“可能有人會覺得這個題目有點不合時宜——在云計算如日中天的時候，去討論TA的“終結(jié)”，讓人感覺怪怪的。不過越接近云計算的人越容易發(fā)現(xiàn)，這兩年對云計算這種集中式數(shù)據(jù)處理模式的吐槽漸漸多起來。我們不妨隨著數(shù)據(jù)在云計算的標準路徑上走一遭，看看可能遭遇到的“槽點”有哪些。

物聯(lián)網(wǎng)時代，數(shù)百億級的設備正在井噴式地“生產(chǎn)”出海量的數(shù)據(jù)，如果這些數(shù)據(jù)全部匯聚到云端進行處理，那就會對數(shù)據(jù)傳輸?shù)膸捥岢鰳O高的要求。盡管5G等下一帶通信技術值得期待，但我們可以做一個簡單的類比——在北京，如果所有人的工作場所都在五環(huán)以內(nèi)，那么修再多的路，都會很快被上班族的洪流擁塞掉——因此現(xiàn)實中，基礎設施的進步總是會滯后于需求的增長。

其次，當數(shù)據(jù)匯聚到云端之后，如此高密度的數(shù)據(jù)計算和處理對于摩爾定律和現(xiàn)有的計算機體系結(jié)構(gòu)都是巨大的挑戰(zhàn)。與此同時，和高性能計算伴生的可觀的能耗，也是人們無法回避的一個問題。

數(shù)據(jù)在云端經(jīng)過處理和決策，會將行動指令下發(fā)到邊緣端，但在很多追求實時性的應用場景下這樣的“響應”已經(jīng)太遲了。比如當今一輛汽車上會有100個CPU，無人駕駛汽車CPU的數(shù)量可能會達到300~400個，如果關鍵的決策都需要數(shù)據(jù)在云上轉(zhuǎn)一圈才形成，后果可能不堪設想。

最后，難免會有一些“心存惡意”的數(shù)據(jù)會在網(wǎng)絡中游蕩，如果僅在云端設置一道網(wǎng)絡和數(shù)據(jù)安全的防線，這樣的防御策略顯然讓人放心不下。

圖1，經(jīng)典云計算架構(gòu)（圖片來源：網(wǎng)絡）

既然云計算不能給出一份“完美”的答卷，人們自然會去尋找新的解決方案。如今被作為云計算“顛覆者”推到前臺的就是邊緣計算。故名思議，邊緣計算就是要在網(wǎng)絡端點或接近網(wǎng)絡端點的網(wǎng)絡邊緣地帶去完成數(shù)據(jù)的計算和處理，經(jīng)過邊緣計算預處理的數(shù)據(jù)（而非原始數(shù)據(jù)）可以有選擇地發(fā)送到云端做“深加工”，也可以根據(jù)需要在邊緣端直接形成決策和響應指令。

邊緣計算這種“去中心化”的分布式計算架構(gòu)，恰恰彌補了云計算的軟肋：離數(shù)據(jù)源更近，帶寬要求不高，對基礎設施依賴度低，實時性強，還有利于在網(wǎng)絡邊緣上構(gòu)筑第一道數(shù)據(jù)安全防線。根據(jù)IDC的預測，到2021年43%的物聯(lián)網(wǎng)計算將發(fā)生在邊緣。

圖2，邊緣計算架構(gòu)（圖片來源：網(wǎng)絡）

有兩個有利的技術因素也在加速邊緣計算的發(fā)展。一是越來越強大的嵌入式處理器性能，為邊緣計算的實施提供了有力的保障。二是深度學習等人工智能技術的發(fā)展，使得我們可以對邊緣設備進行訓練，讓其具備更強的邊緣智能。

比如?？低?/u>在2017年推出的“明眸”人臉識別系統(tǒng)，就采用了邊緣設計的理念，在數(shù)據(jù)源頭就近完成數(shù)據(jù)預處理、存儲和傳輸?shù)确眨瑢崿F(xiàn)了更優(yōu)的實時性和可靠性。同時，基于邊緣計算的“刷臉”系統(tǒng)，無需配套機房、帶寬成本、運維成本，因此在部署和應用成本方面遠低于云端智能識別架構(gòu)。