Ja mākslīgais intelekts tiek uzskatīts par braucienu no punkta A uz punktu, mākoņdatošanas pakalpojums ir lidosta vai ātrgaitas dzelzceļa stacija, bet malu skaitļošana ir taksometrs vai koplietošanas velosipēds. Malu skaitļošana ir tuvu cilvēku, lietu vai datu avotu pusei. Tas izmanto atvērtu platformu, kas integrē krātuvi, aprēķinus, piekļuvi tīklam un lietojumprogrammu pamata iespējas, lai sniegtu pakalpojumus lietotājiem tuvumā. Salīdzinot ar centralizēti izvietotiem mākoņdatošanas pakalpojumiem, malu skaitļošana atrisina tādas problēmas kā ilgs latentums un liela konverģences trafika, nodrošinot labāku atbalstu reāllaika pakalpojumiem un pakalpojumiem, kuriem nepieciešams joslas platums.
ChatGPT ugunsgrēks ir izraisījis jaunu mākslīgā intelekta attīstības vilni, paātrinot AI iegrimšanu vairākās lietojumu jomās, piemēram, rūpniecībā, mazumtirdzniecībā, viedās mājās, viedajās pilsētās utt. Ir jāuzglabā un jāaprēķina liels datu apjoms. lietojumprogrammu beigām, un, paļaujoties tikai uz mākoni, vairs nevar apmierināt faktisko pieprasījumu, malu skaitļošana uzlabo AI lietojumprogrammu pēdējo kilometru. Saskaņā ar valsts politiku enerģiski attīstīt digitālo ekonomiku, Ķīnas mākoņdatošana ir iegājusi iekļaujošas attīstības periodā, ir pieaudzis pieprasījums pēc malas skaitļošanas, un mākoņdatošanas malas un beigu integrācija ir kļuvusi par svarīgu evolūcijas virzienu nākotnē.
Edge skaitļošanas tirgus nākamo piecu gadu laikā pieaugs par 36,1% CAGR
Malu skaitļošanas nozare ir iegājusi stabilas attīstības stadijā, par ko liecina pakāpeniskā pakalpojumu sniedzēju dažādošana, tirgus apjoma paplašināšanās un turpmāka pielietojuma jomu paplašināšanās. Runājot par tirgus lielumu, dati no IDC izsekošanas ziņojuma liecina, ka kopējais malu skaitļošanas serveru tirgus apjoms Ķīnā 2021. gadā sasniedza 3,31 miljardu ASV dolāru, un sagaidāms, ka kopējais malu skaitļošanas serveru tirgus apjoms Ķīnā pieaugs ar saliktu gada pieaugumu. 22,2% no 2020. līdz 2025. gadam. Salivans prognozē, ka malu skaitļošanas tirgus apjoms Ķīnā 2027. gadā sasniegs 250,9 miljardus RMB ar 36,1% CAGR no 2023. līdz 2027. gadam.
Edge skaitļošanas ekoindustrija plaukst
Edge skaitļošana pašlaik ir uzliesmojuma sākuma stadijā, un uzņēmējdarbības robežas nozares ķēdē ir samērā neskaidras. Individuālajiem pārdevējiem ir jāapsver integrācija ar biznesa scenārijiem, kā arī jāspēj pielāgoties biznesa scenāriju izmaiņām no tehniskā līmeņa, kā arī jānodrošina augsta līmeņa savietojamība ar aparatūras iekārtām, kā arī inženiertehniskās spējas piezemēt projektus.
Malu skaitļošanas nozares ķēde ir sadalīta mikroshēmu pārdevējos, algoritmu pārdevējos, aparatūras ierīču ražotājos un risinājumu nodrošinātājos. Mikroshēmu pārdevēji galvenokārt izstrādā aritmētiskās mikroshēmas no gala puses uz malu un mākoņa pusi, un papildus malas puses mikroshēmām viņi izstrādā arī paātrinājuma kartes un atbalsta programmatūras izstrādes platformas. Algoritmu pārdevēji izmanto datoru redzes algoritmus kā galveno, lai izveidotu vispārīgus vai pielāgotus algoritmus, un ir arī uzņēmumi, kas veido algoritmu centrus vai apmācības un push platformas. Iekārtu pārdevēji aktīvi investē malu skaitļošanas produktos, un malu skaitļošanas produktu forma tiek pastāvīgi bagātināta, pakāpeniski veidojot pilnu malu skaitļošanas produktu kaudzi no mikroshēmas līdz visai iekārtai. Risinājumu nodrošinātāji nodrošina programmatūru vai programmatūras un aparatūras integrētus risinājumus noteiktām nozarēm.
Edge skaitļošanas nozares lietojumprogrammas paātrinās
Viedās pilsētas jomā
Pilsētas īpašuma visaptveroša pārbaude pašlaik parasti tiek izmantota manuālās pārbaudes režīmā, un manuālās pārbaudes režīmā ir problēmas ar augstām laikietilpīgām un darbietilpīgām izmaksām, procesa atkarību no indivīdiem, sliktu pārklājumu un pārbaužu biežumu un sliktu kvalitāti. kontrole. Tajā pašā laikā pārbaudes procesā tika reģistrēts milzīgs datu apjoms, taču šie datu resursi nav pārveidoti datu aktīvos uzņēmējdarbības pilnvarošanai. Izmantojot AI tehnoloģiju mobilajām pārbaudēm, uzņēmums ir izveidojis pilsētas pārvaldības AI viedo pārbaudes transportlīdzekli, kas izmanto tādas tehnoloģijas kā lietu internets, mākoņdatošana, mākslīgā intelekta algoritmi un nodrošina profesionālu aprīkojumu, piemēram, augstas izšķirtspējas kameras, plates displejus un AI sānu serverus, un apvieno pārbaudes mehānismu "inteliģenta sistēma + vieda iekārta + personāla palīdzība". Tas veicina pilsētas pārvaldības pārveidi no personāla ietilpīgas uz mehānisku inteliģenci, no empīriskā sprieduma uz datu analīzi un no pasīvas reakcijas uz aktīvu atklāšanu.
Viedo būvlaukumu jomā
Uz malu skaitļošanu balstīti viedie būvlaukuma risinājumi pielieto dziļu mākslīgā intelekta tehnoloģiju integrāciju tradicionālajā būvniecības nozares drošības uzraudzības darbā, būvlaukumā izvietojot malu AI analīzes termināli, pabeidzot neatkarīgu pētniecību un vizuālo AI algoritmu izstrādi, pamatojoties uz viedo video. analītikas tehnoloģija, pilna laika nosakāmo notikumu noteikšana (piemēram, ķiveres nēsāšanas vai nelietošanas noteikšana), personāla, vides, drošības un citu drošības riska punktu identificēšanas un trauksmes atgādinājuma pakalpojumu sniegšana, kā arī iniciatīvas uzņemšanās nedrošo personu identificēšanā. faktori, AI viedā apsardze, ietaupot darbaspēka izmaksas, lai apmierinātu personāla un īpašuma drošības pārvaldības vajadzības būvlaukumos.
Inteliģentā transporta jomā
Mākoņpuses arhitektūra ir kļuvusi par pamata paradigmu lietojumprogrammu izvietošanai viedajā transporta nozarē, un mākoņdatošanas puse ir atbildīga par centralizētu pārvaldību un daļu no datu apstrādes, bet malas puse galvenokārt nodrošina malas puses datu analīzi un aprēķina lēmumus. -apstrādi, un gala puse galvenokārt ir atbildīga par biznesa datu vākšanu.
Konkrētos scenārijos, piemēram, transportlīdzekļu un ceļu koordinācijā, hologrāfiskos krustojumos, automātiskā braukšanā un dzelzceļa satiksmē, ir pieejams liels skaits neviendabīgu ierīču, un šīm ierīcēm ir nepieciešama piekļuves pārvaldība, izeju pārvaldība, trauksmes apstrāde, kā arī darbības un apkopes apstrāde. Malu skaitļošana var sadalīt un iekarot, pārvērst lielus par maziem, nodrošināt starpslāņu protokolu konvertēšanas funkcijas, panākt vienotu un stabilu piekļuvi un pat neviendabīgu datu kopīgu kontroli.
Rūpnieciskās ražošanas jomā
Ražošanas procesa optimizācijas scenārijs: pašlaik lielu skaitu atsevišķu ražošanas sistēmu ierobežo datu nepilnīgums, un kopējā iekārtu efektivitātes un citu indeksu datu aprēķini ir salīdzinoši nevīžīgi, tādēļ to izmantošana efektivitātes optimizēšanai ir sarežģīta. Edge skaitļošanas platforma, kuras pamatā ir aprīkojuma informācijas modelis, lai sasniegtu semantiskā līmeņa ražošanas sistēmas horizontālo komunikāciju un vertikālo komunikāciju, pamatojoties uz reāllaika datu plūsmas apstrādes mehānismu, lai apkopotu un analizētu lielu skaitu lauka reāllaika datu, lai sasniegtu uz modeli balstītu ražošanas līniju vairāku datu avotu informācijas saplūšana, lai nodrošinātu spēcīgu datu atbalstu lēmumu pieņemšanai diskrētā ražošanas sistēmā.
Iekārtas paredzamās apkopes scenārijs: rūpniecisko iekārtu apkope ir sadalīta trīs veidos: reparatīva apkope, profilaktiskā apkope un paredzamā apkope. Atjaunojošā apkope attiecas uz ex post facto apkopi, profilaktiskā apkope un paredzamā apkope attiecas uz ex-ante apkopi, pirmā ir balstīta uz laiku, aprīkojuma veiktspēju, vietas apstākļiem un citiem faktoriem regulārai iekārtu apkopei, vairāk vai mazāk pamatojoties uz cilvēka spēju. pieredze, pēdējo, vācot sensoru datus, reāllaikā pārraugot iekārtu darbības stāvokli, pamatojoties uz rūpniecisko datu analīzes modeli, un precīzi prognozējot, kad rodas kļūme.
Rūpnieciskās kvalitātes pārbaudes scenārijs: rūpnieciskās redzes pārbaudes lauks ir pirmā tradicionālā automātiskās optiskās pārbaudes (AOI) forma kvalitātes pārbaudes laukā, bet AOI līdzšinējā attīstība daudzos defektu noteikšanas un citos sarežģītos scenārijos dažādu veidu defektu dēļ. veidu, funkciju ieguve ir nepilnīga, adaptīvie algoritmi ir slikta paplašināmība, ražošanas līnija tiek bieži atjaunināta, algoritmu migrācija nav elastīga un citi faktori, tradicionālā AOI sistēma ir bijusi sarežģīta, lai apmierinātu ražošanas līnijas vajadzības. Tāpēc AI rūpnieciskās kvalitātes pārbaudes algoritmu platforma, ko pārstāv dziļā mācīšanās + neliela parauga mācīšanās, pakāpeniski aizstāj tradicionālo vizuālās pārbaudes shēmu, un AI rūpnieciskās kvalitātes pārbaudes platforma ir izgājusi divus klasisko mašīnmācīšanās algoritmu un dziļās mācīšanās pārbaudes algoritmu posmus.
Izlikšanas laiks: 2023. gada 8. oktobris