計算性能、軟件算法、連接性和深度學習方面的最新進展正在徹底改變?nèi)藱C交互。例如，通過將這些創(chuàng)新應用于消費產(chǎn)品，移動設備可以提供更強大的用戶體驗。在交通運輸中，車輛可以封裝智能功能，使其更安全、更高效。無人駕駛飛行器 （UAV） 或無人機可以在不將人類置于危險之中的情況下完成對遠程管道和基礎設施資產(chǎn)的安全檢查。在工業(yè)應用中，開發(fā)人員可以通過高度智能的機器人技術實現(xiàn)制造過程的更高水平的效率、精度和可擴展性。消費者還可以釋放物聯(lián)網(wǎng) （IoT） 和智能家居自動化的優(yōu)勢，騰出時間做更多我們喜歡的事情。

當今物聯(lián)網(wǎng)應用、自動駕駛汽車和工業(yè)機器人技術中傳感器和攝像頭的激增需要新的高性能邊緣處理解決方案，以提高計算能力，同時消耗更少的能源并增強安全性和隱私性。盡管云計算已經(jīng)徹底改變了我們處理和存儲大型數(shù)據(jù)集的方式，但性能和帶寬等一些障礙限制了自治應用程序，因為必須以最小的延遲做出基于邊緣的決策。

隨著近年來物聯(lián)網(wǎng)技術和傳感器的爆炸式增長，沒有簡單的方法來管理和利用數(shù)十億連接設備不斷生成的所有數(shù)據(jù)。實現(xiàn)人工智能 （AI） 的承諾需要訪問大量傳感器數(shù)據(jù)，以實現(xiàn)幾乎即時的決策。此外，傳感器和計算資源之間的直接通信對于實時決策至關重要。這些新需求正在推動行業(yè)向邊緣超級計算發(fā)展，這使得數(shù)據(jù)采集和處理可以在接入網(wǎng)絡的邊緣進行，并且離最終用戶更近。

管理數(shù)據(jù)洪流

考慮到大量安裝了傳感器的物聯(lián)網(wǎng)設備，這些設備產(chǎn)生了大量的數(shù)據(jù)。據(jù) Verizon 稱，每平方公里有超過 100 萬臺聯(lián)網(wǎng)設備。這些物聯(lián)網(wǎng)設備無處不在并且數(shù)量不斷增加。從我們家和辦公室的安全攝像頭，到個人醫(yī)療設備和農(nóng)業(yè)傳感器，再到我們隨身攜帶的智能手機。Verizon 估計，在任何一天，一輛聯(lián)網(wǎng)汽車產(chǎn)生的數(shù)據(jù)都超過了 Facebook 的所有數(shù)據(jù)。將當今所有連接設備、無線傳感器和部署在世界各地的機器人的數(shù)據(jù)輸出水平相乘，很容易看出我們正面臨著數(shù)據(jù)海嘯，這可能會淹沒我們做出實時決策的能力。

不幸的是，估計有 80% 的邊緣數(shù)據(jù)被浪費了，因為由于帶寬、延遲、隱私或成本限制，它無法傳輸?shù)皆贫诉M行處理。為了兌現(xiàn)人工智能和自治的承諾，我們必須從根本上提高網(wǎng)絡和計算效率。這包括在邊緣持續(xù)學習的能力，而不是依靠上傳到云端的大量數(shù)據(jù)來執(zhí)行深度神經(jīng)網(wǎng)絡的完全集中式訓練。

現(xiàn)有的網(wǎng)絡和云計算技術并未針對物聯(lián)網(wǎng)設備生成的海量邊緣數(shù)據(jù)進行優(yōu)化。超大規(guī)模數(shù)據(jù)中心中使用的高性能、耗電的服務器笨重且成本太高，無法在邊緣附近部署。系統(tǒng)和網(wǎng)絡架構師已經(jīng)為這一數(shù)據(jù)挑戰(zhàn)設想了解決方案：將更多計算智能添加到邊緣而不是云。隨著這一趨勢的鞏固和擴展，計算基礎設施的新增長將在數(shù)據(jù)中心域之外的網(wǎng)絡邊緣更接近最終用戶。

據(jù) Forrester Research 稱，以下因素正在推動邊緣計算的增長：

物聯(lián)網(wǎng)和機器對機器 （M2M） 連接的持續(xù)擴展

復雜的算法和新應用，例如人工智能、機器學習、神經(jīng)網(wǎng)絡、自動駕駛汽車和虛擬/增強現(xiàn)實，都需要低延遲和高可靠性

影響云計算的帶寬和連接限制

數(shù)據(jù)存儲和傳輸成本上升

越來越分散和移動的勞動力

新出現(xiàn)的數(shù)據(jù)隱私問題和要求。

邊緣超級計算的興起

在這十年及以后，我們將看到基于邊緣計算和邊緣服務器技術的數(shù)據(jù)中心之外的高性能計算創(chuàng)新。我們將看到一種新的計算范式迅速崛起：邊緣超級計算。

下圖顯示了當我們遠離數(shù)據(jù)中心模型而更接近智能、計算能力強的邊緣設備時計算基礎設施特性的權衡。

隨著智能邊緣設備在該領域的不斷激增，將高性能計算能力嵌入這些設備所需的投資和上市時間只會加快。自動駕駛汽車和工業(yè)物聯(lián)網(wǎng)設備等實時應用將需要大量的車載計算資源。通過添加本地服務器或邊緣數(shù)據(jù)中心，還可以更有效地解決帶寬受限的應用程序。

戰(zhàn)略和架構的轉變

由于邊緣的機器智能依賴于嵌入在設備中的各種傳感器來做出實時決策，因此所需的計算能力和低延遲要大于當前數(shù)據(jù)處理基礎設施（即云）能夠大規(guī)模處理的能力。 這些新出現(xiàn)的需求正在改變數(shù)據(jù)處理的方式和地點。

許多數(shù)據(jù)中心正在將其部分計算資源移動到更靠近接收和發(fā)送數(shù)據(jù)的設備處。越來越多的人工智能設備用戶選擇在現(xiàn)場而不是在云端處理數(shù)據(jù)。通過在本地存儲和處理數(shù)據(jù)而不是傳輸?shù)皆贫?，邊緣計算增強了安全和隱私的許多方面。邊緣計算還為創(chuàng)新開辟了新的機會，以滿足對高性能、低延遲、節(jié)能物聯(lián)網(wǎng)產(chǎn)品和智能自主應用日益增長的需求。

向邊緣計算的持續(xù)轉變將需要重新構想 IT 戰(zhàn)略和架構。以下因素是新邊緣超級計算范式的重要考慮因素：

將支持操作重新調(diào)整到邊緣——將軟件支持從 x86 CPU 和計算統(tǒng)一設備架構 （CUDA） GPU 擴展到針對邊緣或嵌入式服務器優(yōu)化的新架構。部署靈活的硬件架構，以利用不斷發(fā)展的算法工作負載在多租戶環(huán)境中運行不同類型的工作負載。

擴展 dev-ops - 將 dev-ops 從云擴展到邊緣設備以及介于兩者之間的任何地方。

重新確定資本分配的優(yōu)先級 - 探索在部署本地邊緣服務器和/或增加邊緣數(shù)據(jù)中心容量方面的投資。

將高性能邊緣處理能力添加到當今的運營架構中對于物聯(lián)網(wǎng)和人工智能基礎設施至關重要，就像過去十年擴展云計算能力一樣。盡管邊緣處理的許多領域都取得了進展，但在邊緣部署高級算法的開發(fā)人員仍然受到資源限制?；谶吘壍臋C器智能在改進任務和流程方面的全部潛力尚未實現(xiàn)。

開發(fā)人員必須針對優(yōu)化的目標硬件定制 AI 和高性能工作負載，而不是相反。硬件應該專為這些苛刻的邊緣工作負載而設計。尋求為新的應用程序挑戰(zhàn)創(chuàng)建算法的開發(fā)人員需要進行實驗和創(chuàng)新的空間。當前可用的邊緣計算產(chǎn)品可以實現(xiàn)設計靈活性，但它們?nèi)狈⑾敕ㄞD化為可大規(guī)模部署的市場可行應用程序的處理能力。該解決方案是邊緣超級計算——一種全新的硬件和軟件架構，將高性能計算與復雜的人工智能功能相結合。

在多個應用程序和市場中部署邊緣超級計算的好處將為世界各地的人、工作場所、行業(yè)和城市帶來變革。隨著智能邊緣設備的實時決策成為現(xiàn)實，我們將體驗到一個我們尚未想象的可能性和無數(shù)創(chuàng)新的世界，這些創(chuàng)新將使我們的生活更安全、更有保障、更有成效。

審核編輯：郭婷