智慧邊緣計算：萬物互聯(lián)到萬物賦能的橋梁

王曉飛

【摘要】隨著通訊、物聯(lián)網(wǎng)及人工智能等技術的更新迭代，人類社會正從萬物互聯(lián)走向萬物賦能的時代。邊緣計算作為一種新興網(wǎng)絡技術架構，與傳統(tǒng)的云計算形成了優(yōu)勢互補，與此同時，依托人工智能技術的交融使能形成了智慧邊緣計算架構。在未來，智慧邊緣計算能夠有效地將人類從瑣碎的腦力消耗中解脫出來，深度推進人類-社會-科技-自身的和諧關系演進，為未來科學技術哲學的發(fā)展提供了方向和動力。

【關鍵詞】邊緣計算? 云計算? 物聯(lián)網(wǎng)? 萬物互聯(lián)

【中圖分類號】TP3? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2020.09.001

5G及后5G時代：萬物互聯(lián)到萬物智能的黃金時代

萬物互聯(lián)的發(fā)展歷程。創(chuàng)造是專屬于人類的生產方式，科技則是人們在實踐過程中產生的觀念。馬克思曾說過，這一觀念包含著人與自然、人與人、人與自身的全部關系。[1]網(wǎng)絡信息技術的發(fā)展無疑改變著這些關系，即時通訊、掃碼支付、日推歌單、共享單車、智能定位……人們是客體也是主體，以數(shù)據(jù)的方式得到確認，又將享受著數(shù)據(jù)和算法帶來的便捷與智能。從十九世紀八十年代誕生的僅支持語音信號傳輸?shù)牡谝淮ㄓ嵓夹g，到現(xiàn)在已成熟并廣泛應用的第四代通訊技術，以及正在建設的第五代通訊技術，無線通信技術已成為構建智能世界的主要趨勢之一，[2]成為了維系人與人、設備與設備、人與設備之間的紐帶，打破了“數(shù)據(jù)（Data）困境”的壁壘，形成各種各樣的信息（Information），萬物互聯(lián)正是科技發(fā)展驅動下的必然產物。

萬物互聯(lián)使得人們無需對每一個物品下指令就能夠獲得貼心的服務，對于工業(yè)和經濟的發(fā)展更是一大推動力。報告顯示，未來的無線通信系統(tǒng)將必須容納約1000億個連接設備，其中包括人類和機器通信設備。其主要目標是建立一個互聯(lián)的社會，在這個社會中，無人機、汽車、傳感器、醫(yī)療和可穿戴設備都將通過蜂窩網(wǎng)絡相互連接，與終端用戶交互，提供不同的創(chuàng)新型服務，如智能城市、智能家居、智能汽車、先進的安全和遠程手術。[3]但實現(xiàn)這個全面互聯(lián)的目標所必需的多設備連接、高速率、低延遲、少干擾也對網(wǎng)絡提出了更高的要求。需求催生進步，5G技術帶著顛覆世界的使命向我們走來，它具有超高速率（峰值速率大于每秒20 Gbit，相當于4G的20倍）、低時延（網(wǎng)絡時延從4G的50ms縮減到1ms）、海量設備連接（滿足1000億量級的連接）、低功耗的特點。萬物互聯(lián)的發(fā)展離不開物聯(lián)網(wǎng)的支撐，5G技術則為其提供了良好的保障。2019年9月，在世界物聯(lián)網(wǎng)博覽會上，中國經濟信息社發(fā)布《2018-2019中國物聯(lián)網(wǎng)發(fā)展年度報告》，[4]指出了我國對物聯(lián)網(wǎng)發(fā)展的政策支持力度不斷加大，闡述了我國物聯(lián)網(wǎng)應用領域和產業(yè)規(guī)模。正是由于國家政策導向和支持，我國物聯(lián)網(wǎng)技術取得了很大的進步，萬物互聯(lián)的時代正式形成。

萬物智能時代到來：人工智能技術發(fā)展催化物聯(lián)網(wǎng)應用落地。萬物互聯(lián)加速了信息的融合與聯(lián)動，以物聯(lián)網(wǎng)等技術作為載體，加持人類行為的驅動，不同維度下的信息邊界正在消失，形成了具有時空性（Spatial-temporal）的知識（Knowledge），而第四次工業(yè)革命作為人類文明的一個新時代出現(xiàn)，不僅帶來了5G技術，還促進了以人工智能為基礎的技術領域不斷地快速發(fā)展。如果說5G是物聯(lián)網(wǎng)發(fā)展的堅實基礎，人工智能則是物聯(lián)網(wǎng)廣泛應用的催化劑，成為了推動人類進入萬物智能時代的決定性力量。人工智能在醫(yī)療、交通、教育、商業(yè)和信息安全等領域的發(fā)展已經影響到人們日常生活的許多方面。信息的高度互聯(lián)，也受到了人工智能技術的加持。

人工智能技術、云計算和5G等各項技術的融入，賦予了機器“思考”的能力，打破了各類應用場景的邊界，將萬物互聯(lián)推向了萬物智能時代。智能物聯(lián)網(wǎng)（見圖1）落地應用越來越多，進入我們生活的方方面面。例如，2017年阿里巴巴推出了阿里云Link互聯(lián)網(wǎng)平臺，宣布正式進軍物聯(lián)網(wǎng)領域，預計未來5年實現(xiàn)100億臺設備的接入，這些產品涉及智慧城市、智慧物流、智能醫(yī)療等領域。其中包括：在外賣服務方面，阿里云對餓了么的配送流程進行優(yōu)化，餐廳的廚師做好飯之后，點擊一個集成IoT SDK的按鈕，后臺管理系統(tǒng)可以選擇距離餐廳最近的配送員進行取餐，大大減少配送人員等餐時間，提高送餐效率;在城市管理方面，阿里云Link為無錫鴻山的每一個路燈、煤氣管道、河流配備了傳感器，使其可以互聯(lián)互通，小鎮(zhèn)的管理者可以輕松實現(xiàn)城市治理智能化。[5]

此外，很多公司在物聯(lián)網(wǎng)應用方面也有很好的成就。例如，英特爾和福建升騰資訊合作完成的自助終端和金融服務機器人，提高了無人銀行的客戶體驗;[6]在事故預防方面，英特爾推出了互聯(lián)消防員，他將Quark處理器連接到消防員的呼吸面罩中，根據(jù)消防員的氧氣剩余含量和所處環(huán)境作出最優(yōu)的決策;在人際交往方面，IBM公司推出了一個物聯(lián)網(wǎng)應用——智能泰迪熊，它可以長時間追蹤孩子的情緒并向父母發(fā)送相應的文本消息，父母可以根據(jù)追蹤得到的結果實時了解孩子的心情，并及時進行回復。[7]

物聯(lián)網(wǎng)使得原本冷冰冰的物體成為人類意識的另一種顯現(xiàn)方式，甚至能進行思維、判斷，傾聽和感知，如果說智慧是人類永遠的向往，智能則是物聯(lián)網(wǎng)的追求目標。設備的爆炸式增長也為數(shù)字孿生的發(fā)展奠定了基礎。所謂數(shù)字孿生，就是充分利用物理模型、傳感器更新、運行歷史等數(shù)據(jù)，集成多學科、多物理量、多尺度、多概率的仿真過程，在虛擬空間中完成映射，從而反映相對應的實體裝備的全生命周期過程。[8]簡而言之就是再創(chuàng)造一個系統(tǒng)或設備的數(shù)字版的“克隆體”。數(shù)字孿生主要運用于工業(yè)的產品設計、生產、維護及維修等環(huán)節(jié)中，如美國GE公司為每個引擎、核磁共振等創(chuàng)造了數(shù)字孿生體，利用仿真技術，在數(shù)字空間完成對機器的調試。除了在工業(yè)領域內的應用，數(shù)字欒生技術還可以應用于醫(yī)療行業(yè)和“智慧城市”的建設。如通過5G等傳輸技術，成功完成了全國首例遠程人體手術——帕金森病“腦起搏器”植入手術和將雄安新區(qū)定位于綠色、智能的數(shù)字孿生城市，實現(xiàn)了物理空間與虛擬數(shù)字空間的融合共生等。[9]

萬物智能中的變化和挑戰(zhàn)。隨著移動設備的普及，網(wǎng)絡環(huán)境中的每個用戶都已經從互聯(lián)網(wǎng)內容的消費者成為了內容的創(chuàng)造者，實現(xiàn)人人智聯(lián)。[10]隨著互聯(lián)網(wǎng)技術和電子設備的發(fā)展，移動設備的多樣性增加，不僅僅是移動電話?個人電腦，其他現(xiàn)有的智能對象，如智能電表?傳感器、識別閱讀器和家用電器等也是物聯(lián)網(wǎng)中的重要組成部分。能夠介入到互聯(lián)網(wǎng)中的設備將越來越多，數(shù)量呈指數(shù)級增長，[11]呈現(xiàn)出了一個多方合一的新局面，形成網(wǎng)絡?設備?人工智能等各專業(yè)領域的知識融合，但在帶來巨大變化的同時，也面臨著更多的挑戰(zhàn)。

首先，物與物的直接連接需要更多樣穩(wěn)定的接入方式。萬物互聯(lián)涉及到以太網(wǎng)、電力線通訊等多種通信方式，[12]大部分被連接的設備還是會利用無線通信來傳輸傳感器和執(zhí)行器的信息。無線網(wǎng)絡的接入方式是多種多樣的，比如，WiFi?藍牙?LoRa（一種長距離無線通信技術）等。多網(wǎng)絡的異構性與不同的接入網(wǎng)絡和連接能力有關，隨著網(wǎng)絡技術和人類社會的發(fā)展，大部分區(qū)域將會出現(xiàn)多種無線通信方式共存的情況，[13]所以尋找更優(yōu)的網(wǎng)絡接入策略、解決物聯(lián)網(wǎng)無線網(wǎng)絡的接入問題將成為挑戰(zhàn)之一。

其次，多領域多元素的網(wǎng)絡框架，就像一個要同時處理多種事物的綜合辦公室。在這個框架中，用戶?信息?過程和事務將被同時考慮，并允許其通過互聯(lián)網(wǎng)技術進行擴展，實現(xiàn)智能管理、監(jiān)控?定位?識別等功能，以一個更有效的方式滿足人們的日常需求。在這個過程中，物聯(lián)網(wǎng)既是環(huán)境也是橋梁，應推進所有內容的集成，并填補由內容演變帶來的需求空白，讓人與人、人與物之間的信息溝通更加通暢便捷，做到隨時感知、隨時共享、隨時控制，以達到更深程度的人人互聯(lián)、服務互聯(lián)和最終市場所期望的萬物互聯(lián)。

再次，如何優(yōu)化頻譜資源的利用率是未來需要解決的問題之一。不同的傳感器擁有不同的感知?處理和通信能力，在異構的無線環(huán)境需要可靠的通信鏈路來實現(xiàn)更高效的通信。與4G相比，5G應達到1000倍的系統(tǒng)吞吐量，10倍的頻譜效率，以及更高的數(shù)據(jù)速率和更大的數(shù)據(jù)傳輸量，對頻譜資源的利用也因此有了更高的要求，[14]同時，在真實的物聯(lián)網(wǎng)場景中，存在著多種類型的傳感器，來自于不同的制造商，并且涵蓋多種協(xié)議，因而，許多問題解決方案的設計需要獨立于設備類型和配置，以應對復雜多變的感知與傳輸環(huán)境。

最后，設備及基建設施面臨巨大的能耗也是亟待解決的挑戰(zhàn)。截至2019年底，我國已有超過13萬個5G基站，而5G基站的耗電量是現(xiàn)有4G基站的數(shù)十倍甚至百倍，其中80%用于物聯(lián)網(wǎng)[15]，同時，考慮設備電池的壽命，它取決于設備如何有效地利用各種空閑和休眠模式，在設計中需要合理地對這些模式進行安排。然而，物聯(lián)網(wǎng)并不僅僅是建立多方的聯(lián)系，而是進一步實現(xiàn)從連接到智能，除了設備的連接，設備的計算能力才是讓這張網(wǎng)能夠活起來的關鍵。[16]

無論是自然界還是在人類的生產生活中，需求和進化都是相輔相成的，隨著技術的進步，需求也在不斷升級。每一次技術的革新都影響著人類生活。高速無線通信互聯(lián)網(wǎng)連接和更高的數(shù)據(jù)率在社會中有著很高的需求，是智能經濟發(fā)展和社會與世界的數(shù)字化的一個重要因素，4G在很多時候可以滿足當前大部分用戶的上網(wǎng)需求，但在物理層和網(wǎng)絡層的設計及其應用領域依然存在著無法滿足當前許多需求的問題。5G時代的到來，在提供新機遇的同時，也有著更高的技術要求，海量設備的接入，對數(shù)據(jù)流量和服務的需求大大增加，與此同時，也需要更大的穩(wěn)定性和更加廣泛的覆蓋性，這些需求無疑呼喚著更加成熟靈活的架構與算法。

邊緣計算應運而生。隨著移動通信技術的快速發(fā)展，邊緣計算理論和技術越來越引起關注，在這個數(shù)據(jù)爆炸的時代，邊緣計算就也是一種應對數(shù)據(jù)壓力的有效方法。

設備的智能化和數(shù)據(jù)量的增加，對帶寬?功率?延遲?隱私等方面的需求逐漸加深，將所有數(shù)據(jù)傳送到云中是不現(xiàn)實的，因此，利用網(wǎng)絡“邊緣”對云端分流，能夠有效減小云端的流量與計算壓力。[17]例如，考慮設備的資源、任務量等約束條件，最小化所有設備執(zhí)行任務的總能耗，被描述為，公式中的E表示能量消耗，與處理器模型在實踐中的能源效率有關，是任務分配的二元決策變量，若值為1則表示任務在本地執(zhí)行。任務可以選擇在“邊緣”分析、計算，無需傳回云端，這樣的方式可以極大減少由于大量數(shù)據(jù)的傳輸?計算和存儲產生的功耗和時延，加快內容交付和提高移動服務的質量。人工智能促使邊緣不僅僅是連接而是變得智能的同時，邊緣端多種多樣的應用場景，如車聯(lián)網(wǎng)、智慧家居等，不斷產生著大量的數(shù)據(jù)，邊緣計算中的豐富數(shù)據(jù)可以支持人工智能。[18]邊緣計算與人工智能是互補的，也是相輔相成的，與傳統(tǒng)的算法相比，具有更加靈活的、可擴展的分布式計算的特性。[19]

邊緣生態(tài)系統(tǒng)通過為人工智能帶來海量的信息，將為人工智能提供許多新的應用場景，邊緣計算與智能相結合，推動著物聯(lián)網(wǎng)的持續(xù)蓬勃發(fā)展，也預示著萬物賦能的基本趨勢。每個人都被裹挾在時代進步的潮流中，無論你是享受著技術帶來的便利，還是早早將目光聚焦于未來，都已經與之融為一體。未來的變化和挑戰(zhàn)，是從萬物互聯(lián)到萬物賦能必須要面對和經歷的，但迎接它的更多是一片又一片“藍?！?。

萬物賦能：邊緣計算與人工智能交融使能

邊緣智能：無所不在的智能協(xié)同。邊緣智能依托于邊緣計算的低時延、分布式的特性，實現(xiàn)了將人工智能的自主學習、智能決策能力進行下放。如圖2所示，邊緣智能基于邊緣計算的運行機制和網(wǎng)絡結構，為智能應用提供多層次的資源支持和性能優(yōu)化，而邊緣智能對智能應用的優(yōu)化和保障主要體現(xiàn)在以下三個方面。

第一，優(yōu)化智能應用請求的響應時延與資源供給。目前傳統(tǒng)的網(wǎng)絡架構采用了基于云計算的執(zhí)行模式，通過將人工智能服務部署在云端，依托于云端服務器集群豐富的硬件資源來處理計算請求。[20]這雖然解決了硬件資源不足的問題，但云端服務器地理位置偏遠的特性造成了額外的時延，導致基于云計算的架構無法滿足實時服務的需求?？赏ㄟ^引入邊緣計算技術來支撐人工智能服務，在網(wǎng)絡邊緣分布式部署大量的邊緣節(jié)點，從而向資源受限的終端設備提供支持來實現(xiàn)邊緣智能。[21]

邊緣智能已經在許多應用領域有了優(yōu)異的表現(xiàn)，如圖3所展示的邊緣智能在實時視頻分析中的應用，實時視頻分析在智能工廠、智慧社區(qū)、無人駕駛等場景中都是不可或缺的關鍵環(huán)節(jié)，借助邊緣智能實時視頻分析可以更加智能、更加高效。在實時視頻分析服務的應用過程中，智能手機、智能攝像頭等資源受限的終端設備在捕獲視頻數(shù)據(jù)之后，若無法支撐人工智能服務高額的資源消耗，智能終端可以僅執(zhí)行數(shù)據(jù)壓縮[22]、圖像分割[23]等預處理，然后將數(shù)據(jù)傳輸至邊緣節(jié)點處理。數(shù)量眾多的邊緣節(jié)點一旦接收到來自終端設備的服務請求后便立即開始處理，并且在邊緣端還可以進行多個邊緣節(jié)點之間的智能協(xié)作[24]以提供更好的服務。當邊緣端無法滿足應用的資源需求時，可以將數(shù)據(jù)傳輸至云端處理，但也會不可避免地造成額外的傳輸時延，這也是未來需要解決的問題之一。此外，云端除了提供強大的資源支持之外，還能為邊緣端提供人工智能模型的聚合更新能力，[25]從而幫助邊緣節(jié)點對全局知識進行學習和訓練。

綜上所述，基于邊緣智能可以將視頻分析服務部署在更接近請求源的邊緣節(jié)點上，相對于云端的遠距離連接，邊緣節(jié)點低傳輸時延的特性可以實現(xiàn)視頻分析請求的實時處理，促進應用服務的敏捷響應，而對于邊緣智能中的計算密集型任務請求，則可以通過將其傳輸至云端來滿足高額的資源需求。

第二，改進智能應用數(shù)據(jù)的通訊傳輸與隱私保護。由于在邊緣計算平臺中通常需要大量設備的協(xié)同運行，因而，不同設備之間不可避免地存在大量數(shù)據(jù)傳輸，這不僅會給通訊網(wǎng)絡造成極大的流量負載，還會使得數(shù)據(jù)缺乏隱私性保護。因此，聯(lián)邦學習被進一步提出，它使得人工智能模型在邊緣計算架構中可以進行分布式訓練，并且無需上傳樣本數(shù)據(jù)，只需將訓練后的參數(shù)更新上傳，之后再由邊緣節(jié)點聚合參數(shù)更新并進行參數(shù)下發(fā)。比如，在周期t時有s個終端設備在本地進行訓練，每個終端設備將會基于本地數(shù)據(jù)對模型參數(shù)進行訓練，其中表示梯度下降步長，為損失函數(shù)：

在完成本地訓練后終端設備將向邊緣節(jié)點提交更新，這些設備的訓練周期數(shù)之和表示為，而邊緣節(jié)點在接收到更新后會對模型參數(shù)進行聚合更新并向下行鏈路的終端設備廣播聚合后的模型參數(shù)：

聯(lián)邦學習在邊緣計算的應用賦予了人工智能模型分布式訓練的能力，使得智能設備可以在本地對數(shù)據(jù)進行處理并僅對參數(shù)的更新信息進行傳輸，避免了集中式訓練時需要將大量原始數(shù)據(jù)傳輸匯總的方式，從而進一步保障了人工智能模型的訓練過程，在實現(xiàn)了減輕流量壓力的同時，強化了數(shù)據(jù)的隱私保護。

第三，提升智能應用服務的應用拓展與部署保障。在人工智能服務的應用實踐方面，目前國內外已經有多種邊緣智能平臺發(fā)布并投入使用，這進一步拓展了人工智能服務應用的廣泛性，而多樣化與有價值的人工智能服務能夠拓寬邊緣計算的商業(yè)價值，為邊緣智能的實現(xiàn)提供了基礎和保障。華為公司在2018年設計并推出了邊緣智能平臺IEF，[26]可以將云端服務器的處理能力延伸至邊緣側，從而就近提供實時的智能服務。此外，IEF還通過兼容kubernetes以及docker實現(xiàn)了輕量化的特性，并且依托于邊云協(xié)同的特性在監(jiān)控平臺、智能工業(yè)等領域有著良好的前景規(guī)劃。2019年，百度公司宣布開源了其邊緣智能計算平臺BAETYL，[27]能夠提供身份制定以及規(guī)則策略制定、云端管理下發(fā)、邊緣端部署運行等功能，并且平臺采用了模塊化思想，實現(xiàn)了用戶按需使用的模式。此外，BAETYL還可以與百度邊緣智能管理套件（Baidu-IntelliEdge）協(xié)同使用，進一步推進邊緣智能的發(fā)展。AWS Greengrass[28]是由亞馬遜公司在2017年發(fā)布的邊緣智能平臺，它使得設備可以在本地對數(shù)據(jù)進行處理以及數(shù)據(jù)篩選，從而只對必要信息進行傳輸，極大地提高了信息傳輸效率。此外，AWS Greengrass還具有優(yōu)異的魯棒性（Robustness），可以在設備間歇性網(wǎng)絡連接的情況下使用，能夠適應更加復雜的網(wǎng)絡環(huán)境。2018年，微軟公司將其邊緣智能平臺Azure IoT Edge[29]作為開源項目開放提供，這一平臺采用了容器的方式運行，容器中不僅支持微軟提供的相關服務，也支持用戶提供的代碼并且提供了對容器的監(jiān)控管理功能。

智能邊緣：無所不能的數(shù)字演進。智能邊緣的目的即是將人工智能算法融入邊緣以支持動態(tài)的、自適應的資源分配與管理。如圖4所示，智能邊緣通過使用人工智能的學習和決策能力來實現(xiàn)對邊緣計算平臺中的資源、設備、請求的智能化管理，來優(yōu)化提升邊緣計算平臺的運行效率，而智能邊緣對于邊緣計算的優(yōu)化主要包括以下三個方面。

第一，實現(xiàn)邊緣計算平臺的動態(tài)管理與高效運行。網(wǎng)絡中往往包含大量異構設備以及種類繁多的應用請求，因此，如何針對不同的應用請求特性，實現(xiàn)異構設備的自適應協(xié)作處理就成為了一個棘手的問題。目前有許多處理這類問題的傳統(tǒng)算法，如貪心算法[30]、蟻群算法[31]等。然而，這些傳統(tǒng)算法卻存在許多弊端：一是對網(wǎng)絡環(huán)境變化以及異構硬件參數(shù)的適應性差;二是缺少對長期收益的考慮;三是優(yōu)化指標相對單一。因此，傳統(tǒng)算法已經無法適應邊緣計算平臺的性能發(fā)展需求，要實現(xiàn)性能瓶頸的突破就必須探索和應用具有高效性、實時性、動態(tài)性的決策算法，而人工智能技術出色的決策能力可以幫助邊緣計算平臺實現(xiàn)智能化管理。

邊緣計算平臺往往采用端—邊—云的多層組織架構，所以如何在不同組織層面中的異構設備之間進行高效的計算卸載調度成為必須考慮的問題，而人工智能技術可以通過計算卸載決策實現(xiàn)將不同層面的異構設備牢牢結合在一起[32][33]。智能決策模型一般通過與網(wǎng)絡環(huán)境的不斷交互進行反復迭代來不斷提升決策的準確性，但網(wǎng)絡環(huán)境的復雜性和動態(tài)性會導致規(guī)模龐大的狀態(tài)空間。對此通常使用一個參數(shù)為w的神經網(wǎng)絡來對決策的評價函數(shù)值進行相似計算：

其中s表示智能決策模型對網(wǎng)絡環(huán)境的觀測值，a表示所采取的的決策動作。之后我們就可以進一步定義模型在訓練學習時的損失函數(shù)：

其中為常量參數(shù)，r為對應的獎勵函數(shù)值?；谏鲜龇治?，智能決策模型就可以基于梯度下降法來更新參數(shù)：

因此，隨著智能決策模型與網(wǎng)絡環(huán)境的交互迭代，可以不斷優(yōu)化模型決策的準確性，提升邊緣計算平臺的運行效率。

第二，決策邊緣計算任務的計算卸載與協(xié)同處理。如圖5所示，智能邊緣可以依據(jù)計算任務不同的特征和屬性來自適應地選擇執(zhí)行模式。對于計算需求較小的任務可以直接在終端設備執(zhí)行，從而避免數(shù)據(jù)傳輸所導致的時延以及資源消耗。然而，對于資源需求較大的計算任務，可以通過人工智能模型對邊緣計算平臺中進行智能化管理，從而充分整合利用平臺中異構設備的資源實現(xiàn)任務的協(xié)同高效執(zhí)行。

對于任務卸載可以劃分為整體卸載與部分卸載兩種模式。整體卸載會將傳輸至單一邊緣節(jié)點或云端執(zhí)行，這可以避免對任務進行分割整合所造成的資源消耗，但當計算任務規(guī)模較大時，將任務傳輸至單一設備執(zhí)行會導致執(zhí)行效率低下，可以選擇對任務進行分割再交由不同的設備執(zhí)行處理，通多不同設備的協(xié)同處理實現(xiàn)異構設備資源的利用整合。

此外，根據(jù)邊緣計算平臺中的協(xié)作方式還可以進一步分為縱向協(xié)作與水平協(xié)作?？v向協(xié)作將會聯(lián)合端—邊—云三層的異構設備來協(xié)同處理計算任務，由于不同層級的設備資源存在差異會導致人工智能服務性能的差異，通過多層級的協(xié)作可以實現(xiàn)對計算任務的各個環(huán)節(jié)按需供應。水平協(xié)作則通常將任務交由若干個邊緣節(jié)點處理，通過在單一層級中對計算任務進行協(xié)同處理，可以在充分利用設備資源的同時，減少通訊傳輸造成資源消耗。

第三，降低邊緣計算數(shù)據(jù)的冗余傳輸與低效存儲。無論是現(xiàn)在還是未來，數(shù)據(jù)傳輸?shù)膲毫χ辉霾粶p，但不是所有的數(shù)據(jù)都是有用的，所以為了減少應用服務中的冗余數(shù)據(jù)傳輸、實現(xiàn)應用服務的敏捷響應，邊緣緩存的設計也加入了邊緣智能化的大集體。

邊緣緩存方案可以通過在邊緣節(jié)點緩存熱點內容，實現(xiàn)在出現(xiàn)相關請求時能夠快速響應。[34]因此，基于邊緣緩存技術可以對同一地區(qū)中的相似請求進行快速響應，從而避免了對請求的數(shù)據(jù)進行多次冗余傳輸?shù)那闆r。

然而，邊緣緩存卻面臨著一個嚴峻挑戰(zhàn)，由于邊緣節(jié)點的存儲空間具有局限性而且其服務范圍內的熱點內容難以預測，因此，無法實現(xiàn)緩存的高效命中。這時，人工智能依然發(fā)揮著重要作用，它可以依據(jù)每個邊緣節(jié)點的服務內容進行定制化的策略設計，并可以追蹤熱點內容的實時變化來對策略進行智能化調整[35]，從而確保緩存內容的有效性和準確性。因而，借助人工智能技術自主化的決策設計邊緣緩存方案，可以避免相似請求的冗余數(shù)據(jù)傳輸以及促進存儲空間的高效利用，實現(xiàn)緩存命中率的大幅提升。

總結與思考

世界每時每刻都在產生數(shù)據(jù)，就像每天的溫度、濕度，甚至于一棵不起眼的草的顏色深度……這些誕生于物理世界的數(shù)據(jù)，本身只是一堆冰冷的數(shù)字，在我們使用相關的工具、（如溫度計、傳感器等）對其測量之前，這些數(shù)據(jù)對我們人類而言沒有任何的價值。世界上產生的數(shù)據(jù)每年都在以指數(shù)規(guī)模增長，最好的處理方法就是將70%的數(shù)據(jù)都在網(wǎng)絡邊緣進行處理，通過分散的方法減輕計算壓力;另外，這些由設備產生的數(shù)據(jù)中有太多對我們無用的數(shù)據(jù)了，據(jù)思科統(tǒng)計，到2021年結束，全球每年產生的數(shù)據(jù)將會達到847ZB，而在這樣海量的數(shù)據(jù)中僅有約10%的數(shù)據(jù)才是有用的。

這些數(shù)據(jù)在還沒有與人類世界產生聯(lián)系時，它本身還不能算作是信息。但通過打破數(shù)據(jù)算力壁壘，將物理世界中冰冷無意義的數(shù)字、冗余海量的數(shù)據(jù)抽取出來，映射到數(shù)字空間，形成可演算的、對生活進行調整與反饋的知識，信息就由此誕生。算力邊界的突破需要借助一系列的智能算法如特征工程和知識整合的支撐。數(shù)據(jù)和特征決定了機器學習的上限，而模型和算法只是逼近這個上限而已。這些原本復雜冗余的數(shù)據(jù)被精簡為一條條的知識進而映射到數(shù)字空間，知識的相互作用關聯(lián)，形成真正有價值有意義的信息，開始與人類世界產生聯(lián)系（見圖6）。

當有人類行為參與到信息鑒別與利用時，這些信息才終算突破了智力邊界，在人類與信息的交互過程中，通過智力來選擇這些對我們有利的信息，讓有用的信息及時反饋到我們的行動中去，避免進行不利的活動。例如，從事同樣的農耕活動，古時的完全靠人力耕作，后來依托工具以及使用耕牛，再到如今的機械化智能化的農業(yè)。雖然都是同等的工作，但這中間缺隔著巨大的智力鴻溝，這就是智力邊界。所以，認知層邊緣計算所面臨的主要任務是如何更好地將人的智能與邊緣算法相結合，從而提升邊緣側的算法效率、算法適配性，優(yōu)化信息組合的結構，使這些信息更高效、快速地為人類所用，同時將作用的結果反饋給人類，輔助人類進行決策，形成人類認知層的邊緣計算。

當智力邊緣被突破，數(shù)據(jù)與信息隨著人類的認知被更好的利用，激增的有益信息隨著人類的社交網(wǎng)絡被不斷傳播，如個人向朋友分享自己喜愛的事物可以增進朋友間的友誼等，當個人的分享需求越來越多，這種聚集的需求突破了應用邊界，就形成了我們所熟知的社交網(wǎng)絡應用。應用邊界的突破一定程度上依賴于人的社交關系，主要存在兩個相關的現(xiàn)象：社會信任（social trust）與社會互惠（social reciprocity）。社會信任是指人與人之間的信任關系，普遍存在于親人、朋友、同學之中。社會互惠是指在人類社會中存在的多個個人或團體通過相互合作從而達成目標最大化，各方都有收益的現(xiàn)象，普遍存在于同事、公司之間。一般來說存在這兩類社會關系的人群更容易在用戶與用戶之間形成直接的內容分享，人類的這種行為就在社交邊緣邊界上搭建了一座溝通的橋梁，使得這些個人社交的邊緣計算需求聚集形成了一種邊緣計算應用從而達到智能邊緣。

最終在實現(xiàn)這樣的邊緣智能應用場景之后，可以繼續(xù)對這些邊緣計算應用的場景進行優(yōu)化與結構調整，通過模型共享、遷移學習等，用從一個環(huán)境中學到的知識幫助完成新環(huán)境中的學習任務，做到舉一反三。在模型分享過程中我們將不斷地調整原來應用的架構，進行持續(xù)的更新與發(fā)展，最終突破架構邊界的限制。那時，我們將能夠最大限度地去探索這一類人的社會行為背后的最大價值與意義，這些本質的價值與意義一方面作用于互聯(lián)網(wǎng)服務提供商，他們可以在此基礎上調整他們的邊緣計算的服務核心，另一方面這些本質的價值也反饋于用戶自身，實現(xiàn)自身的價值，展現(xiàn)最終價值層邊緣計算的核心要義。

從算力世界中數(shù)據(jù)的海洋，到集合著成千累萬信息的數(shù)字空間，再到人類智力對信息處理的參與，最終到達智慧邊緣計算，用智能的、高效的方式最大限度地處理信息并反饋給人類，這條路似乎還有著無盡的綿延。但無論技術怎樣發(fā)展，這些數(shù)據(jù)都會從人類和世界中來，最終也必然被運用于人類對世界的認識和改造中。從萬物互聯(lián)到萬物賦能，科技的發(fā)展帶來了人與世界、人與人、人與自身關系的改變，還帶來了對科技發(fā)展進行哲學思考的要求。在未來，既然智慧邊緣計算將人類從瑣碎的腦力消耗中解脫出來了，那么人類就需要用思維完成更重要的任務：既需要研究在科學發(fā)展的歷程中人類如何認識科學，還要反思處于發(fā)展潮流中的人們是如何存在和認識自己的，從而推進人類—社會—科技—自身的和諧關系，這也為未來科學技術哲學的發(fā)展提供了方向和動力。

（本文系2018年度科技部重點研發(fā)計劃“社區(qū)風險監(jiān)測與防范關鍵技術研究”和2019年度科技部重點研發(fā)計劃“基于邊緣智能協(xié)同的物聯(lián)終端系統(tǒng)與應用”的階段性成果，項目編號分別為：2018YFC0809803、2019YFB2101901;天津大學智能與計算學部博士生王晨陽對本文亦有貢獻）

注釋

[1]《馬克思恩格斯選集》第1卷，北京：人民出版社，1972年，第30頁。

[2]Hong， W.; Baek， K.-H. and Ko， S.， "Millimeter-wave 5G antennas for smartphones： Overview and experimental demonstration"， IEEE Trans. Antennas Propag， Dec 2017， 65（12）， pp. 6250–6261.

[3]Olwal， T. O. ; Djouani， K. and Kurien， A. M.， "A survey of resource management toward 5G radio access networks"， IEEE Commun. Surveys Tuts， 3rd Quart 2016， 18（3）， pp. 1656–1686.

[4]余偉婷：《2018-2019中國物聯(lián)網(wǎng)發(fā)展年度報告》，《物聯(lián)網(wǎng)技術》，2019年第9期，第3頁。

[5]阿里云：《三個物聯(lián)網(wǎng)案例，看懂阿里巴巴為何布局最難的物聯(lián)網(wǎng)道路》，http：//news.rfidworld.com.cn/2017_10/4dbde5ad0730344a.html，2017年10月13日更新。

[6]半導體行業(yè)觀察：《英特爾物聯(lián)網(wǎng)的三大戰(zhàn)略》，https：//www.sohu.com/a/254267717_132567，2018年9月17日更新。

[7]智能硬件前沿：《關于英特爾物聯(lián)網(wǎng)你不可不知的10個最新動向》，https：//www.sohu.com/a/113230704_381605，2016年9月2日更新。

[8]中科院物理所：《什么是數(shù)字孿生？》，https：//baijiahao.baidu.com/s？id=1654063032229950736&wfr=spider&for=pc，2019年12月27日更新。

[9]OFweek工控：《數(shù)字孿生技術的應用價值，數(shù)字孿生可以應用到哪些方面？》，http：//www.elecfans.com/d/916589.html，2019年4月23日更新。

[10]顧嘉：《萬物互聯(lián)之前請先做好人人互聯(lián)》，《通信世界》，2017年第21期，第9頁。

[11]Jara， A. J.; Ladid， L. and Gómez-Skarmeta， A. F.， "The Internet of Everything through IPv6： An Analysis of Challenges"， Solutions and Opportunities， 2013， 4（3）， pp. 97-118.

[12]Sharma， S. K. et al.， "Physical layer aspects of wireless IoT"， International Symposium on Wireless Communication Systems （ISWCS）. IEEE， 2016， pp. 304-308.

[13]Wu， D. et al.， "UbiFlow： Mobility management in urban-scale software defined IoT"， IEEE conference on computer communications （INFOCOM）. IEEE， 2015， pp. 208-216.

[14]Afzal M.K.， et al.， "Unlocking 5G spectrum potential for intelligent IoT： Opportunities， challenge，? and solutions"， IEEE Communications Magazine， 2018， 56（10）， pp. 92-93.

[15]新浪財經綜合：《我國5G基站已超13萬個 未來80%應用放在物聯(lián)網(wǎng)》，https：//finance.sina.cn/2020-01-20/detail-iihnzhha3773436.d.html，2020年1月20日更新。

[16]Keshavarzi A. and van den Hoek W.， "Edge intelligence—On the challenging road to a trillion smart connected IoT devices"， IEEE Design & Test， 2019， 36（2）， pp. 41-64.

[17]Chen， X. et al.，"Exploiting massive D2D collaboration for energy-efficient mobile edge computing"， IEEE Wireless communications， 2017， 24（4）， pp.? 64-71.

[18]Zhou， Z. et al.， "Edge intelligence： Paving the last mile of artificial intelligence with edge computing"， Proceedings of the IEEE， 2019， 107（8）， pp. 1738-1762.

[19]Wolf， M.， "Machine Learning+ Distributed IoT= Edge Intelligence"， 2019 IEEE 39th International Conference on Distributed Computing Systems （ICDCS）. IEEE， 2019， pp. 1715-1719.

[20]朱珺辰、高俊杰、宋企皋：《大數(shù)據(jù)、人工智能與云計算的融合應用》，《信息技術與標準化》，2018年第3期，第45～48頁。

[21]施巍松、孫輝、曹杰等：《邊緣計算：萬物互聯(lián)時代新型計算模型》，《計算機研究與發(fā)展》，2017年第5期。

[22]Ren， J. et al.， "Distributed and efficient object detection in edge computing： Challenges and solutions"， IEEE Network， 2018， 32（6）， pp. 137-143.

[23]Liu， C. et al.， "A new deep learning-based food recognition system for dietary assessment on an edge computing service infrastructure"， IEEE Transactions on Services Computing， 2017， 11（2）， pp. 249-261.

[24]Li， D. et al.， "Deepcham： Collaborative edge-mediated adaptive deep learning for mobile object recognition"， IEEE/ACM Symposium on Edge Computing （SEC）. IEEE， 2016， pp. 64-76.

[25]Wang， S. et al.， "Adaptive federated learning in resource constrained edge computing systems"， IEEE Journal on Selected Areas in Communications， 2019， 37（6）， pp. 1205-1221.

[26]華為：《智能邊緣平臺—IEF》， https：//www.huaweicloud.com/product/ief.html，2018年更新。

[27]百度：《Beatyl，將計算、數(shù)據(jù)和服務從中心無縫延伸到邊緣》， https：//baetyl.io/zh/，2019年更新。

[28]亞馬遜：《將本地計算、消息收發(fā)、數(shù)據(jù)管理、同步和 ML 推理功能引入邊緣設備》 ，https：//aws.amazon.com/cn/greengrass/，2017年更新。

[29]微軟：《在 IoT Edge 設備上本地部署的云智能》，https：//azure.microsoft.com/zh-cn/services/iot-edge/，2018年更新。

[30]張海波、李虎、陳善學等：《超密集網(wǎng)絡中基于移動邊緣計算的任務卸載和資源優(yōu)化》，《電子與信息學報》，2019年第5期，第183～190頁。

[31]楊仕豪：《移動邊緣計算環(huán)境下資源放置與分發(fā)問題》，《中國新通信》，2017年第21期，第126～128頁。

[32]Mach， P. and Becvar， Z.， "Mobile edge computing： A survey on architecture and computation offloading"， IEEE Communications Surveys & Tutorials， 2017， 19（3）， pp. 1628-1656.

[33]Chen， X. et al.， "Optimized Computation Offloading Performance in Virtual Edge Computing Systems via Deep Reinforcement Learning"，? IEEE Internet of Things Journal， 2018， 1-1.

[34]Wang， S. et al.，"A survey on mobile edge networks： Convergence of computing， caching and communications"， IEEE Access， 2017， 5， pp. 6757-6779.

[35]Xiao， L. et al.， "Security in mobile edge caching with reinforcement learning"， IEEE Wireless Communications， 2018， 25（3）， pp. 116-122.

責 編/肖晗題