随着人工智能和机器学习（ML）的采用率上升，以算法形式处理大量数据以实现计算目的的能力变得越来越重要。朝阳宏达为了让数十亿连接设备之间的数据应用程序的使用变得更高效、更有价值，将处理从集中的第三方云服务器迁移到分散的、本地化的设备上处理（通常称为边缘计算）的趋势越来越强。根据SARInsight＆Consulting的最新AI／ML嵌入式芯片数据库，在2019－2024年期间，在2019－2024年期间，全球拥有边缘计算能力的AI设备的数量将以64．2％的复合年增长率增长。
EdgeAI采用算法并尽可能接近物理系统处理数据－在这种情况下，是在硬件设备上本地进行的。优点是数据处理不需要连接。数据的计算发生在开发数据的网络边缘附近，而不是在集中式数据处理中心。对于设备、技术和组件供应商来说，在边缘处理能够和应该完成的处理之间确定适当的平衡将成为最重要的决策之一。
提出的边缘计算参考体系结构模型（图片：欧洲边缘计算联盟）
考虑到产生深度学习预测模型的训练和推理引擎，边缘处理通常需要Intel、高通、Nvidia和Google等供应商提供的x86或Arm处理器。AI加速器；以及处理高达2．5GHz、10到14核速度的能力。
考虑到不断扩大的市场以及对计算数据和能力的不断扩大的服务和应用需求，有几个因素和好处推动了边缘计算的增长。由于对可靠、适应性强和上下文信息的需求不断变化，大部分数据都在本地迁移到设备上处理，从而提高了性能和响应时间（不到几毫秒）、更低的延迟、更高的电源效率，因为数据保留在设备上，所以提高了安全性，并且由于数据中心传输被最小化而节省了成本。
边缘计算的最大好处之一就是能够确保对时间敏感的实时结果。在许多情况下，可以直接收集、分析和通信传感器数据，而不必将数据发送到时间敏感的云中心。跨各种边缘设备的可伸缩性有助于加快本地决策的速度。提供即时可靠数据的能力可建立信心，增加客户参与度，并在许多情况下可挽救生命。想想所有的行业——家庭安全、航空航天、汽车、智能城市、医疗保健——即时诊断和设备性能的解释是至关重要的。
像亚马逊、谷歌、苹果、宝马、大众、特斯拉、空客、弗劳恩霍夫、沃达丰、德国电信、爱立信和Harting这样的创新型企业现在都在接受并对冲它们在人工智能方面的押注。其中一些公司正在组建行业协会，如欧洲边缘计算联盟（EECC），以帮助教育和激励中小型和大型企业推动边缘计算在制造业和其他工业市场的应用。
EECC倡议的目标包括指定边缘计算的参考体系结构模型、开发参考技术栈（EECC边缘节点）、通过评估多种方案中的方法来确定差距和推荐最佳做法，以及与相关倡议／标准化组织同步。
从边缘往下看
人工智能和机器学习的进步为创造智能设备提供了大量的机会，这些设备能够感知周围的环境。对智能机器的需求将受益于多感官数据的增长，这些数据可以以更高的精度和性能进行计算。边缘计算提供了一个机会，让人工智能数据在几乎所有行业都能转化为实时价值。智能优势是人工智能技术发展和成功的下一个阶段。
