1.应用存在的局限性

　　目前产品落地主要体现在视频结构化(视频数据的识别和提取)、生物识别(指纹识别、人脸识别等)、物体特征识别(车牌识别系统)等应用。安防系统每天产生的海量图像和视频信息导致信息冗余严重，识别精度和效率不足，适用领域有限。

　　视频监控系统作为一个前端和后端都很明显的物联网系统，在边缘计算的应用方面有着巨大的潜力。作为前端采集设备，摄像头不仅大幅提升了清晰度，对智能化的需求也更强。因此，业界正在努力推动实现视频图像内容的实时处理，这不仅可以大大减轻信息传输系统和后端设备的负担，还可以提高整个安防系统的响应速度，为安防领域一直倡导的“事前预警、，事后制止、”的理念提供了最有利的技术支撑。

　　比如在人脸识别的应用中，通过前端抓拍中心分析的前端和后端智能相结合的方式，对人脸识别的智能算法进行预定位，并在前端摄像头内置高性能智能芯片。人脸识别抓取的压力通过边缘计算分配到前端，从而释放中心的计算资源，集中优势计算资源进行更高效的分析。

　　2.技术层面

　　目前，人工智能通常是指通过有监督或无监督的训练获得的智能，它依赖于海量数据和深度学习。代价是巨大的计算和存储复杂性。随着算法多样性和复杂性的进一步提高，运算和存储成本将大大增加。传统的解决方案是在云端的数据中心对大量数据进行分析和决策，然后将结果发回终端，在云端负责人工智能的部分，就是终端(即边缘端)负责数据采集和执行。

　　3.云端存在的难题

　　(1)数据传输成本高。随着数据量的快速增加，传输带宽的压力越来越大，边缘端的无线传输模块必须支持高速无线传输，这就需要更多的功耗，这与边缘的低功耗需求相冲突。

　　(2)很多终端应用场景对延迟非常敏感。比如智慧城市中的异常行为检查、人流量检测需要实时预警，长时间延迟是无法接受的。

　　(3)智能家居等场景对安全和隐私的需求也限制了云计算的发展。在数据传输到数据中心之前，通过网络边缘设备对数据进行分析处理、匿名和加密处理，使得所有终端数据都可以传输到云端，无需传输，有效解决了这些问题。

　　边缘计算可以很好地解决这些问题。根据实际应用需求，边缘可以独立作为智能处理模块，也可以与云协同工作(边缘可以做一些分析、处理和过滤，然后交给云)。这种解决方案在延迟、带宽和功耗方面具有明显优势。

　　责任编辑：张华