运营效率

物联网边缘计算为各行各业所熟知，因为这项技术能够使计算发生在距离所涉数据生成位置更近的地方。这有助于实现企业在当下环境中取得成功所需的实时洞察、高性能和低延迟。恐怕没有哪家企业会不希望拥有这项技术。但某些行业（如制造业）面对的数字化转型之旅可能更为艰难，因为它们需要克服旧有的基础设施，可用于进行更改的停机时间也极为紧张，甚至为零。鉴于这种技术兼具各式各样的优势和复杂性，一些组织不确定该如何最有效地地实现这种转变。

要在这一旅程中获得指导，我们转向两位深耕物联网边缘计算领域、知识广博的专业人士：CCS Insight 物联网研究主管 Martin Garner 以及英特尔网络和边缘解决方案事业部副总裁兼总经理 Dan Rodriguez。他们将带领我们了解这一过程所涉及的一些挑战和机遇，并提醒我们，任何人都没有必要（也不应该）单枪匹马去应对这一切（视频 1）。此外，CCS Insight 还面向 insight.tech 订阅者提供最近发布的《旨在扩展工业边缘计算的物联网计划》报告。敬请参考，获取您的数字化转型入场券。

您可否向我们介绍一下，在当前环境下，边缘计算具有哪些优势？

Dan Rodriguez：边缘计算正推动各行各业发生令人难以置信的转变。它还正在推动数字化转型，因为企业致力于实现基础设施的自动化，并提高运营效率。人工智能 (AI) 和 5G 的出现只会加速这一趋势。

公司希望拥有更多控制权。他们会遭遇供应链挑战和不稳定的能源生产等问题，有时还需面对劳动力短缺问题。他们希望找到优化运营、成本和数据的方法。因此，边缘 AI 能够在这一领域找到许多机遇。该领域还会提供全新的变现机会。因为公司不但希望节约资金、管理总拥有成本 (TCO)，当然也希望赚钱。

以制造行业为例，我们已经看到一些客户开始了他们的 AI 之旅。一开始，他们将 AI 应用于简单任务，如供应链管理，让自主机器人来负责入库或出库。然后迅速发展到利用计算机视觉和 AI 技术来进行缺陷检测。

边缘计算现在处于什么状态，仍面临着哪些挑战？

Martin Garner：边缘计算大体上已经在所有行业得到应用，包括许多您可能不会将其归为边缘计算的应用。而这突出体现了整个边缘计算领域的两大特点。

其一是边缘计算的应用非常广泛，涵盖从传感器到本地数据中心的一切。其二，边缘计算的应用还相当深入。下至底层基础设施，上至网络、应用，乃至 AI。由于具有这两个特点，这是一个相当复杂的领域。

从采用角度来看，我们认为有以下几大驱动因素。第一个是物联网。大量数据正在生成，需要借助机器学习或 AI 进行近乎实时的分析和处理。其次，作为供应商，电信公司最近对多接入边缘计算和专用网络表现出较大兴趣。最后还有经济环境这个驱动因素。许多公司正在审视自己的云支出，这会对扩大边缘计算的利用起到一些刺激作用。

可否讲讲我们在各行各业都有哪些不同的边缘计算机遇？

Dan Rodriguez：让我们来看一看零售业。零售商面临的最大成本之一就是盗窃；尽管可能难以置信，但这是一个每年造成 5000 亿美元损失的大问题。计算机视觉与 AI 可以解决这个问题，遏止发生在店门前（即结账区）、商店中部（货架之间的通道里），甚至商店后方（仓库和配送中心）的盗窃行为。

而从零售商的营利性业务来看，他们可以通过各种新颖有趣的方式将 AI 付诸应用。以购物体验为例：AI 可以针对不同的商品展示策略提供反馈。当货架上出现缺货情况时，它可以快速识别。有时，只需做出一个小小的改变，就能带来更好的结果。

以制造业和工业边缘计算为例；部署在其中的基础架构类型正在经历巨大转变。整体而言，制造商正在从所谓的固定功能设备（专精单一功能的设备）转向更易于管理和升级的软件定义系统。

因此，各种各样的制造流程被精简到数量越来越少的软件定义平台上，这提高了整体效率，也降低了基础设施的复杂性。有了这样的软件定义基础设施，您就可以开始将其与机器人、传感技术、5G 和 AI 的使用结合起来。然后在整个工厂车间中施展各式各样的魔法，从库存管理到缺陷检测，一切皆可受益。

在工业边缘计算方面，制造商面临哪些挑战？

Martin Garner：制造商在这一领域拥有巨大的商机，但老实说，仍存在一些挑战，而且这是所有使用边缘计算的人都需要面对的。

第一个挑战是规模。工业边缘计算是一种易于入门和进行局部、小规模应用的技术，但一旦扩大规模，一切都会变得更棘手。应用规模较大的企业将在位于多个地理区域内的数十个站点上部署数千台计算机。他们还须保持所有设备及时更新、安全且同步，就如同它们是一个单一系统一样，才能确保实现他们意图通过这项技术达到的目标。

与此同时，大量边缘计算最终会形成一个规模极其庞大的分布式计算系统，包括时钟信号、机器以及发布到数据库的数据的同步。最重要的是，系统中存在各类数据和形形色色的应用软件 — 有些是云端应用，有些是多云应用，有些是本地数据。所有这些都有赖于复杂架构的承托。

还有几个可能特定于制造业和生产行业的挑战。其一，实时作业，这是一组在 IT 部门中基本不存在的特殊需求。而制造业中既有以微秒计的反馈回路，也有需要精确到百万分之一的化学品混合物。及时性和准确性至关重要。而且，真正重要的是，这是需要在系统层面达到的目标 — 不仅仅是一个组件，而是整个系统都必须做到的事。

此外，系统还需坚固耐用。许多工厂每天三班倒，全年 365 天连续作业。计划外的停工代价极其高昂 — 在许多情况下，每停工一天就意味着数百万美元的损失。所有的计算都必须通过系统冗余、热备用和自动故障转移等功能来支持连续运转，保证即便在发生问题时，系统也不会停止工作。也就是说您需要在运行期间安装软件补丁、进行安全升级，绝不能中断或重新启动系统。这也意味着，如果您需要扩展硬件（比如希望实施一个新 AI），您必须在不停止生产线的前提下将其投入使用。

因此硬件和软件需要自我配置，不得对其他功能造成干扰。同样，这些是 IT 部门没有的限制，但在工业领域，却是必须要面对的事。

那么制造商如何才能最成功地应对这些挑战？

Martin Garner：我们的第一个建议是：不要构建自有基础架构。这样做速度太慢、耗费的资源过多，随着时间推移成本也会变得过于昂贵，而且这是一个需要专业性的领域。

第二点是围绕现代 IT 和云计算实践来设计系统。这二者之间的衔接应该是近乎无缝的。此外，有许多优秀的技术框架可供选择，因此大多数客户端设计工作可以把重点放在应用层面。

第三，在运营技术领域，设备和软件的使用寿命通常为 10 到 20 年。我们认为对于边缘计算而言，明智的做法是规划较短的生命周期，比如 5 到 10 年。数据量越来越大，而得到的数据越多，您就越想利用它做更多事，您也越有可能利用它做更多事。于是您将需要更多人工智能，更多边缘计算能力，您将不得不对您的现有系统进行迅速的扩展。

您认为制造商该如何应用这类技术？

Dan Rodriguez：我已经提到过，这个过程的第一阶段是从固定功能设备转向更接近软件定义的基础设施。想象一下，如果您必须为使用的每款应用配备一部专用手机；这将非常难以管理。工厂车间里的情况也是这样。试想，如果将更多应用程序加载到更少的软件定义基础架构之上，复杂性会得到何种程度的降低。

未来的趋势是，这些软件工作负载中的大部分或许多都将由服务器来承载。这样您就能以一种更可控的方式提供自动更新，运营和维护也会更轻松、更有效。您还可以在此之上叠加各种新功能。

可否举几个具体的例子来说明这些方法的实际运用？

Martin Garner：让我来举一个凸显出扩展问题的例子。一家大型高校附属医院在安装网格网络，用以跟踪呼吸机和其他重要设备，并采集来自传感器的信息。他们先采用电池供电的节点进行了一项试验，良好的试验结果令其颇为满意。但他们随即意识到，当他们将该网络扩展至整座医院时，他们将使用数千台电池设备来进行监控。总会有某处的电池需要更换，而如果做不到绝对及时的更换，就有可能造成危险的后果。于是他们要求供应商生产[电网]供电版本的设备。

我从中吸取的经验教训是：从一开始，供应商就必须按照他们最终要面对的规模进行设计。而客户也需要从设计阶段就开始从大处着想。正如 Dan 提到的那样，这是一段旅程，一路之上您将学到许多东西。

请谈谈合作伙伴关系对于实现这些目标的重要性。

Dan Rodriguez：英特尔创建了一个开放式和标准平台兼有的多元化生态系统。拥有这样的生态系统对于市场的整体健康至关重要；该社区不仅提供众多供应商选项，而且有助于促进整体的创新螺旋。

Martin Garner：边缘计算的应用广泛、深入且复杂，正如我之前提到的。只有极少数客户有能力全盘把握。能够做到这一点的供应商也极少，因为供应商通常专精于特定领域。实际上，我们论及的大多数系统设计都需要涉及 3 到 5 家供应商。我认为我们都应该加入这一预期 — 而且意识到这将是一个团队合作的过程。

您认为物联网边缘计算在工业环境的演变中会起到怎样的作用？

Dan Rodriguez：第一阶段是向软件定义的基础架构迁移，由此实现的工作负载整合可以在更少的服务器或设备上支持多个应用。

显然，生成式 AI 已成为当前最热门的话题，而随着时间的推移，它也将被纳入这一策略。产量增长，良率提高，全新模拟和建模技术都在未来工厂中得到应用的前景必定会令人极为兴奋。

Martin Garner：我们的报告中提到了一些目前还未成气候的趋势，但您可以预见它们的出现。

第一点与关键任务的制造过程有关：任何计划外停机时间，正如我此前提到的，都须付出非常昂贵的代价。一个重要的问题是如何从错误中吸取教训。飞机制造行业在这方面一直做得相当出色。目的是通过确保故障模式得到理解和解决，从而日渐提高系统的适应能力。然后构建新场景，以便在发生故障的条件下更有效地应对。在我们看来，这是一个重要的领域，理应在整个制造业中得到更普遍的应用。

另一点与工业级的耐用性有关。如果一项应用可以在一部机器上运行，并在发生故障时自动切换到另一部机器，那么问题来了 — 用于正常运行该应用的“最优”机器是哪一部？您会意识到，“最优”可能意味着最快的速度、最低的延迟、最长的正常运行时间，或最低的资本消耗 — 最低运营成本。目的完全在于针对不同目标对系统进行各种形式的优化。我们还未看到任何积极探索这一领域的企业，但我们预期它很快就会成为边缘计算领域的一股趋势。

您最后还有什么想要补充和总结的关键要点吗？

Martin Garner：这有一点像是分析师的陈词滥调：“对，不过情况很复杂。”但是边缘计算是真的很复杂，我认为许多公司都已经意识到并理解了这一点，但我感觉前路依然漫漫。从我们 CCS Insight 的角度来看，我们坚信，对于客户来说，与少数经过精心挑选的合作伙伴展开合作是入门的关键。

从一开始，您就应该在全局观和未来达到的规模方面大胆设想 — 同时知道不可能一步到位。不过您可能会发现，限制性因素并非技术；组织才是关键。在您确定采用什么技术以及多少技术的过程中，您将需至少投入同样多的时间和精力，让组织也加入进来。

Dan Rodriguez：首先，边缘计算从根本上改变了几乎所有行业。其次，当您将边缘计算与 AI 和 5G 结合起来时，会推动很多变革，这确实创造了巨大的机遇 — 从精准农业到传感机器人，再到能够对车辆、人员和道路进行智能调度的城市。

第三，我坚信行业合作和开放式生态系统是这一切的基础。正如 Martin 提到的，这将是一个团队合作的过程，只有在各参与方的共同推动下，这些解决方案才能成为现实，并以一种易于客户消费和扩展相关技术的方式得到实施。而英特尔诚挚地致力于推动这一统一生态系统向前发展。

相关内容

要进一步了解边缘计算的采用，请阅读《旨在扩展工业边缘计算的物联网计划》，并收听“工业边缘计算：可扩展的策略”。要了解 CCS Insight 和英特尔的最新创新，请在 Twitter 上关注 @ccsinsight 和 @intel，并在 LinkedIn 上关注 CCS-Insight 和 Intel Corporation。
 

本文由文案编辑 Erin Noble 编辑。