Hvis kunstig intelligens betragtes som en rejse fra A til B, er cloud computing-tjenester en lufthavn eller højhastighedstogstation, og edge computing er en taxa eller en delecykel. Edge computing er tæt på mennesker, ting eller datakilder. Det anvender en åben platform, der integrerer lagring, beregning, netværksadgang og applikationskernefunktioner for at levere tjenester til brugere i nærheden. Sammenlignet med centralt implementerede cloud computing-tjenester løser edge computing problemer som lang latenstid og høj konvergenstrafik og giver bedre understøttelse af realtids- og båndbreddekrævende tjenester.
ChatGPT's brand har sat gang i en ny bølge af AI-udvikling, hvilket har accelereret AI's indtrængen i flere anvendelsesområder såsom industri, detailhandel, smarte hjem, smarte byer osv. En stor mængde data skal lagres og beregnes i applikationsenden, og det er ikke længere muligt at imødekomme den faktiske efterspørgsel alene ved at stole på skyen. Edge computing forbedrer den sidste kilometer af AI-applikationer. Under den nationale politik om kraftigt at udvikle den digitale økonomi er Kinas cloud computing gået ind i en periode med inkluderende udvikling, efterspørgslen efter edge computing er steget kraftigt, og integrationen af cloud edge and end er blevet en vigtig evolutionær retning i fremtiden.
Edge computing-markedet forventes at vokse med en årlig vækstrate på 36,1 % i løbet af de næste fem år.
Edge computing-industrien er gået ind i en fase med stabil udvikling, hvilket fremgår af den gradvise diversificering af dens tjenesteudbydere, den voksende markedsstørrelse og den yderligere udvidelse af anvendelsesområder. Med hensyn til markedsstørrelse viser data fra IDC's sporingsrapport, at den samlede markedsstørrelse for edge computing-servere i Kina nåede 3,31 milliarder USD i 2021, og den samlede markedsstørrelse for edge computing-servere i Kina forventes at vokse med en sammensat årlig vækstrate på 22,2 % fra 2020 til 2025. Sullivan forudsiger, at markedsstørrelsen for edge computing i Kina forventes at nå 250,9 milliarder RMB i 2027, med en CAGR på 36,1 % fra 2023 til 2027.
Edge computing-økoindustrien trives
Edge computing er i øjeblikket i den tidlige fase af udbruddet, og forretningsgrænserne i industrikæden er relativt uklare. For individuelle leverandører er det nødvendigt at overveje integrationen med forretningsscenarier, og det er også nødvendigt at have evnen til at tilpasse sig ændringer i forretningsscenarier fra det tekniske niveau, og det er også nødvendigt at sikre, at der er en høj grad af kompatibilitet med hardwareudstyr, samt den tekniske evne til at lande projekter.
Edge computing-industrikæden er opdelt i chipleverandører, algoritmeleverandører, hardwareproducenter og løsningsudbydere. Chipleverandører udvikler hovedsageligt aritmetiske chips fra end-side til edge-side til cloud-side, og udover edge-side chips udvikler de også accelerationskort og understøtter softwareudviklingsplatforme. Algoritmeleverandører bruger computer vision-algoritmer som kernen i at bygge generelle eller tilpassede algoritmer, og der er også virksomheder, der bygger algoritmecentre eller trænings- og push-platforme. Udstyrsleverandører investerer aktivt i edge computing-produkter, og formen for edge computing-produkter beriges konstant og danner gradvist en komplet stak af edge computing-produkter fra chippen til hele maskinen. Løsningsudbydere leverer software eller software-hardware-integrerede løsninger til specifikke brancher.
Applikationer inden for edge computing-industrien accelererer
Inden for smart city-området
En omfattende inspektion af byejendomme anvendes i øjeblikket almindeligvis i manuel inspektionsform, og den manuelle inspektionsform har problemer med høje tidskrævende og arbejdsintensive omkostninger, procesafhængighed af individer, dårlig dækning og inspektionsfrekvens samt dårlig kvalitetskontrol. Samtidig registrerede inspektionsprocessen en enorm mængde data, men disse dataressourcer er ikke blevet omdannet til dataaktiver til forretningsstyrkelse. Ved at anvende AI-teknologi til mobile inspektionsscenarier har virksomheden skabt et intelligent AI-inspektionskøretøj til bystyring, der anvender teknologier som Tingenes Internet, cloud computing, AI-algoritmer og bærer professionelt udstyr såsom HD-kameraer, indbyggede displays og AI-sideservere og kombinerer inspektionsmekanismen "intelligent system + intelligent maskine + personaleassistance". Det fremmer transformationen af bystyring fra personaleintensiv til mekanisk intelligens, fra empirisk vurdering til dataanalyse og fra passiv respons til aktiv opdagelse.
Inden for intelligente byggepladser
Intelligente byggepladsløsninger baseret på edge computing anvender dyb integration af AI-teknologi i det traditionelle sikkerhedsovervågningsarbejde i byggebranchen. Dette gøres ved at placere en edge AI-analyseterminal på byggepladsen, gennemføre uafhængig forskning og udvikling af visuelle AI-algoritmer baseret på intelligent videoanalyseteknologi, udføre fuldtidsdetektion af hændelser, der skal detekteres (f.eks. detektere, om man skal bære hjelm eller ej), levere identifikation af personale-, miljø-, sikkerheds- og andre sikkerhedsrisikopunkter samt alarmpåmindelser og tage initiativ til at identificere usikre faktorer, udføre intelligent AI-bevogtning, spare arbejdskraftomkostninger og imødekomme behovene for personale- og ejendomssikkerhedsstyring på byggepladser.
Inden for intelligent transport
Cloud-side-end-arkitektur er blevet det grundlæggende paradigme for implementering af applikationer i den intelligente transportindustri, hvor cloud-siden er ansvarlig for centraliseret styring og en del af databehandlingen, edge-siden primært leverer edge-side dataanalyse og beregningsbeslutningsproces, og end-siden primært er ansvarlig for indsamling af forretningsdata.
I specifikke scenarier som f.eks. koordinering mellem køretøj og vej, holografiske kryds, automatisk kørsel og jernbanetrafik er der adgang til et stort antal heterogene enheder, og disse enheder kræver adgangsstyring, udkørselsstyring, alarmbehandling samt drifts- og vedligeholdelsesbehandling. Edge computing kan opdele og herske, gøre stort til småt, levere protokolkonverteringsfunktioner på tværs af lag, opnå samlet og stabil adgang og endda samarbejdsbaseret kontrol af heterogene data.
Inden for industriel produktion
Scenarie for optimering af produktionsprocesser: I øjeblikket er et stort antal diskrete produktionssystemer begrænset af ufuldstændige data, og den samlede udstyrseffektivitet og andre indeksdataberegninger er relativt sjuskede, hvilket gør det vanskeligt at bruge dem til effektivitetsoptimering. Edge computing-platform baseret på udstyrsinformationsmodel for at opnå horisontal og vertikal kommunikation i produktionssystemer på semantisk niveau, baseret på en realtidsdataflowbehandlingsmekanisme til at aggregere og analysere et stort antal feltdata i realtid for at opnå modelbaseret fusion af information fra flere datakilder på produktionslinjer for at yde stærk datastøtte til beslutningstagning i det diskrete produktionssystem.
Scenarie for prædiktiv vedligeholdelse af udstyr: Vedligeholdelse af industrielt udstyr er opdelt i tre typer: reparerende vedligeholdelse, forebyggende vedligeholdelse og prædiktiv vedligeholdelse. Restaurerende vedligeholdelse hører til ex post facto vedligeholdelse, forebyggende vedligeholdelse og prædiktiv vedligeholdelse hører til ex ante vedligeholdelse. Førstnævnte er baseret på tid, udstyrets ydeevne, forhold på stedet og andre faktorer for regelmæssig vedligeholdelse af udstyr, mere eller mindre baseret på menneskelig erfaring, sidstnævnte gennem indsamling af sensordata, realtidsovervågning af udstyrets driftstilstand, baseret på industrielle modeller for dataanalyse og præcis forudsigelse af, hvornår fejlen opstår.
Scenarie for industriel kvalitetsinspektion: Industrielt synsinspektionsfelt er den første traditionelle automatiske optiske inspektionsform (AOI) inden for kvalitetsinspektionsfeltet, men udviklingen af AOI indtil videre har i mange defektdetektions- og andre komplekse scenarier på grund af forskellige typer defekter, ufuldstændig funktionsudtrækning, dårlig udvidelse af adaptive algoritmer, hyppig opdatering af produktionslinjen, manglende fleksibel algoritmemigrering og andre faktorer gjort det vanskeligt for det traditionelle AOI-system at imødekomme produktionslinjens behov. Derfor erstatter AI-industrielle kvalitetsinspektionsalgoritmeplatformen, der repræsenteres af deep learning + small sample learning, gradvist det traditionelle visuelle inspektionssystem, og AI-industrielle kvalitetsinspektionsplatforme har gennemgået to faser: klassiske maskinlæringsalgoritmer og deep learning-inspektionsalgoritmer.
Opslagstidspunkt: 8. oktober 2023