Om artificiell intelligens betraktas som en resa från A till B, är cloud computing-tjänst en flygplats eller höghastighetsjärnvägsstation, och edge computing är en taxi eller en delad cykel. Edge computing ligger nära sidan av människor, saker eller datakällor. Den antar en öppen plattform som integrerar lagring, beräkning, nätverksåtkomst och applikationskärnfunktioner för att tillhandahålla tjänster för användare i närheten. Jämfört med centralt utplacerade cloud computing-tjänster löser edge computing problem som lång latens och hög konvergenstrafik, vilket ger bättre stöd för realtids- och bandbreddskrävande tjänster.
Branden från ChatGPT har satt igång en ny våg av AI-utveckling, och påskyndat AI-utvecklingen i fler applikationsområden som industri, detaljhandel, smarta hem, smarta städer, etc. En stor mängd data behöver lagras och beräknas på applikationsslut, och att förlita sig på att molnet inte längre kan möta den faktiska efterfrågan, förbättrar edge computing den sista kilometern av AI-applikationer. Enligt den nationella policyn att kraftfullt utveckla den digitala ekonomin har Kinas molnbaserade datoranvändning gått in i en period av inkluderande utveckling, efterfrågan på edge computing har ökat och integrationen av molnkant och slut har blivit en viktig evolutionär riktning i framtiden.
Edge datormarknaden kommer att växa med 36,1 % CAGR under de kommande fem åren
Edge datorbranschen har gått in i ett stadium av stadig utveckling, vilket framgår av den gradvisa diversifieringen av dess tjänsteleverantörer, den växande marknadsstorleken och den ytterligare expansionen av applikationsområden. När det gäller marknadsstorlek visar data från IDC:s spårningsrapport att den totala marknadsstorleken för edge computing-servrar i Kina nådde 3,31 miljarder USD 2021, och den totala marknadsstorleken för edge computing-servrar i Kina förväntas växa med en sammansatt årlig tillväxt ränta på 22,2 % från 2020 till 2025. Sullivan förutspår att marknadsstorleken för edge computing i Kina förväntas nå 250,9 miljarder RMB 2027, med en CAGR på 36,1 % från 2023 till 2027.
Edge computing eko-industrin frodas
Edge computing är för närvarande i ett tidigt skede av utbrottet, och affärsgränserna i branschkedjan är relativt otydliga. För enskilda leverantörer är det nödvändigt att överväga integrationen med affärsscenarier, och det är också nödvändigt att ha förmågan att anpassa sig till förändringar i affärsscenarier från teknisk nivå, och det är också nödvändigt att säkerställa att det finns en hög grad av kompatibilitet med hårdvaruutrustning, såväl som den tekniska förmågan att landa projekt.
Edge datorbranschens kedja är uppdelad i chipleverantörer, algoritmleverantörer, tillverkare av hårdvaruenheter och lösningsleverantörer. Chipleverantörer utvecklar mestadels aritmetiska chips från ändsidan till kantsidan till molnsidan, och förutom kantsidans chip utvecklar de även accelerationskort och stödjer mjukvaruutvecklingsplattformar. Algoritmleverantörer tar datorseendealgoritmer som kärnan för att bygga allmänna eller anpassade algoritmer, och det finns också företag som bygger algoritmgallerior eller utbildnings- och pushplattformar. Utrustningsleverantörer investerar aktivt i edge computing-produkter, och formen av edge computing-produkter berikas ständigt och bildar gradvis en full stack av edge computing-produkter från chipet till hela maskinen. Lösningsleverantörer tillhandahåller mjukvara eller mjukvaru-hårdvaruintegrerade lösningar för specifika branscher.
Edge computing industriapplikationer accelererar
Inom smart stad
En omfattande inspektion av stadsfastigheter används för närvarande vanligtvis i läget för manuell inspektion, och det manuella inspektionsläget har problemen med höga tidskrävande och arbetsintensiva kostnader, processberoende av individer, dålig täckning och inspektionsfrekvens och dålig kvalitet kontrollera. Samtidigt registrerade inspektionsprocessen en enorm mängd data, men dessa dataresurser har inte omvandlats till datatillgångar för att stärka verksamheten. Genom att tillämpa AI-teknik på mobila inspektionsscenarier har företaget skapat ett intelligent inspektionsfordon för stadsstyrning, AI, som använder teknologier som Internet of Things, molnberäkning, AI-algoritmer och bär professionell utrustning som högupplösta kameror, on- kortskärmar och AI-sidoservrar, och kombinerar inspektionsmekanismen "intelligent system + intelligent maskin + personalhjälp". Det främjar omvandlingen av stadsstyrning från personalintensiv till mekanisk intelligens, från empirisk bedömning till dataanalys och från passiv respons till aktiv upptäckt.
Inom området intelligent byggarbetsplats
Edge computing-baserade intelligenta byggarbetsplatslösningar tillämpar den djupa integreringen av AI-teknik på det traditionella byggbranschens säkerhetsövervakningsarbete, genom att placera en avancerad AI-analysterminal på byggarbetsplatsen, slutföra den oberoende forskningen och utvecklingen av visuella AI-algoritmer baserade på intelligent video analysteknik, heltidsdetektering av händelser som ska upptäckas (t.ex. upptäcka om man ska bära hjälm eller inte), tillhandahålla personal, miljö, säkerhet och andra säkerhetsriskpunkter för identifiering och larmpåminnelsetjänster samt ta initiativ till identifiering av osäkra faktorer, AI intelligent bevakning, besparingar på arbetskraftskostnader, för att möta behoven för personal- och fastighetssäkerhetshantering på byggarbetsplatser.
Inom området intelligenta transporter
Cloud-side-end-arkitektur har blivit det grundläggande paradigmet för utbyggnaden av applikationer i den intelligenta transportindustrin, med molnsidan ansvarig för centraliserad hantering och en del av databehandlingen, kantsidan tillhandahåller främst kantsidans dataanalys och beräkningsbeslut -making processing, och slutsidan huvudsakligen ansvarig för insamlingen av affärsdata.
I specifika scenarier som koordinering av fordon och vägar, holografiska korsningar, automatisk körning och järnvägstrafik, finns det ett stort antal heterogena enheter åtkomliga, och dessa enheter kräver åtkomsthantering, avfartshantering, larmbearbetning och drift- och underhållsbearbetning. Edge computing kan dela och erövra, göra stora till små, tillhandahålla protokollkonverteringsfunktioner över flera lager, uppnå enhetlig och stabil åtkomst och till och med kollaborativ kontroll av heterogen data.
Inom området industriell tillverkning
Scenario för optimering av produktionsprocess: För närvarande begränsas ett stort antal diskreta tillverkningssystem av ofullständiga data, och den totala utrustningens effektivitet och andra indexdataberäkningar är relativt slarviga, vilket gör det svårt att använda för effektivitetsoptimering. Edge computing plattform baserad på utrustning information modell för att uppnå semantisk nivå tillverkningssystem horisontell kommunikation och vertikal kommunikation, baserad på realtids dataflöde bearbetningsmekanism för att aggregera och analysera ett stort antal fält realtidsdata, för att uppnå modellbaserad produktionslinje multi-datakälla informationsfusion, för att ge kraftfullt datastöd för beslutsfattande i det diskreta tillverkningssystemet.
Utrustningsförutsägande underhållsscenario: Underhåll av industriell utrustning delas in i tre typer: reparativt underhåll, förebyggande underhåll och förutsägande underhåll. Återställande underhåll hör till efterhandsunderhåll, förebyggande underhåll och prediktivt underhåll tillhör förhandsunderhåll, det förra är baserat på tid, utrustningsprestanda, platsförhållanden och andra faktorer för regelbundet underhåll av utrustning, mer eller mindre baserad på mänsklig erfarenhet, den senare genom insamling av sensordata, realtidsövervakning av utrustningens drifttillstånd, baserat på den industriella modellen för dataanalys, och noggrant förutsäga när felet inträffar.
Industriell kvalitetsinspektionsscenario: industriellt syninspektionsfält är den första traditionella automatiska optiska inspektionen (AOI) formen i kvalitetsinspektionsfältet, men utvecklingen av AOI hittills, i många defektdetektering och andra komplexa scenarier, på grund av defekterna i en mängd olika av typer, funktionsextraktion är ofullständig, adaptiva algoritmer dålig utvidgningsbarhet, produktionslinjen uppdateras ofta, algoritmmigreringen är inte flexibel, och andra faktorer har det traditionella AOI-systemet varit svårt att möta utvecklingen av produktionslinjens behov. Därför ersätter AI-plattformen för industriell kvalitetsinspektionsalgoritm som representeras av djupinlärning + liten provinlärning gradvis det traditionella visuella inspektionsschemat, och AI-plattformen för industriell kvalitetsinspektion har gått igenom två stadier av klassiska maskininlärningsalgoritmer och inspektionsalgoritmer för djupinlärning.
Posttid: 2023-okt-08