Om artificiell intelligens betraktas som en resa från A till B, är molntjänster en flygplats eller höghastighetstågstation, och edge computing är en taxi eller en delad cykel. Edge computing är nära människor, saker eller datakällor. Den använder en öppen plattform som integrerar lagring, beräkning, nätverksåtkomst och applikationskärnfunktioner för att tillhandahålla tjänster för användare i närheten. Jämfört med centralt distribuerade molntjänster löser edge computing problem som lång latens och hög konvergenstrafik, vilket ger bättre stöd för realtids- och bandbreddskrävande tjänster.
ChatGPT:s eld har utlöst en ny våg av AI-utveckling, vilket accelererar AI:s inträde i fler tillämpningsområden som industri, detaljhandel, smarta hem, smarta städer etc. En stor mängd data måste lagras och beräknas i applikationsänden, och att enbart förlita sig på molnet kan inte längre möta den faktiska efterfrågan. Edge computing förbättrar den sista kilometern av AI-applikationer. Inom ramen för den nationella politiken att kraftfullt utveckla den digitala ekonomin har Kinas molntjänster gått in i en period av inkluderande utveckling, efterfrågan på edge computing har ökat kraftigt, och integrationen av molnets edge- och end-system har blivit en viktig evolutionär riktning i framtiden.
Marknaden för edge computing förväntas växa med 36,1 % årlig tillväxttakt under de kommande fem åren.
Edge computing-industrin har gått in i ett skede av stadig utveckling, vilket framgår av den gradvisa diversifieringen av dess tjänsteleverantörer, den växande marknadsstorleken och den ytterligare expansionen av tillämpningsområden. När det gäller marknadsstorlek visar data från IDC:s uppföljningsrapport att den totala marknadsstorleken för edge computing-servrar i Kina nådde 3,31 miljarder USD år 2021, och den totala marknadsstorleken för edge computing-servrar i Kina förväntas växa med en genomsnittlig årlig tillväxttakt på 22,2 % från 2020 till 2025. Sullivan förutspår att marknadsstorleken för edge computing i Kina förväntas nå 250,9 miljarder RMB år 2027, med en årlig tillväxttakt på 36,1 % från 2023 till 2027.
Edge computing-miljöindustrin blomstrar
Edge computing befinner sig för närvarande i ett tidigt skede av utbrottet, och affärsgränserna i industrikedjan är relativt suddiga. För enskilda leverantörer är det nödvändigt att beakta integrationen med affärsscenarier, och det är också nödvändigt att ha förmågan att anpassa sig till förändringar i affärsscenarier från den tekniska nivån, och det är också nödvändigt att säkerställa att det finns en hög grad av kompatibilitet med hårdvaruutrustning, samt den tekniska förmågan att få igång projekt.
Edge computing-industrikedjan är uppdelad i chipleverantörer, algoritmleverantörer, hårdvarutillverkare och lösningsleverantörer. Chipleverantörer utvecklar mestadels aritmetiska chip från end-side till edge-side till moln-side, och förutom edge-side-chip utvecklar de även accelerationskort och stöder mjukvaruutvecklingsplattformar. Algoritmleverantörer använder datorseendealgoritmer som kärna för att bygga generella eller anpassade algoritmer, och det finns också företag som bygger algoritmgallerior eller utbildnings- och push-plattformar. Utrustningsleverantörer investerar aktivt i edge computing-produkter, och formen av edge computing-produkter berikas ständigt och bildar gradvis en komplett stack av edge computing-produkter från chipet till hela maskinen. Lösningsleverantörer tillhandahåller mjukvara eller mjukvaru-hårdvaruintegrerade lösningar för specifika branscher.
Applikationer inom Edge computing-branschen accelererar
Inom området smarta städer
En omfattande inspektion av stadsfastigheter används för närvarande ofta i form av manuell inspektion, och det manuella inspektionsläget har problem med höga tidskrävande och arbetsintensiva kostnader, processberoende av individer, dålig täckning och inspektionsfrekvens samt dålig kvalitetskontroll. Samtidigt registrerade inspektionsprocessen en enorm mängd data, men dessa dataresurser har inte omvandlats till datatillgångar för affärsmakt. Genom att tillämpa AI-teknik på mobila inspektionsscenarier har företaget skapat ett intelligent AI-inspektionsfordon för stadsstyrning, som använder tekniker som sakernas internet, molntjänster, AI-algoritmer och bär professionell utrustning som HD-kameror, inbyggda skärmar och AI-sidservrar, och kombinerar inspektionsmekanismen "intelligent system + intelligent maskin + personalassistans". Det främjar omvandlingen av stadsstyrning från personalintensiv till mekanisk intelligens, från empirisk bedömning till dataanalys och från passiv respons till aktiv upptäckt.
Inom området intelligenta byggarbetsplatser
Intelligenta byggarbetsplatslösningar baserade på edge computing tillämpar djupgående integration av AI-teknik i traditionell säkerhetsövervakning inom byggbranschen. Detta sker genom att placera en edge AI-analysterminal på byggarbetsplatsen, genomföra oberoende forskning och utveckling av visuella AI-algoritmer baserade på intelligent videoanalysteknik, utföra kontinuerlig detektering av händelser som ska upptäckas (t.ex. detektera om hjälm ska bäras eller inte), tillhandahålla identifiering av riskpunkter för personal, miljö, säkerhet och andra säkerhetsrisker samt larmpåminnelser, samt ta initiativ till identifiering av osäkra faktorer, använda intelligent AI-bevakning, spara arbetskraftskostnader och möta behoven av säkerhetshantering för personal och fastigheter på byggarbetsplatser.
Inom området intelligent transport
Molnbaserad arkitektur har blivit det grundläggande paradigmet för driftsättning av applikationer inom intelligent transportindustrin, där molnsidan ansvarar för centraliserad hantering och en del av databehandlingen, edge-sidan huvudsakligen tillhandahåller edge-dataanalys och beräkningsbeslutsfattande, och end-sidan huvudsakligen ansvarar för insamling av affärsdata.
I specifika scenarier som fordon-väg-koordinering, holografiska korsningar, automatisk körning och järnvägstrafik finns det ett stort antal heterogena enheter som åtkoms, och dessa enheter kräver åtkomsthantering, utfartshantering, larmbehandling samt drift- och underhållsbehandling. Edge computing kan dela och härska, göra stort till litet, tillhandahålla funktioner för protokollkonvertering över flera lager, uppnå enhetlig och stabil åtkomst, och till och med samarbetande kontroll av heterogena data.
Inom området industriell tillverkning
Scenario för optimering av produktionsprocesser: För närvarande begränsas ett stort antal diskreta tillverkningssystem av ofullständiga data, och den totala utrustningseffektiviteten och andra indexdataberäkningar är relativt slarviga, vilket gör det svårt att använda dem för effektivitetsoptimering. Edge computing-plattform baserad på utrustningsinformationsmodell för att uppnå horisontell och vertikal kommunikation på semantisk nivå i tillverkningssystem, baserad på en mekanism för bearbetning av realtidsdataflöden för att aggregera och analysera ett stort antal realtidsdata i fält, för att uppnå modellbaserad sammanslagning av information från flera datakällor i produktionslinjer, för att ge kraftfullt datastöd för beslutsfattande i det diskreta tillverkningssystemet.
Scenario för prediktivt underhåll av utrustning: Underhåll av industriell utrustning är indelat i tre typer: reparativt underhåll, förebyggande underhåll och prediktivt underhåll. Återställande underhåll tillhör underhåll i efterhand, förebyggande underhåll och prediktivt underhåll tillhör förhandsunderhåll. Det förra baseras på tid, utrustningens prestanda, platsförhållanden och andra faktorer för regelbundet underhåll av utrustning, mer eller mindre baserat på mänsklig erfarenhet, det senare genom insamling av sensordata, realtidsövervakning av utrustningens driftstillstånd, baserat på industriella modeller för dataanalys, och noggrant förutsäga när felet inträffar.
Scenario för industriell kvalitetsinspektion: Industriell visuell inspektion är den första traditionella formen av automatisk optisk inspektion (AOI) inom kvalitetsinspektionsområdet. Men utvecklingen av AOI hittills har i många defektdetektering och andra komplexa scenarier. På grund av defekter av en mängd olika typer, ofullständig funktionsutvinning, dålig utbyggbarhet hos adaptiva algoritmer, frekventa uppdateringar av produktionslinjen, oflexibel algoritmmigrering och andra faktorer har det traditionella AOI-systemet haft svårt att möta produktionslinjernas behov. Därför ersätter AI-plattformen för industriell kvalitetsinspektion, representerad av djupinlärning + småprovsinlärning, gradvis det traditionella visuella inspektionsschemat. AI-plattformen för industriell kvalitetsinspektion har gått igenom två steg: klassiska maskininlärningsalgoritmer och djupinlärningsalgoritmer för inspektion.
Publiceringstid: 8 oktober 2023