原文链接 Industrial IoT devices at the edge bring strategic advantage
阅读时间： 5分钟
工业物联网设备正在激增，它们产生的数据也在增加。边缘计算可以提高这些情况中分析的实用性
随着2019年的开始，我们几乎不再可能忽视工业物联网和边缘计算之间新兴的伙伴关系。工业物联网（IIoT）使用物联网技术来增强制造和工业流程。这些过程越来越需要相互连接的设备来有效地执行任务。
边缘计算体系结构使计算处理更接近于需要它的用户和设备，而不是在内部部署数据中心或公共云中集中处理。边缘对于使用大量数据的工业和制造过程至关重要，这些过程需要快速的反应时间并且需要严格的安全性。
大量的数据足以证明加速是合理的，因为物联网生成的数据呈现指数级增长， 远比存储数据的传统云环境增长得快。此外，云服务作为数据存储和分析的目的地引入了数据传输问题 - 延迟和带宽 - 使传输旅程的速度成为核心问题。由此需要边缘计算来解决IIoT到云架构的低效传输问题（译者：有的应用场景不走云计算，更快更安全）
工业物联网设备和边缘计算以惊人的速度增长。埃森哲预测，到2020年，IIoT市场将达到5000亿美元;而且IIoT每年已经产生4 千万 PB 的数据。 Gartner估计，物联网目前产生约10％的企业数据; 到2022年，Gartner预测这将增加到50％。
据IDC称，IT对边缘计算基础设施的年度投资将达到物联网总支出的18％;在去年的 Forrester Analytics全球商业技术移动调查中，27％的全球电信决策者表示他们的公司将在今年实施或扩展边缘计算
工业物联网设备与智能城市相遇
当工业物联网设备和边缘计算协同工作时，数字信息变得更加强大，尤其是在智能城市等这样传统的，需要从具体场景中搜集数据的情况，例如停车计时器或住宅区附近的联网垃圾箱。在大城市地区的垃圾桶中安装支持互联网的传感器正变得司空见惯。然后可以通过传感器远程监控垃圾桶；当垃圾桶满了，卫生部门会收到通知，并且可以在日志中记录下这次清理垃圾桶的需求。
卫生系统变得更加高效。但更重要的是，随着数据越来越接近这些设备，系统可以随着时间的推移而学习。在这个例子中，系统开始意识到哪些垃圾桶在哪几天容易被填满，并且它可以更提前地计划清空这些容器并相应地优化收集路径（译者：降低垃圾桶满的风险和多个点位的清运车能耗）
通过将处理资源放入IIoT环境以使处理成为可能，现在正在解决工业中的传统IT问题。
// 省略了 New security for old hardware 这一小节
工业物联网设备带来更快的数据，更快的决策
通过将人工智能带入设备本身，边缘计算还可以使决策制定更具上下文驱动力并且更快速。
例如，紧急医疗技术人员必须迅速确定遇险人员的生命体征，并从该地区的人员那里收集信息。如果一名工厂工人在佩戴监控其身体状况的智能手表的同时瘫倒在工作，那么救护技术人员可以在险情发生前立即获得生命体征。他们还会在事件发生时看到有关环境的信息：温度，噪音水平，烟雾的存在以及可能为快速有效治疗提供背景信息的任何其他数据。
从以云为中心的数据处理转移到边缘计算，并消除云绑定事务的时间，并不仅仅意味着更快的系统 - 这是信息驱动决策的下一步。原始数据在完成本地工作后，可以最终传输到云端，为更多的全局AI流程做出贡献，或者在那里存档。
随着工业物联网设备与边缘相结合，高保真分析和更小的占地面积将成为2019年的AI规范。
AI与边缘计算
也许工业物联网设备与边缘计算之间合作关系的最大成果将是它为全球新兴AI功能提供的推动力。工业人工智能将不仅仅是机械的 - 它将是“艺术的”，包括自然语言处理和计算机视觉等新领域 - 两个领域也从边缘计算中获得巨大的推动。
世界上大多数摄像机已经在本地网络上。根据之前的定义，将这些摄像机连接到云是主要的数据传输负担。与保留集中式连接相比，为本地摄像机安装数据分析所需的软硬件资源要容易得多。自然语言处理也是如此；语音通信发生在现场，而不是服务器机房。
（译者：假如把摄像头资源传到云计算服务器中进行分析再返回结果，整个流程所消耗的时间和成本需要考虑很多方面。目前输入法中的语音转文字还是依靠云服务实现的，在本地计算需要安装太多lib并且消耗CPU）
另外一个例子，在市民剧场的娱乐活动期间，基于摄像头获取的实时数据，通过本地的软件算法来识别目前空余的座位并且有效地安排新进入会场的听众。（译者：中国的音乐会看电影都是对号入座的，不需要重新安排了。。哈哈哈）
随着边缘网络在IIoT中的建立，这两种技术都将迅速演进，加速发展将为所有IT技术带来好处。在技术创新和满足市场的需求方面，数字技术史上很少有如此完美的时机。（译者：有点过了啊，吹牛）
翻译后记
这篇文章是我在思科的官网News 中读到的，文中提到的核心思想就是边缘计算和物联网的紧密合作将是个新机遇。实际上边缘计算在我看来就是云服务+本地计算，并没有什么新概念。微软CEO 纳德拉在去年也是主推边缘计算，在Azure 如此盈利的情况下主推物联网设备的节点计算，有点噱头。
在我看来这个技术的演进有几个阶段：
- 孕育阶段
在云服务没有那么普及的年代，我们很难想象，自然语音转文字、高德路径规划等服务会如此快速并且廉价。那个时候我们手里边各种设备的计算，数据分析往往是放在本地进行的，比如文件搜索、车载导航的规划，这个算物联网设备的孕育阶段吧。 - 云计算阶段
而目前我们所经历的就是第二个阶段，物联网设备在大量的连接云服务，计算分析过程大量发生在云端，这使得算法、计算能耗都可以得到集中控制。云计算的维护升级都可以在云端得到妥善管理，设备只需要完成联网，数据采集、传输的过程。分工明细 - 边缘计算+云计算阶段
现在要把一部分计算工作重新放回到设备终端，而不是通过网络连接去依靠云计算，不局限于以下几个原因：
1.网络连接的安全性无法完全保证，如果一个互联网汽车被黑了，并且注入了获取操控权限的代码。。那就危险了。
2.数据传输的代价如果高于本地计算（例如高清摄像头的数据分析、人脸识别），那么应该换成终端计算 结合云存储的模式。这是一个有边界条件、求最优解的过程。
3.边缘计算更省时间和带宽，不需要消耗网络带宽（这里指的是减少了网络请求和负载），省了网络来回的时间，对于部分实时性要求高的需求应采用边缘计算
这三个阶段看下来，有点像又回到了本地计算的年代。在我一个外行看来，云计算+物联网设备边缘计算的模式有他的优势：
更智能的物联网设备。计算量分布式，但是原始数据和计算结果都可以回传到云端进行共享学习。意思是其他设备可以随后学习到这次的经验，例如有几台互联网汽车发现每周一这段路容易出现拥堵，等于全网都知道了。
从我粗略的观点来看，边缘计算的问题在于本地计算服务的搭建并不如云计算那么弹性。简单的例子，我有10个摄像头，那么做一个本地跨摄像头的人脸追踪系统，需要多少GPU，多少电力消耗？假如存在计算量在某些时间段超出目前负载的情况，能否弹性地扩展计算能力？ 这个问题下次再吹吧。。哈哈哈
参考文章
The intelligent edge is in your future
Industrial Internet of Things
On-premise是什么
