Ja mākslīgais intelekts tiek uzskatīts par ceļojumu no punkta A uz punktu B, tad mākoņdatošanas pakalpojums ir lidosta vai ātrgaitas dzelzceļa stacija, bet perifērijas skaitļošana ir taksometrs vai koplietošanas velosipēds. Perifērijas skaitļošana atrodas tuvu cilvēkiem, lietām vai datu avotiem. Tā izmanto atvērtu platformu, kas integrē krātuvi, skaitļošanu, tīkla piekļuvi un lietojumprogrammu pamatfunkcijas, lai sniegtu pakalpojumus lietotājiem tuvumā. Salīdzinot ar centrāli izvietotiem mākoņdatošanas pakalpojumiem, perifērijas skaitļošana atrisina tādas problēmas kā ilgs latentums un augsta konverģences datplūsma, nodrošinot labāku atbalstu reāllaika un joslas platumu prasošiem pakalpojumiem.
ChatGPT ugunsgrēks ir aizsācis jaunu mākslīgā intelekta attīstības vilni, paātrinot mākslīgā intelekta iegrimšanu arvien vairākās pielietojuma jomās, piemēram, rūpniecībā, mazumtirdzniecībā, viedajās mājās, viedajās pilsētās utt. Lietojumprogrammas galā ir jāuzglabā un jāaprēķina liels datu apjoms, un, paļaujoties tikai uz mākoņpakalpojumiem, vairs nevar apmierināt faktisko pieprasījumu, tāpēc perifērijas skaitļošana uzlabo mākslīgā intelekta lietojumprogrammu pēdējo kilometru. Saskaņā ar valsts politiku, kas enerģiski attīsta digitālo ekonomiku, Ķīnas mākoņdatošana ir nonākusi iekļaujošas attīstības periodā, perifērijas skaitļošanas pieprasījums ir strauji pieaudzis, un mākoņa perifērijas un gala integrācija ir kļuvusi par svarīgu evolūcijas virzienu nākotnē.
Perifērijas skaitļošanas tirgus nākamo piecu gadu laikā pieaugs par 36,1 % gadā (CAGR)
Perifērijas skaitļošanas nozare ir nonākusi stabilas attīstības stadijā, ko apliecina pakāpeniska pakalpojumu sniedzēju dažādošana, tirgus apjoma palielināšanās un turpmāka lietojumprogrammu jomu paplašināšanās. Runājot par tirgus apjomu, IDC izsekošanas ziņojuma dati liecina, ka kopējais perifērijas skaitļošanas serveru tirgus apjoms Ķīnā 2021. gadā sasniedza 3,31 miljardu ASV dolāru, un paredzams, ka kopējais perifērijas skaitļošanas serveru tirgus apjoms Ķīnā no 2020. līdz 2025. gadam pieaugs ar salikto gada pieauguma tempu 22,2%. Salivans prognozē, ka perifērijas skaitļošanas tirgus apjoms Ķīnā 2027. gadā sasniegs 250,9 miljardus RMB, un no 2023. līdz 2027. gadam tas pieaugs par 36,1%.
Perifērijas skaitļošanas ekoindustrija plaukst
Perifērijas skaitļošana pašlaik ir uzliesmojuma agrīnā stadijā, un uzņēmējdarbības robežas nozares ķēdē ir samērā neskaidras. Atsevišķiem pārdevējiem ir jāapsver integrācija ar biznesa scenārijiem, kā arī ir jāspēj pielāgoties izmaiņām biznesa scenārijos no tehniskā līmeņa, un ir arī jānodrošina augsta saderības pakāpe ar aparatūras aprīkojumu, kā arī inženiertehniskās spējas īstenot projektus.
Perifērijas skaitļošanas nozares ķēde ir sadalīta mikroshēmu pārdevējos, algoritmu pārdevējos, aparatūras ierīču ražotājos un risinājumu nodrošinātājos. Čipu pārdevēji galvenokārt izstrādā aritmētiskās mikroshēmas no gala puses līdz perifērijas pusei un mākoņa pusei, un papildus perifērijas puses mikroshēmām tie izstrādā arī paātrinājuma kartes un atbalsta programmatūras izstrādes platformas. Algoritmu pārdevēji par pamatu vispārīgu vai pielāgotu algoritmu veidošanai izmanto datorredzes algoritmus, un ir arī uzņēmumi, kas veido algoritmu tirdzniecības centrus vai apmācības un virzīšanas platformas. Iekārtu pārdevēji aktīvi iegulda perifērijas skaitļošanas produktos, un perifērijas skaitļošanas produktu veids tiek pastāvīgi bagātināts, pakāpeniski veidojot pilnu perifērijas skaitļošanas produktu klāstu no mikroshēmas līdz visai iekārtai. Risinājumu nodrošinātāji nodrošina programmatūras vai programmatūras un aparatūras integrētus risinājumus konkrētām nozarēm.
Perifērijas skaitļošanas nozares lietojumprogrammas paātrinās
Viedās pilsētas jomā
Pilsētas īpašumu visaptveroša pārbaude pašlaik parasti tiek veikta manuālas pārbaudes veidā, un manuālās pārbaudes režīma problēmas ir saistītas ar augstām laikietilpīgām un darbietilpīgām izmaksām, procesa atkarību no indivīdiem, sliktu pārklājumu un pārbaudes biežumu, kā arī sliktu kvalitātes kontroli. Vienlaikus pārbaudes procesā tika reģistrēts milzīgs datu apjoms, taču šie datu resursi netika pārveidoti par datu aktīviem uzņēmējdarbības iespēju veicināšanai. Pielietojot mākslīgā intelekta tehnoloģiju mobilajās pārbaudes scenārijos, uzņēmums ir izveidojis pilsētvides pārvaldības mākslīgā intelekta inteliģentu pārbaudes transportlīdzekli, kas izmanto tādas tehnoloģijas kā lietu internets, mākoņdatošana, mākslīgā intelekta algoritmi un ir aprīkots ar profesionālu aprīkojumu, piemēram, augstas izšķirtspējas kameras, borta displejus un mākslīgā intelekta puses serverus, un apvieno "intelektuālās sistēmas + intelektuālās mašīnas + personāla palīdzības" pārbaudes mehānismu. Tas veicina pilsētvides pārvaldības pārveidi no personāla ietilpīgas uz mehānisku intelektu, no empīriskas sprieduma uz datu analīzi un no pasīvas reaģēšanas uz aktīvu atklāšanu.
Viedo būvlaukumu jomā
Uz perifērijas skaitļošanas balstīti intelektuāli būvlaukumu risinājumi piemēro dziļu mākslīgā intelekta tehnoloģijas integrāciju tradicionālajā būvniecības nozares drošības uzraudzības darbā, novietojot perifērijas mākslīgā intelekta analīzes termināli būvlaukumā, veicot neatkarīgu vizuālo mākslīgā intelekta algoritmu izpēti un izstrādi, pamatojoties uz intelektuālu video analīzes tehnoloģiju, pilna laika notikumu noteikšanu (piemēram, ķiveres valkāšanas vai nē), nodrošinot personāla, vides, drošības un citu drošības riska punktu identificēšanas un trauksmes atgādinājuma pakalpojumus, kā arī uzņemoties iniciatīvu nedrošu faktoru identificēšanā, izmantojot mākslīgā intelekta intelektuālo apsardzi, ietaupot darbaspēka izmaksas, lai apmierinātu būvlaukumu personāla un īpašuma drošības pārvaldības vajadzības.
Inteliģentā transporta jomā
Mākoņa puses arhitektūra ir kļuvusi par pamata paradigmu lietojumprogrammu ieviešanai intelektuālā transporta nozarē, kur mākoņa puse ir atbildīga par centralizētu pārvaldību un daļu no datu apstrādes, perifērijas puse galvenokārt nodrošina perifērijas puses datu analīzi un aprēķinu lēmumu pieņemšanas apstrādi, bet gala puse galvenokārt ir atbildīga par biznesa datu vākšanu.
Specifiskos scenārijos, piemēram, transportlīdzekļu un ceļu koordinācijā, hologrāfiskos krustojumos, automātiskajā braukšanā un dzelzceļa satiksmē, tiek piekļūts lielam skaitam heterogēnu ierīču, un šīm ierīcēm ir nepieciešama piekļuves pārvaldība, izeju pārvaldība, trauksmes signālu apstrāde, kā arī ekspluatācijas un apkopes apstrāde. Perifērijas skaitļošana var sadalīt un iekarot, pārvērst lielu par mazu, nodrošināt starpslāņu protokolu konvertēšanas funkcijas, panākt vienotu un stabilu piekļuvi un pat sadarboties ar heterogēnu datu kontroli.
Rūpnieciskās ražošanas jomā
Ražošanas procesa optimizācijas scenārijs: Pašlaik lielu skaitu diskrētu ražošanas sistēmu ierobežo datu nepilnīgums, un kopējā iekārtu efektivitāte un citi indeksu datu aprēķini ir samērā pavirši, kas apgrūtina to izmantošanu efektivitātes optimizācijai. Perifērijas skaitļošanas platforma, kuras pamatā ir iekārtu informācijas modelis, lai panāktu semantiskā līmeņa ražošanas sistēmas horizontālo komunikāciju un vertikālo komunikāciju, kuras pamatā ir reāllaika datu plūsmas apstrādes mehānisms, lai apkopotu un analizētu lielu skaitu lauka reāllaika datu, lai panāktu uz modeli balstītu ražošanas līnijas vairāku datu avotu informācijas sapludināšanu, lai nodrošinātu jaudīgu datu atbalstu lēmumu pieņemšanai diskrētajā ražošanas sistēmā.
Iekārtu paredzamās apkopes scenārijs: Rūpniecisko iekārtu apkope tiek iedalīta trīs veidos: atjaunojošā apkope, profilaktiskā apkope un paredzamā apkope. Atjaunojošā apkope pieder pie ex post facto apkopes, profilaktiskā apkope un paredzamā apkope pieder pie ex ante apkopes. Pirmā apkope balstās uz laiku, iekārtu veiktspēju, objekta apstākļiem un citiem faktoriem, lai regulāru iekārtu apkopi veiktu, vairāk vai mazāk balstoties uz cilvēku pieredzi, bet otrā - izmantojot sensoru datu vākšanu, iekārtu darbības stāvokļa uzraudzību reāllaikā, pamatojoties uz rūpniecisko datu analīzes modeli, lai precīzi prognozētu kļūmes rašanos.
Rūpnieciskās kvalitātes pārbaudes scenārijs: rūpnieciskās redzes pārbaudes joma ir pirmā tradicionālā automātiskās optiskās pārbaudes (AOI) forma kvalitātes pārbaudes jomā, taču AOI attīstība līdz šim ir bijusi saistīta ar daudzām defektu noteikšanas un citām sarežģītām situācijām, jo dažādu veidu defekti, pazīmju iegūšana ir nepilnīga, adaptīvie algoritmi slikti paplašināmi, ražošanas līnija tiek bieži atjaunināta, algoritmu migrācija nav elastīga un citu faktoru dēļ tradicionālajai AOI sistēmai ir bijis grūti apmierināt ražošanas līnijas attīstības vajadzības. Tāpēc mākslīgā intelekta rūpnieciskās kvalitātes pārbaudes algoritmu platforma, ko pārstāv dziļā mācīšanās + mazo paraugu mācīšanās, pakāpeniski aizstāj tradicionālo vizuālās pārbaudes shēmu, un mākslīgā intelekta rūpnieciskās kvalitātes pārbaudes platforma ir izgājusi divus posmus – klasiskos mašīnmācīšanās algoritmus un dziļās mācīšanās pārbaudes algoritmus.
Publicēšanas laiks: 2023. gada 8. oktobris