在电子智能领域，所有类型的芯片厂商都不约而同的研发推出各种不同类型的AI处理器。国外大企，像高通、英伟达等，都已宣布推出用于智能手机和其他移动设备的神经引擎。例如在智能手机中添加AI功能和手机的Face ID应用等。使用边缘侧AI自行处理相比传输到云端处理更安全、私密，响应时间更快。

按照整体大趋势，不出意外的，神经网络引擎／加速器成为主流。几年后，每台带有摄像头的设备都将包含具有AI功能的视觉处理和神经网络引擎。

什么是边缘计算？

在边缘计算参考架构2．0中，对边缘计算有这样的定义：

“边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。它可以作为联接物理和数字世界的桥梁，使能智能资产、智能网关、智能系统和智能服务。”

边缘处理的优势在于减少延迟，全网络覆盖，增加了隐私和安全性，并减少了与云端的通信，从而降低了成本。

在AI智能应用到安防领域中，边缘侧AI已经使得已知或未知的人脸检测、语音生物识别、声音检测、动作感应得以实现，WiFi、蓝牙或蜂窝网络都可以自行连接，这些功能都可以自行决策。

当边缘侧AI应用在汽车领域，可以作用于视觉传感器对驾驶员起到一个监视器作用，可帮助驾驶员进行决策，并根据实际情况采取行动，同时通过深度学习不断改善，以不断提升决策的准确性。同时也可作用于前视摄像头系统、夜视环绕视图盲点检测、后／停车检测等，同时对实现定位、V2X通信及车内互连等功能都有很大的帮助。

神经网络－ANN

神经网络其实就是一种运算模型，它由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

一个函数的权重加权（每个输入信号x1， x2， x3，对应的权重分别为w1， w2， w3，然后加上内部强度（用 b 表示），然后激活函数（用 a＝σ（z） 表示）

整个公式为：

w和x都是 3x1 的列向量，其中w转置后为 1x3 的行向量，因此与x相乘后为标量（实数），然后和 b 相加就得到标量 z，z被代入到激活函数 a＝σ（z） 得到神经元的输出，这里的 a 表示神经元的激活状态。σ（z）被称为激活函数。

整个神经网络分为：输入层，隐藏层，输出层。一般说L层神经网络，指的是有L个隐层，输入层和输出层都不计算在内的。

一个神经元被称为 逻辑斯蒂回归（logistic regression） ，隐层（hidden layer）较少的被称为 浅层，而隐层较多的（比如这个图中的5 hidden layer）被称为 深层 ，基本上是层次越深越好，但是带来的计算成本都会增加，有时候不知道个该用多少的时候，就从logistic回归开始，一层一层增加。人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

神经网络的压缩与简化一直是业界在AI智能上做出创新和研发的重要课题。未来神经网络将和CPU、GPU和视频编解码器一样，成为SoC的标准IP模块。

深度学习－DL

深度学习DL是基于机器学习ML基础上升级的，我们暂时将人工智能类比成孩子的大脑，深度学习是让孩子去掌握认知能力的过程中很有效率的一种教学体系。深度学习是达到人工智能的一种方法和工具。

深度学习通过神经网络（Neural Network， NN）来模拟人的大脑的学习过程，希望通过模仿人的大脑的多层抽象机制来实现对数据（画像、语音及文本等）的抽象表达，将features learning和classifier整合到了一个学习框架中，减少了人工／人为在设计features中的工作。“深度学习”里面的深度（Deep）指的就是神经网络多层结构。

如下图， 很多点， 深度学习之后汇出的应该是如图一的趋势图， 这样x 轴任给一个点， y轴能找到对应的值。如果数据或是运算过分的话， 原有数据的每一个点都包含的话。反而没有规律了。

所以深度学习通过在输出个输入之间引入一个shortcut connection，而不是简单的堆叠网络，这样可以解决网络由于很深出现梯度消失的问题，从而可以把网络做的很深。

边缘计算的五大特性

1、边缘计算的基础－联接性

所连接物理对象的多样性及应用场景的多样性，需要边缘计算具备丰富的联接功能，如各种网络接口，网络协议、网络拓扑、网络部署和配置、网络管理与维护。联接性需要充分借鉴吸收网络领域先进的研究成果，如TSN、SDN、NFV、Network as a Service、WLAN、NB－IOT、5G等，同时还要考虑与现有各种工业总线的互联互通。

2、边缘计算作为物理世界到数字世界的桥梁，是数据的第一入口

边缘计算拥有大量、实时、完整的数据，可基于数据全生命周期进行管理与价值创造，将更好的支撑预测性维护，资产效率与管理等创新应用；同时，作为数据第一入口，边缘计算也面临数据实时性、确定性、多样性等挑战。

3、边缘计算具有约束性

边缘计算产品需适配工业现场相对恶劣的工作条件与运行环境，如防电磁、防尘、防爆、抗振动，抗电流／电压波动等。在工业互联场景下，对边缘计算设备的功耗、成本、空间也有较高的要求。

边缘计算产品需要考虑通过软硬件集成与优化，以适配各种条件约束，支撑行业数字化多样性场景。

4、边缘计算实际部署天然具备分布式特征

边缘计算支持分布式计算与存储，实现分布式资源的动态调度与统一管理、支撑分布式智能、具备分布式安全等能力。

5、OT与ICT的融合是行业数字化转型的重要基础

边缘计算作为OICT融合与协同的关键承载，需要支持在联接、数据、管理、控制、应用、安全等方面的协同。

总结

边缘计算可以让各个领域实现AI智能，在现代数字世界建立起对多样协议、海量设备和跨系统的物理资产的实时映像，了解事物或系统的状态，应对变化、改进操作和增加价值，为实现物自主化和协作化，在网络边缘侧的智能分布式架构与平台上，融入知识模型驱动智能化能力，开发服务框架主要包括方案的开发、集成、验证和发布；部署运营服务框架主要包括方案的业务编排、 应用部署和应用市场。开发服务框架和部署运营服务框架需要紧密协同、无缝运作，支持方案快速高效开 发、自动部署和集中运营。边缘侧需要支持多种网络接口、协议与拓扑，业务实时处理与确定性时延，数据处理与分析，分布式智 能和安全与隐私保护。云端难以满足上述要求，需要边缘计算与云计算在网络、业务、应用和智能方面进行协同。边缘计算可以打造一个AI的更智能的互联世界。