IDC预计到2018年有40%的物联网数据需要在边缘进行存储处理和分析，那么将有50%的物联网的网络会面临着带宽的问题。到2020年全世界将有多达500亿的智能设备接入互联网，未来40%以上数据需要在边缘进行分析、处理和存储。这些智能设备包括，智能手机、个人穿戴设备、汽车、核磁共振仪、智能路灯、蒸汽发电机、飞机发动机等各式各样的智能设备。嵌入式开发
物联网时代引发的智能设备数量激增已经成为共识，几乎所有的行业都对数据处理的响应速度提出了更高的要求，各类应用场景均无法容忍网络的延迟和计算延迟。以自动驾驶为例，如果摄像头识别到正有行人从车前方走过，摄像头识别图象，然后对图象进行压缩，再通过网络传到数据中心进行分析并做出相应判断，这还远未结束，判断结果需要再次通过网络传回给前端车辆，采取相应的制动操作。如果按照这样的闭环，当汽车做出最终决策的时候，可能已经造成了不可避免的损失。
边缘计算.jpg
另外，数据拥有者对数据隐私保护的意识也逐渐提升，他们不希望将数据上传至云端，再通过第三方进行分享，而希望这些数据在本地就得到处理。因此，在一些对隐私保护要求相对比较高的应用场景则需要数据在边缘进行处理。
当前，很多计算处理都发生在后端的数据中心，物联网的应用一定需要端到端的能力，会有越来越多的应用被推送到前端进行处理。那么，边缘计算就可以凭借缓解带宽压力、及时响应和保护隐私等独特优势，发挥出至关重要的作用。
边缘计算与云计算，二者将呈现出相辅相成、协同发展的状态：一方面，随着数据量的攀升，云计算的负荷不断加重，若想持久发展就需要边缘层“伸出援手”来做数据的预处理;另一方面，在很多的应用场景中云计算则可以站在高处，把数据进行汇总从而实现综合应用。例如，在交通行业，摄像头能捕捉到的车辆运行轨迹是有限的，只能观察到一个路口或一个区域，若想完整查账一辆车的轨迹，则必须要在云端通过不同摄像头相连，汇总成更加全景式的记录。
随着人工智能对边缘计算提出了更高的要求，工作负载整合将成为大势所趋。工作负载整合就是把小型边缘计算集成到中央服务器，从而降低服务成本，提升计算效率。边缘侧经过负载整合，可以汇总成数据节点，同时也是控制中心。
可以说，人工智能在其中同样也担当了受益与反哺的角色。一方面，人工智能的发展离不开海量数据的训练，边缘计算的很多应用场景都是人工智能很好的落脚点。反过来，人工智能也可以充分发挥其优势，不断挖掘数据潜力、释放数据价值，进一步推动边缘计算向前发展。
