也存在基于授权频谱和非授权频谱的技术，各类技术构成了传输网环节的差异，而相应设备数据回传至云端还是需要通过基站设备来进行；其他基于授权频谱的蜂窝网络技术，虽然具有统一的技术标准，但所有节点数据仍然需要基站进行回传至云端或服务器，与LPWAN类似，无线接入网之间或基站侧可以作为一个数据计算、处理的初步场所，形成边缘智能的载体，这也是移动边缘计算（MEC）的组成部分。

不仅仅是这些常见的无线通信，一些特殊场景会采用有线通讯连接，或自身所在行业通讯协议，如工业场景中最为流行的Modbus、HART、Profibus等协议，满足工业现场数据传输的需求，而这些场景中通讯协议更为复杂和碎片化，大量数据需要在现场进行处理后直接执行操作，且回传至云端前也需要“中枢”类设备进行协议转换，这些中枢类设备也往往成为边缘智能的载体。

图6异构网络通信需要“中枢”设备

从业务需求角度看，有些场景确实融合了多种通信技术，比如一个园区解决方案中对于园区内部工厂内部采用工业通讯方式，而对于楼宇节能管理采用Zigbee、蓝牙等短距离方案，对园区各类资产管理采用LPWAN技术。当需要一个园区整体解决方案时，所有的数据均需汇集到一个平台上，而在汇集到平台之前，通过各类通信技术连接的终端、传感器节点数据之间存在的差异，在靠近数据源的位置部署智能化节点就很有意义。另外，根据IHS的数据，当前有80%以上的连接是非IP类连接，需要网关等边缘智能类设备与IP类连接进行数据交互。金准人工智能专家预计到2020年，90%的物联网应用都会用到物联网网关。

所以说，不同通信技术之间需要实现兼容性，需要中间设备、平台以及相关软件技术进行“翻译”。这方面不少工作就放在边缘侧进行，利用边缘侧嵌入式终端的存储、计算、通信能力，实现异构通信技术的数据融合，形成部署边缘智能的必要条件。正如前文所述，各类通信协议数据回传途中，均有相应的软硬件节点作为数据的一个“枢纽”，而这个“枢纽”构成天然的边缘智能部署载体，形成边缘智能的充分条件。因此，物联网的发展形成异构网络的场景直接驱动边缘智能的发展。

（2）网络资源受限的场景并不陌生，普通用户也常常会碰到类似的情况，比如我们在大型体育比赛、演唱会等场所时，因为小区容量有限，短时间内数据上下行需求过高，手机往往没有信号。在物联网时代，一方面海量的连网设备数量，另一方面不少设备产生数据的速度飞快，对网络资源形成压力。总体来说，网络资源受限的场景包括带宽资源不足和突发的网络中断场景。

带宽资源不足和终端产生数据量剧增往往同步发生，互联网业务范围普及，视频业务由高清向超清演进，未来虚拟现实、增强现实等技术给人们身临其境的业务体验，这些业务将带来流量爆炸式增长，业界不少企业用“数据洪流”来描述这一场景。业内预计，未来每辆自动驾驶汽车每天会产生4TB数据，每架飞机每天会产生40TB数据，而每一家智能工厂每天会产生1PB以上的生产视频数据。由于网络带宽和网络容量并没有实现同步的、连续性的爆炸式增长，从而造成带宽资源不足，这些短时间内产生的海量数据如果实时上传至云端，一定会造成网络拥塞。

图7联网设备产生海量数据

带宽资源和海量数据的不同步增长，一方面网络弹性扩容能力有限，另一方面并非所有的数据需要通过网络上传至云端。一些需要短时间处理或存储周期很短的数据，本身无需占用有限带宽资源上传，而在靠近数据源头进行处理后即可，视频原始数据、工厂机器数据等有相当部分是通过边缘平台处理。麦肯锡曾经对一个海上钻井平台进行过调研，发现该平台上3万个传感器采集的数据中，40%没有被存储，剩余的大部分在本地存储，给边缘智能场景提供数据来源。

图8海上钻井平台数据（来源：麦肯锡）

另一网络资源受限的场景是突发的网络中断。虽然我国2G网络已成为全球精品网络，4G覆盖99%的人口，超过95%行政村都接入宽带，中国电信、中国联通已实现全国超过30万个NB-IoT基站商用，但这些并不能保证物联网所有应用场景中网络没有中断的风险。在很多周边环境复杂的应用场景，突发的事件可能使得传输受到限制，如森林防火、塌方泥石流监控、气象监测等恶劣环境下的物联网应用，一般会考虑到突发网络中断时靠近数据源的缓存、处理来保障业务的连续性。也有一些应用部署在热点区域，在大量设备同时请求上行数据时造成的临时中断。比如，一些共享单车密集区域高峰用车时段可能对该区域的基站形成很大压力，造成上线率低，而运营商除了对这些热点区域的基站设备进行优化外，通过边缘智能的方案对共享单车数据上报形成调节。

（3）端到端低时延的场景

低时延高可靠（uRLLC）是国际电信联盟（ITU）确定的5G应用场景之一，标准化组织3GPP也为实现该场景进行了大量的标准化工作，今年6月份冻结的首个独立组网5G标准中就支持大部分uRLLC的场景，这一场景也是移动边缘计算（MEC）实现的主要技术之一。

图9各类通信技术端到端时延测试

从网络传输角度看，端到端时延已经成为通信技术供应商为用户提供的服务中关键指标之一。未来智能工业、自动驾驶等应用场景中需要进行监测、控制、执行，往往需要非常低的时延，很多情况下时延要求在10ms以下。现有成熟的网络传输方式并不能实现这一要求，根据独立第三方网络测试机构Open Signal的测试结果，目前4GLTE可以达到100ms以下的端到端时延，而其他方案时延均高于4GLTE，这一结果还不足以支撑智能工厂、自动驾驶的有效应用。而ITU所定义的5G空口时延为1ms，可以满足这方面需求，不过这个1ms的指标需要边缘智能的协助。

图10端到端时延示例

Open Signal所测试的端到端时延是指终端——基站——回传——核心网——云端的往返时延。而在云端之前，即终端至核心网之间的时延约为20-30ms，但核心网到云端的物理距离将主要决定了网络时延，由于云端服务器分散在全球各地，物理距离较远，终端数据需要通过光纤连接访问云端，增加了时延。如果需要低时延场景的业务采用终端——云端的往返模式，即使终端——核心网之间的时延降到非常低的程度，也根本无法保障其实时性要求，自动驾驶、智能工业等业务无法开展。

图11通过边缘智能实现毫秒级时延

此时，对于边缘智能的需求就非常明显，5G技术通过将存储、计算、智能资源下沉，在基站侧或无线接入网之间的位置，以边缘智能的方案来处理实时性、短周期的数据，即时回馈给终端去执行，达到1ms的时延水平，从而保障业务的正常开展。

2.1.2应用特征产生的场景

万物互联会产生多样化、差异化的应用，不少应用本身具备的特征直接决定了需要采用边缘智能的方式，尤其是需要提供差异化服务的场景，包括专网类业务场景、营销类业务场景和体验提升的场景等。

（1）专网类业务场景

大量行业、企业因为业务特殊性、数据保密等原因，采用专网方案，主要业务数据在其专用网络中进行计算处理，不使用公共网络服务。在过去的数十年中，专网类业务规模虽然远不如公网类业务那么大，但政务、公安、民航、铁路、交通、工业等大量行业都在采用专网服务，做到物理隔离来保证数据安全。

专网业务中不少场景对边缘智能有天然的需求，虽然专网用户会自建数据中心或私有云，但面对很多业务数据本地产生、本地终结的特征，并不需要所有数据都存放在其自有的服务器上，通过数据源头平台处理能提升效率，同时也减轻自建服务器的容量压力。

比较典型的专网场景就是企业的工业制造场景。上一节中所述，智能工业本身就有低时延、高可靠的通信场景，需要通过边缘智能助力实现。除此之外，工业制造现场每天会产生的海量数据，直接在现场就近进行处理，目前很多企业已能够提供成熟的边缘智能软硬件解决方案，在工厂的局域环境下完成。

另一种典型的专网场景是本地视频，由于很多用户的安装的视频设备采集数据也仅限于其专网内部，作为监测、管理手段提升的方式。不过，很多监控视频的大部分时间都是静止场景，不论是从摄像头终端侧或者服务器侧处理都不是很理想的方式。此时，部署边缘智能平台对于这种专网监控视频就很有意义，通过边缘智能平台筛选出监控画面变化的部分或一些有意义的视频片段，对服务器进行回传，而把价值不高的监控内容就地缓存在边缘智能服务器中，保障专网资源留给关键业务。