10、边缘人工智能的最新挑战与应用

边缘人工智能的最新挑战与应用

1. 引言

边缘计算有潜力实现云应用的去中心化，同时增加带宽并降低延迟。这些优势是通过将特定应用的计算任务分配到云、数据生成设备以及无线和有线网络基础设施的边缘来实现的。然而，现有的机器学习和人工智能（AI）方法通常假定计算是在强大的计算环境中进行的，比如拥有充足处理和存储能力的数据中心。

“边缘”这一概念在现代发展和研究中仍是一个模糊的术语。不同群体和研究人员对边缘的定义、位置以及提供者缺乏统一的理解。与云相比，边缘具有低延迟、拓扑相似性、网络容量提升、处理能力较低、体积较小和设备异质性更高等特点。与终端设备相比，它提供了更多的计算和存储资源，是一个可以让你无需借助云就能外包计算和存储任务的虚拟实体。

当前的AI和ML技术需要复杂的计算结构，这与数据中心提供足够处理和存储能力的需求之间的矛盾日益凸显。将所需的原始数据发送到云会给网络的带宽和吞吐量带来压力，同时，大多数企业也不愿意与商业云服务提供商共享（可能敏感的）数据。边缘AI这一快速发展的领域正是为了解决这一矛盾而出现的。边缘AI的应用范围广泛，可用于工业5.0中的智能家居、智能农业、智能车辆、智能教育、智能关键产业、智能电子商务、智能交通和智能医疗等领域。

边缘AI已经逐渐进入了一些常规服务领域，如互联汽车、即时游戏、医疗保健和智能制造等。从基础设施的角度来看，边缘环境为AI创造了一个独特的层次，并为当前的技术（如联邦学习或嵌入式AI）提供了可能性，这些技术旨在减少特定设备的内存使用、增强本地设备的数据隐私保护，并降低分布式实体之间的通信需求。以下是相关贡献：
- 探讨了边缘AI在当前时代的用例。
- 研究了工业4.0中的5G技术。
- 阐述了