边缘设备智能化的基本要求

twel2e

将计算基础架构从数据中心扩展到边缘这一主张，得到了越来越广泛的共识。诸如联邦学习之类的概念，通过共享的预测模型进行协作学习这种方式，将标准集中式机器学习(ML)方法从数据中心转移到手机——在将数据存储到云的需求中，消解了对可实现ML能力的要求。5而各种高级深度神经网络(DNN)，每天都在发展、以更好地赋能基于边缘的处理功能。成功地将智能带到边缘设备也带来了与传统的AI不同的商机——例如：个性化购物，基于AI的助手;或在制造设施中进行预测分析。边缘/雾计算的应用，比如：车辆的自动驾驶;需要复杂反馈机制的机器人技术的远程控制;甚至是使用ML、可更好地管理可再生能源的智能电网终端设备;以及在电网中对本地电能使用进行预测分析。对于此类应用，成功实施AI的主要决定因素包括：

( w) @! \: k, ~; E0 T2 k成本效益

低功耗

+ F+ ?7 L$ s# }: W可重构性/灵活性
; [+ v, [* N' @, x
9 H6 m9 P& {# @/ S# n9 D, M尺寸

cyberbot8

将计算基础架构从数据中心扩展到边缘这一主张，得到了越来越广泛的共识
2 o& e: B- A1 P3 A* q! }+ M

land

成功地将智能带到边缘设备也带来了与传统的AI不同的商机

mqerew

边缘/雾计算的应用
$ h1 q  I6 q1 Z6 z& P