云计算的潮流仍方兴未艾,而边缘计算又从何说起?
提到边缘计算,还得从物联网说起。时至今日,物联网在IT领域的发展趋势已然成型,且前景依然广阔。有人称物联网是人类继工业革命和信息革命后的又一场伟大革命。当然,伟大革命的兴起也必将会催生数十个万亿级的经济市场,人类社会也将进入一个智能智慧的全新时代。
而物联网发展至今,面临的关键挑战是如何从如此多的设备上处理数据。据思科预测,到2021年全球云数据中心流量将达到每年19.5 ZB,比2016年的每年6.0 ZB增长3.3倍,2016年到2021年的年复合增长率(CAGR)高达27%。到2021年全球云数据中心流量将占到数据中心总流量的95%,比2016年的88%增长显著。
因此,强劲的市场需求进一步驱动物联网发展,当然,从物联网的发展中也看到了云计算的苗头。众所周知,在万物互联的时代,可穿戴设备、无人机、无人驾驶等更多的终端设备对云计算中心的依赖愈加强烈。物联网主要处理设备上生成的有价值的数据,云计算的运用是来自集中式计算和存储的数据。在这样的趋势下,两者之间需要一种技术去辅助计算并处理数据。
这时,边缘计算应运而生。首先来简谈下概念,边缘计算是将大部分数据处理推送到网络的边缘侧,融合了网络、计算、存储、应用核心能力的开放计算平台,就近提供边缘智能服务,满足在数字化时代在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
如果将云计算中心比作为大脑,那么边缘计算更像是大脑输出的神经触角,联接到各个智能终端。两者的关系就是边缘和集中系统之间处理的分割问题。比如智能家居中网关可被视为家庭内电子设备和云计算中心之间的边缘;又如可穿戴的医疗设备可被视为个人用户与云计算中心之间的边缘。由此可以看出,边缘计算确实在当下提供了更多的便利,也正是因为其优势,业内流传了"边缘计算将取代云计算的"舆论。
事实上,边缘计算的模型与云计算模型不是非此即彼的关系,而是相辅助相成的。两者的巧妙结合也为万物互联时代的信息处理提供完美的软硬件平台支撑。在前面也提到了,云计算主要是处理和存储的集中化,为计算提供一个更加高效和可扩展的平台。边缘计算只是简单地将处理和存储的一部分靠近产生和使用数据的设备,它将成为我们云中部署支持特定用例的方法之一,而物联网是目前最适用的。
至于取代的问题,在笔者看来,技术上是应该不会的,即使云计算将取代所有内部计算的预言也是很牵强。虽然大量的本地系统可以迁移到公有云,但这些系统中很大一部分不能由于在公有云上没有平台类比,亦或是迁移成本太高。
也可以理解为一个脚趾代替一个身体。云计算是一个涵盖所有类型的计算方法和技术的广泛概念,可以把它看成一个宏观的技术模式。边缘计算只是一个微观模式。
搭载物联网的发展,边缘计算也迎来了大好春天。业内厂商自然也不会放过这块蛋糕。据了解,在2017年华为全联接大会上,华为网络研发部负责人介绍目前正在面向中欧做边缘计算做开发测试云,并在工业无线、数据集成、SDN等关键领域展开技术布局,将持续投放技术研究。
英特尔在安防、车载交通、零售和工业四大行业纷纷进行边缘计算一系列探索。除此之外,近期还公布了名为英特尔Xeon D-2100处理器,以帮助那些希望将计算推向边缘的客户,可以看出英特尔也在努力顺应物联网、边缘计算等新兴技术趋势。
另外,中兴通讯已经拥有了完整的边缘计算解决方案以及包括虚拟化技术、容器技术、分流技术等核心技术和专利,相关解决方案覆盖物联网、车联网、本地缓存等六大场景。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。