（文章來源：InfoQ）

從云計算對傳統 IT 架構的顛覆性變革，到 AI 構建模型與算法的智能世界，再到萬物互聯的 IoT 悄然崛起，云計算以排山倒海之勢拉動著 IT 產業鏈的發展，而人工智能和物聯網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系。2006 年云計算的誕生，預示著人工智能拐點的到來，數據量越來越大，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 技術更加接近企業與消費者，并不斷利用 AI 技術驅動著產業變革。

技術發展總是相互貫通的，隨著數十億的智能設備在住房、工廠、醫院、汽車等地普及開來，物聯網技術的興起必然是這個時代的又一場革命。隨著物聯網在各行各業的推廣應用，我們急需一個解決方案來收集、處理、存儲這些物聯網設備所產生的龐雜數據，而云計算平臺正是分析加工這些海量數據與連接的技術基石。同時，IoT 通常會在邊緣端對設備進行管理和控制，很多的數據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，而無需把所有數據都發送到云端，實現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，但這時如果把數據發送至云端，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。數據科學家依靠云計算來攝取和存儲大量數據集，并識別數據中的模式和關系，在建立模型的整個過程中，訓練和優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、經過優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，甚至在沒有互聯網的環境中產生數據時，也能實現高速響應業務變化并作出決策。

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。據美國市場調研公司 CB Insights 估算，到 2023 年全球邊緣計算行業，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展的無限潛力，尤其在智能家居領域，邊緣計算如何發揮更大價值已成為行業的主要研究方向。

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設備交互，但設備對云計算的強依賴同樣會產生響應速度慢、延遲感強、網絡故障等諸多問題。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字化轉型為例，自 1978 年 9 月 28 日創立以來，格蘭仕歷經多次轉型，從輕紡明星企業，到微波爐“黃金品牌”，再到綜合性白色家電集團，成為中國家電產業的龍頭企業之一。然而隨著科技的發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，格蘭仕決定開啟第四次轉型 —— 數字化轉型。

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，并對其進行優化以便在任何攝像機上的穩定運行，然后部署該模型以便預測可疑活動并發送警報，實現在云中構建、訓練和優化機器學習模型，并在本地設備進行推理的高效響應。

用戶首先可將訓練數據上傳至存儲桶中，并選擇 SageMaker 提供的現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 函數進行調用。其中，在 IoT Greengrass 上運行推理過程所收集到的數據可發送回 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）