低延遲和分散的服務器將推動物聯網設備的發展和普及

　　圖片來源：//pixabay.com/images/id-3540277/

　　2021年將展示分布式計算的真正力量，其中的重要處理不是在云中的集中式服務器中進行，而是在網絡“邊緣”進行（我們所依賴的大部分數據都是在這里生成）。這將帶來巨大的收益，不僅是在計算方面，而且也是在越來越多將要連接互聯網的人們的生活方面。

　　邊緣計算將是物聯網成功的關鍵。

　　物聯網設備——從智能手機和智能手表到嵌入設備和基礎設施中的微型計算機——產生了大量的數據。這些數據將在云中進行處理，然后再將相關處理結果發送回設備，以指示其如何做出響應。但是，延遲（數據在互聯網上兩點之間傳輸所需的時間）使得這種設置對于時間關鍵型應用（例如醫療設備使用的應用程序）不可靠，例如，醫療設備使用的應用，這些應用需要幾乎立即處理傳感器數據并做出響應。此外，依賴云還限制了將物聯網設備部署到幾乎沒有網絡或網絡連接不可靠的地方的可能性。

　　在2021年，我們將使用邊緣計算來解決這些挑戰，方法是將數據處理從中央服務器移到地理上更接近數據源的地方。我們將能夠利用Nvidia和Intel等公司開發的專業加速器芯片組來做到這一點，這些芯片組能夠運行相對先進的機器學習算法，而這些算法可以在設備本身上運行。這將把延遲降低到幾乎為零。我們還在開發軟件和硬件優化技術，例如模型量化，這將加速基于云的處理，從而進一步減少延遲。像這樣的進步將有助于在全世界推廣先進的物聯網設備。

　　邊緣計算還將使我們能夠對數據進行更多的本地化控制。一種稱為聯合學習的技術允許在擁有本地數據樣本的多個服務器或邊緣設備之間訓練算法，而不必共享或交換數據。這意味著可以處理敏感數據，例如醫療或專有信息，并在設備本身上保持安全。智能手機輸入鍵盤就是這樣一個已經在使用的例子，該鍵盤為設備上的每個人創建一個本地化的、個人的常用單詞和短語庫，同時僅將人工智能模型的摘要更改發送到云中進行處理。這使人工智能可以從用例中學習，但可以保護用戶的隱私。

　　由于邊緣計算減少了對連接性的依賴，因此它將使更多的人能夠使用人工智能解決方案。這將對諸如撒哈拉以南非洲以及亞洲和南美部分地區等世界許多地區產生巨大影響，那里許多人面臨著嚴重的互聯互通問題。例如，邊緣計算已經被用于幫助撒哈拉以南非洲國家的自給自足的農民。喀麥隆一家初創公司開發的Agrix-Tech應用在智能手機中使用攝像頭和機器學習算法，以幫助農民識別農作物上的病蟲害。

　　農民可以在田間立即獲得這些信息，然后，當手機靠近互聯網節點時，該應用將匿名數據輸入云中，以進一步訓練集中式算法。再加上將減少云延遲的新一代低軌道衛星，像這樣的邊緣計算應用將徹底改變這些地區人們的在線生活。

　　在2021年，我們將看到邊緣計算在醫療、交通、工業、農業和家庭領域帶來的更多突破。邊緣計算以盡可能接近數據源的智能方式處理數據的能力，將創造一個能夠為全球大眾帶來實際好處的偉大物聯網。