根据Metcalfe’s Law，网络价值和用户数的平方是成正比的，当越来越多的人和智能的物连接在一个网络上，会让整个网络增值。调研机构预计，未来79%的物联网流量将通过网关接入，50%的网络流量将来自物联网，而物联网将贡献超过500亿的连接。与此同时，每个人、每个物体在每天所产生的数据量也将是当前的2000倍。巨大的商机由此而来，不止为管道商，更是为上游芯片商和服务商。

　　整体来看，云计算服务最多的还是设备端，物联网则是连接这些端的关键桥梁，无论是之后衍生出的移动边缘计算还是移动云计算，都在将重心引到端上，而不是将精力”浪费”在传统的IaaS或PaaS端。因此，云服务商在处理工作负载时仍将遵循”大智能”在云端，”小智能”在边缘的原则，但长期来看产业上下游围绕边缘场景打造智能化的解决方案已成必然趋势。

　　传统的物联网方案会在设备端采集数据，然后将信息发送回远端的数据中心进行处理，再由数据中心将指令返回到设备端。就像有一句话说的，世界上最远的距离是交通信号灯与摄像头的距离，原因就是在于设备之间的数据没有被打通，即使同一场景中的设备也必须经由千里之外的数据中心才能交流。同时，网络带宽和数据存储也会对数据中心造成较大的负担。

　　而在网络边缘加入智能化的元素之后，可以让处于边缘的每个设备都拥有数据处理能力，而非只是将数据存在云端。与云计算融合之后，智能边缘可以规模化的配置和部署成千上万的边缘设备，并结合不同的场景进行自动调度，让物联网环境内的每个设备都能自行采集、计算、分析、反馈需求，在端与数据中心之间自由交互。

　　举个例子，微软Azure IoT Edge借助混合云和边缘方案允许用户自定义IoT应用，支持在离线状态下也能实现高级的数据分析，同时降低物联网解决方案的构建成本。落地到场景中，无人驾驶和AI服务都是应用较为广泛的。比如，无人卡车可以通过算法来动态获取驾驶者及货物的信息，并以此来做出实时决策，包括路线规划、紧急制动等。再如在智能家居场景中，边缘传感器也无需持续将温度数据传到数据中心，而是会选择出决定性的温度变化进行传输，甚至可以直接做出判断和响应。

　　其实除了工业互联网的应用，另一个AI在边缘设备的场景就是常见的个人设备，即个人AI服务。英特尔在去年9月推出了一款名为”Loihi”的神经网络芯片，该产品主要用于帮助边缘的智能设备处理数据。这样一来，像Siri这样的个人助理就能不仅仅依靠背后的云端处理能力，还可以在”本地”拥有真正的数据理解能力。

　　从技术层面来看，AI赋能边缘计算的形态主要体现在两个层面：数据和算力。这些数据在处理时会消耗机器学习系统的大量算力，之后将数据信息送到决策系统中进行训练建模，之后推送到网络边缘进而采取行动。这一过程中，云端发挥的作用可能只是存储，更重要的处理能力则通过边缘的AI芯片来完成。通过引入机器学习技术，原有网络边缘的工作负载也会被有效缓解。

　　总体来看，物联网环境的愈发复杂使得边缘计算的出现成为必然，在低时延、高响应逐渐发展为边缘场景的必备能力时，如何引入更多的智能元素就成了大家都在思考的问题，否则边缘设备也只能是割裂的设备而已。