什么是邊緣智能技術？面臨的挑戰有哪些？

1、邊緣智能技術

邊緣智能技術也稱邊緣智能計算(Edge Intelligent，EI)，是將邊緣計算和人工智能相互融合，為智能城市、車聯網、虛擬現實、智能醫療等智能服務應用提供技術支持。以深度學習為代表的 AI 技術，能夠讓每個網絡邊緣節點擁有良好的計算和決策能力，具有高計算量、高帶寬、高隱私性和低延遲的功能，滿足實時業務、敏捷連接、智能應用、數據安全與隱私保護等服務需求。移動邊緣計算通過機器學習的融合，進行邊緣緩存技術、計算任務卸載以及邊緣計算資源管理與調度的優化，從而達到邊緣計算系統整體性能的優化效果。

根據邊緣智能中產生數據的卸載數量和卸載路徑長度，可分為六個等級：

根據深度學習訓練設備可分為三層，依次是云數據中心、邊緣端和終端設備。

首先訓練設備為云中心時，根據數據卸載路徑長度，由高到低可分為三個等級，第一等級為云中心訓練模型，模型推理設備為云邊協同，數據部分卸載到云中心;

第二等級為云中心訓練模型，推理設備為邊緣網絡，數據部分或全部卸載到邊緣節點或附近設備上;

第三等級為云中心訓練模型，模型在本地設備進行推理，數據無需從本地設備上卸載。

當訓練設備為邊緣端時，主要有以云邊協同方式訓練和推理模型，以及邊緣網絡上訓練和推理這兩個等級，分別為等級四和等級五。

第六等級即所有模型的訓練和推理均在終端設備上，本地終端設備完全無需卸載訓練數據和推理數據。由于數據卸載有一定的傳輸延遲，通過提高 EI 等級，從而減少數據卸載數量和數據卸載路徑長度，降低了網絡通信帶寬成本，提高了數據隱私安全性。

2、邊緣智能技術面臨的挑戰

(1) 原始數據的可用性與有效性

盡管大量的用戶會在網絡邊緣處產生大量的數據，但是如何合理合法地獲數據是目前EI面臨的最大挑戰。因為沒有數據就無法進行后續的智能模型訓練與策略生成，可用的數據是一切EI研究的開始。因此，需要有合理合法的激勵機制來推動用戶提供數據。在獲取了足夠的數據后，如何有效地使用數據仍然是EI研究的難點之一。來自不同邊緣設備的原始數據可能存在明顯的偏倚，這將極大地影響學習性能。因此，需要對收集到的原始數據進行必要的預處理，以保證訓練的有效性。

(2)AI模型的設計與訓練

應用AI技術解決資源受限的優化問題時，需要設計正確的AI模型以保證良好的訓練效率與學習效果。首先，設計的AI模型需要是有限的，從而避免在過大的狀態行為空間中搜索而導致的維度災難問題。AI技術并不是萬能的，在解決一些優化問題時往往需要做出妥協。例如，將約束條件作為懲罰整合至獎勵函數中。這一現狀往往會導致AI模型難以逼近優化目標的最優解。因此，如何巧妙地設計AI模型來解決實際問題對EI研究人員來說是一個巨大的挑戰。

(3)優化性能與訓練效率之間的平衡

網絡邊緣處的計算能力、存儲能力往往是有限的，EI研宄人員需要在訓練結果的優化性能與訓練效率之間做出權衡。因此，如何根據動態變化的用戶需要、網絡資源供給與架構特點來實現AI模塊優化性能與訓練效率之間的平衡是一個嚴峻的挑戰。

(4)業務、系統架構、編程框架的兼容性

目前的EI應用往往只涉及到單一系統中單一業務的處理。不同業務的數據特征具有很大的差異性，不同系統架構中的服務器與設備的處理能力、通信能力以及其它可用資源也是不同的，這可能會導致同一種方法對于不同的移動設備集群有不同的學習結果。因此，很難找到一種普適的方案去兼容多元化的系統結構與多樣化的業務。此外，目前存在大量不同的AI算法編程框架，如何保證分布式邊緣節點上不同編程框架訓練出的AI模型的可移植性也是阻礙EI發展的難點之一。

推薦閱讀：《從云到邊：邊緣智能開啟 AI 新時代 加速行業落地.pdf 》