边缘计算成为物理世界与数字世界间的重要桥梁。

边缘计算（Edge Computing）是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、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。

它可以作为联接物理和数字世界的桥梁，使能智能资产、智能网关、智能系统和智能服务。

参考边缘计算联盟（ECC）与工业互联网联盟（AII）在2018年底发布的白皮书中对边缘计算的定义，作为连接物理世界与数字世界间的桥梁，边缘计算具有连接性、约束性、分布性、融合性和数据第一入口等基本特点与属性，并拥有显著的“CROSS”价值，即联接的海量与异构（Connection）、业务的实时性(Real-time)、数据的优化(Optimization)、应用的智能性(Smart)、安全与隐私保护(Security)。

边缘计算的基本特点与属性边缘计算具有显著的“CROSS”价值联接的海量与异构(Connection)，网络是系统互联与数据采集传输的基石。

伴随联接设备数量的剧增，网络灵活扩展、低成本运维和可靠性保障面临巨大挑战。

同时，工业现场长期以来存在大量异构的总线联接，多种制式的工业以太网并存，如何兼容多种联接并且确保联接的实时可靠是必须要解决的现实问题。

业务的实时性(Real-time)，工业系统检测、控制、执行，新兴的VR/AR等应用的实时性高，部分场景实时性要求在10ms以内甚至更低，如果数据分析和处理全部在云端实现，难以满足业务的实时性要求，严重影响终端客户的业务体验。

数据的优化(Optimization)，当前工业现场与物联网末端存在大量的多样化异构数据，需要通过数据优化实现数据的聚合、数据的统一呈现与开放，以灵活高效地服务于边缘应用的智能。

应用的智能性(Smart)，业务流程优化、运维自动化与业务创新驱动应用走向智能，边缘侧智能能够带来显著的效率与成本优势。

以预测性维护为代表的智能化应用场景正推动行业向新的服务模式与商业模式转型。

安全与隐私保护 (Security)，安全跨越云计算和边缘计算之间的纵深，需要实施端到端防护。

网络边缘侧由于更贴近万物互联的设备，访问控制与威胁防护的广度和难度因此大幅提升。

边缘侧安全主要包含设备安全、网络安全、数据安全与应用安全。

此外，关键数据的完整性、保密性，大量生产或人身隐私数据的保护也是安全领域需要重点关注的内容。

边缘计算的标准化与产业化快速推进5G 低时延、高可靠通信要求，边缘计算成为必然选择。

根据ITU（国际电信联盟）的愿景，5G的应用场景应划分为增强型移动宽带（eMBB）、大连接物联网（mMTC）和低时延高可靠通信（uRLLC）三类。

同时，ITU在带宽、时延和覆盖范围等方面确立了5G的8项技术要求（表1）。

其中，低时延高可靠通信（uRLLC）聚焦对时延极其敏感的业务，例如自动驾驶、工业控制、远程医疗（例如手术）以及云游戏（VR/AR等实时对战要求）等。

在5G移动领域，移动边缘计算是ICT 融合的大势所趋，是5G网络重构的重要一环。

物联网趋于泛化，为边缘计算提供更多应用场景的可能性。

未来物联网应用可涵盖汽车、家居、工业等各个领域。

在汽车领域，物联网与汽车网络相结合，形成解放人类双手的自动化驾驶；在家居领域，物联网使各类家居智能化，为人们生活提供便利；在工业领域，物联网广泛应用于工业控制系统中，为生产流程提高效率。

随着技术的进步和人们消费水平的提高，物联网的“泛化”有望呈现进一步扩张的态势，从而产生更多的应用领域，这也为边缘计算提供了更多的场景。

计算能力，正在步入“边云协同”时代为什么需要边缘计算？在有了云计算的同时，为什么还需要边缘计算？我们认为主要存在以下几点原因：1）网络带宽与计算吞吐量均成为云计算的性能瓶颈：云中心具有强大的处理性能，能够处理海量的数据。

但是，如何将海量的数据快速传送到云中心则成为了业内的一个难题。

网络带宽和计算吞吐量均是云计算架构的性能瓶颈，用户体验往往与响应时间成反比。

5G时代对数据的实时性提出了更高的要求，部分计算能力必须本地化。

2）物联网时代数据量激增，对数据安全提出更高的要求：不远的将来，绝大部分的电子设备都可以实现网络接入，这些电子设备会产生海量的数据。

传统的云计算架构无法及时有效的处理这些海量数据，若将计算臵于边缘结点则会极大缩短响应时间、减轻网络负载。

此外，部分数据并不适合上云，留在终端则可以确保私密性与安全性。

3）终端设备产生海量“小数据”，需要实时处理：尽管终端设备大部分时间都在扮演着数据消费者的角色，但如今以智能手机和安防摄像头为例，终端设备也有了生产数据的能力，其角色发生了重大改变。

终端设备产生海量“小数据”需要实时处理，云计算并不适用。

从数据流向的对比上，1）在云计算架构下，下图左侧的服务提供者提供数据并上传到云中心，需求侧的终端客户发送数据或计算类请求到云中心，云中心响应相关请求并将需求结果发送给终端客户。

2）在边缘计算模式下，如智能手机、前端智能摄像头、智能汽车等边缘节点产生数据，上传到云中心，同时将实时性和安全性要求较高的计算在本地进行处理。

边缘计算是云计算的协同和补充，而并非替代关系。

边缘计算与云计算各有所长，云计算擅长全局性、非实时、长周期的大数据处理与分析，能够在长周期维护、业务决策支撑等领域发挥优势。

而边缘计算更适用局部性、实时、短周期数据的处理与分析，能更好地支撑本地业务的实时智能化决策与执行。

因此，边缘计算与云计算之间并非替代关系，而是互补协同的关系。

边缘计算与云计算需要通过紧密协同才能更好的满足各种需求场景的匹配，从而放大边缘计算和云计算的应用价值。

边缘计算既靠近执行单元，更是云端所需高价值数据的采集和初步处理单元，可以更好地支撑云端应用。

反之，云计算通过大数据分析优化输出的业务规则或模型可以下发到边缘侧，边缘计算基于新的业务规则或模型运行。

边缘计算的典型应用场景欧洲电信标准化协会（ETSI）定义了7类典型的边缘计算应用场景，涵盖了当前最主流的边缘计算产品内涵和垂直行业应用场景。

包括监控视频流、增强现实 AR、自动驾驶、工业互联等等。

自动驾驶、安防前端智能化、工业控制、远程操控（如医疗手术等）等场景在实际应用中需要不超过10ms的网络时延，此类场景5G业务的终结点不可能依赖在核心网后端的云平台，因此边缘计算的发展最迫切，也最必要；同时，边缘云也促进部分即使社交应用爆发，例如即时对战VR/AR游戏等。

自动驾驶自动驾驶就是“四个轮子上的数据中心”，车载边缘计算平台成为刚需。

随着汽车自动驾驶程度的提高，汽车自身所产生的数据将越来越庞大。

根据英特尔CEO测算，假设一辆自动驾驶汽车配臵了GPS、摄像头、雷达和激光雷达等传感器，则上述一辆自动驾驶汽车每天将产生约4000GB待处理的传感器数据。

不夸张的讲，自动驾驶就是“四个轮子上的数据中心”，而如何使自动驾驶汽车能够实时处理如此海量的数据，并在提炼出的信息的基础上，得出合乎逻辑且形成安全驾驶行为的决策，需要强大的计算能力做支持。

考虑到自动驾驶对延迟要求很高，传统的云计算面临着延迟明显、连接不稳定等问题，这意味着一个强大的车载边缘计算平台（芯片）成为了刚需。

事实上，如果我们打开现阶段展示的自动驾驶测试汽车的后备箱，会明显发现其与传统汽车的不同之处，都会装载一个“计算平台”，用于处理传感器输入的信号数据并输出决策及控制信号。

高等级自动驾驶的本质是AI计算问题，车载边缘计算平台的计算力需求至少在20T以上。

从最终实现功能来看，边缘计算平台在自动驾驶中主要负责解决两个主要的问题。

1）处理输入的信号（雷达、激光雷达、摄像头等）；2）做出决策判断、给出控制信号：该加速还是刹车？该左转还是右转？英伟达CEO黄仁勋的观点是“自动驾驶本质是AI计算问题，需求的计算力取决于希望实现的功能。

”，其认为自动驾驶汽车需要对周边的环境进行判断之后还作出决策，到底要采取什么样的行动，其本质上是一个AI计算的问题，车端必须配备一台AI超级处理器，然后基于AI算法能够进行认知、推理以及驾驶。

根据国内领先的自动驾驶芯片设计初创公司地平线的观点，要实现L3级的自动驾驶起码需要20个teraflops（每秒万亿次浮点运算）以上的的计算力级别，而在L4级、L5级，计算力的要求则将继续以数量级形式上升。

安防前端智能化前端智能化的必要性——实现实时性解析和解决传输带宽瓶颈。

安防产业智能化升级是行业发展的大趋势，后端智能化以及前端智能化是厂商针对智能化升级的两种并存的解决方案。

其中，前端智能化的核心功能是为后端提供高质量、初步结构化的图像数据，其主要作用有两点：1、提升部分智能分析应用的实时性；2、节省带宽和后端计算资源。

典型的前端智能摄像头内置深度学习算法，一方面可以在前端完成人脸定位和质量判断，有效解决漏抓误报问题，同时拥有较好的图像效果，即使周围环境光线不佳，人员戴帽子或一定角度下低头、侧脸，仍然可以做到准确识别，并自动截取视频中的人脸输出给后端；另一方面可以输出编码后的网络视频，还支持输出非压缩、无损无延时的视频流图像。

这样可以为大型用户节省服务器成本和带宽，因为在同等服务器数量和计算能力的情况下能够接入更多路摄像头。

后端智能化产品的核心功能则是利用计算能力对视频数据进行结构化分析。

智能前置的趋势下，前端的价值将大幅提升。

我们在行业深度报告《人工智能+安防：天眼时代智识万物》中详细比较了前端升级和后端升级两种方案的优劣以及发展趋势，最终的结论是：出于满足实时性处理的需求，以及缓解后台存储的压力，厂商们会越来越将计算力前置，即智能前置。

以人脸识别为例，传统的人脸识别产品都是采用前端摄像机抓拍图片，后端服务器计算比对的模式，而前端智能的模式下，智能化的摄像机可以不依托服务器而实时进行图像处理、人脸识别，极大提高了识别效率以及后端存储的效率。

前端智能化的趋势实际上即意味着产业链上下游将发生价值转移。

整个安防智能化系统对于后端系统的依赖程度将进一步降低，后端价值将部分转移到前端，前端的价值将大幅提升。

低时延工业级应用工业高精度控制对时延和可靠性的敏感度极高，无论是中国、韩国和日本的运营商，都非常关注5G新业务中工业级客户（2B）的价值。

这些行业市场包括运输、物流、能源/公共设施监测、金融、医疗和农业。

实现工业国产自动化、无线化和智能化，典型场景包括视频监控、机器人控制、自动巡查安防等。

机器人控制：参考华为5G白皮书，同步实时协作机器人要求小于1毫秒的网络延迟。

到2025年，预计全球状态监测连接将上升到8,800万，全球工业机器人的出货量也将从36万台增加到105万台。

馈线自动化：当通信网络的延迟小于10ms时，馈线自动化系统可以在100ms 内隔离故障区域，这将大幅度降低发电厂的能源浪费。