（文章來源：InfoQ）

從云計算對傳統(tǒng) IT 架構的顛覆性變革，到 AI 構建模型與算法的智能世界，再到萬物互聯(lián)的 IoT 悄然崛起，云計算以排山倒海之勢拉動著 IT 產(chǎn)業(yè)鏈的發(fā)展，而人工智能和物聯(lián)網(wǎng)也一直都是社會普遍關注的焦點話題。

值得注意的是，近兩年，與我們生活息息相關的智能服務隨處可見，但其底層的 AI 技術或者說機器學習技術卻已擁有著超過 50 年的悠久歷史。要說“人工智能”為何在近幾年才逐步走近人們的生活，這與云計算有著密切聯(lián)系。2006 年云計算的誕生，預示著人工智能拐點的到來，數(shù)據(jù)量越來越大，計算能力越來越強，過去不實用的 AI 技術到了 2006 年也都逐步進入實用階段，可以說，是云計算讓 AI 技術更加接近企業(yè)與消費者，并不斷利用 AI 技術驅動著產(chǎn)業(yè)變革。

技術發(fā)展總是相互貫通的，隨著數(shù)十億的智能設備在住房、工廠、醫(yī)院、汽車等地普及開來，物聯(lián)網(wǎng)技術的興起必然是這個時代的又一場革命。隨著物聯(lián)網(wǎng)在各行各業(yè)的推廣應用，我們急需一個解決方案來收集、處理、存儲這些物聯(lián)網(wǎng)設備所產(chǎn)生的龐雜數(shù)據(jù)，而云計算平臺正是分析加工這些海量數(shù)據(jù)與連接的技術基石。同時，IoT 通常會在邊緣端對設備進行管理和控制，很多的數(shù)據(jù)需在邊緣進行實時決策，這就對邊緣設備的智能化提出了更高的要求。

邊緣計算意味著把云計算的資源、計算、存儲等能力帶到更接近用戶的本地邊緣設備中，大量計算可以在本地直接處理，而無需把所有數(shù)據(jù)都發(fā)送到云端，實現(xiàn)本地事件的更快響應。事實上，要想確保 IoT 應用程序能夠快速響應本地事件，則必須以非常低的延遲獲得推理結果，但這時如果把數(shù)據(jù)發(fā)送至云端，再等待云端的推理決策，這個過程就很難滿足一些業(yè)務場景的需求。

但是，僅使用云計算來部署人工智能的方式，與將云計算與邊緣計算有效結合起來應用人工智能的方式截然不同。數(shù)據(jù)科學家依靠云計算來攝取和存儲大量數(shù)據(jù)集，并識別數(shù)據(jù)中的模式和關系，在建立模型的整個過程中，訓練和優(yōu)化機器學習模型需要大量計算資源，因此與云計算是天然良配。

而實際上，最終的、經(jīng)過優(yōu)化的機器學習模型在推理的過程中并不需要太多的資源。所以為了確保 IoT 應用程序以非常低的延遲獲得推理結果，我們就可以把訓練放在云端，推理放在邊緣側，以達到利用云端去訓練機器學習模型，利用邊緣設備實時進行推理，甚至在沒有互聯(lián)網(wǎng)的環(huán)境中產(chǎn)生數(shù)據(jù)時，也能實現(xiàn)高速響應業(yè)務變化并作出決策。

廣闊的市場前景，潛在的應用范圍，毋庸置疑，人工智能讓邊緣計算更有價值。據(jù)美國市場調研公司 CB Insights 估算，到 2023 年全球邊緣計算行業(yè)，整體市場容量有望達到 340 億美元。其中包括亞馬遜、微軟、谷歌在內的幾大公有云巨頭的爭相布局也說明了邊緣計算未來發(fā)展的無限潛力，尤其在智能家居領域，邊緣計算如何發(fā)揮更大價值已成為行業(yè)的主要研究方向。

目前，智能家居中的大部分智能設備主要還是通過云計算來實現(xiàn)設備交互，但設備對云計算的強依賴同樣會產(chǎn)生響應速度慢、延遲感強、網(wǎng)絡故障等諸多問題。這時，填補目前云計算特性不足并提升計算效率的邊緣計算，在智能家居領域中強勢崛起。

以格蘭仕的智慧家居數(shù)字化轉型為例，自 1978 年 9 月 28 日創(chuàng)立以來，格蘭仕歷經(jīng)多次轉型，從輕紡明星企業(yè)，到微波爐“黃金品牌”，再到綜合性白色家電集團，成為中國家電產(chǎn)業(yè)的龍頭企業(yè)之一。然而隨著科技的發(fā)展和消費需求的變化，為了應對智能化制造、精益化管理等一系列挑戰(zhàn)，格蘭仕決定開啟第四次轉型 —— 數(shù)字化轉型。

在 AWS 智慧家庭設備的解決方案中，用戶可在 Amazon SageMaker 中構建預測模型以用于場景檢測分析，并對其進行優(yōu)化以便在任何攝像機上的穩(wěn)定運行，然后部署該模型以便預測可疑活動并發(fā)送警報，實現(xiàn)在云中構建、訓練和優(yōu)化機器學習模型，并在本地設備進行推理的高效響應。

用戶首先可將訓練數(shù)據(jù)上傳至存儲桶中，并選擇 SageMaker 提供的現(xiàn)有算法生成訓練模型，該模型以壓縮 zip 文件的形式被復制到另一 Amazon S3 存儲桶內。接下來，該 zip 文件會被復制到設備中，該設備則在運行時由 AWS Lambda 函數(shù)進行調用。其中，在 IoT Greengrass 上運行推理過程所收集到的數(shù)據(jù)可發(fā)送回 SageMaker，進行就地標記，并用于不斷提高機器學習模型的質量。

（責任編輯：fqj）