云和SaaS软件带来的数据集中化是未来数十年的一个大趋势，企业纷纷关闭自己办公室小隔间里的服务器和虚拟机，把这些任务放到亚马逊AWS和微软 Azure等公有云上。因为规模效应，数据的计算和存储不断从每个企业的办公室向数据中心集中。

如果我们回顾数据计算的历史可以看到，历史是在中央计算和去中心化计算反复来回的过程，同时这两者也往往互为补充。今天我们聊的边缘计算是这个数据集中化大洪流中的一小股逆流。而这一小股逆流却是数十亿美元的市场。

什么是边缘计算

边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。简单地说，我们可以把边缘计算看作一个位于数据源附近的小型数据处理中心，数据就近采集、分析做出判断，分担一部分云的任务。

随着物联网和智能硬件的兴起，可采集数据规模大幅增加，在这个数据爆炸的大背景下，一方面并不是所有数据都有传送回云来做分析的意义，另一方面很多本地数据需要及时响应，就算是以5G的传输速度来回云端，有时也会捉襟见肘。边缘计算的优势在于其处理器更接近于数据源，减短了由数据传输速度和带宽限制带来的延时，并对本地数据做初步分析，为云分担一部分工作。

另外值得一提的是，虽然边缘计算也是去中心化的计算资源，但和大红大紫的区块链是没有太多关联的。

边缘计算的应用场景

边缘计算和云计算之间是相辅相成而非互相竞争的关系。因为边缘计算的服务器距离数据源近的优点，在处理一些计算量相对较低，却对延时有较高要求的场景时，有特别的优势。

自动驾驶是其中比较突出的一个应用。一个决定无人驾驶车辆是否安全的重要因素是其对不同路况的反应时间。利用计算云来收集并分析行车数据并及时对车辆提供适当的指令是很困难的。英特尔前首席执行官科再奇（Brian Krzanich）估计，一辆连接自动驾驶汽车平均每小时将生成4000兆字节的数据；微软CEO 纳德拉（Satya Nadella）的评估也类似——每小时6000兆字节的数据。

从带宽的角度来看，就算是5G的速度也仅仅能达到10兆位/秒，还不到连续上传自动驾驶汽车数据所需的一半。由于在行车安全方面反应速度的任何延迟都可能是灾难性的，数据分析这个任务只能由距离车辆较近/车载的边缘服务器来完成。

另一个应用是在石油勘探和开采上。和自动驾驶车辆一样，一个在深海的石油钻井平台每秒产生约1 GB的数据。这些数据为钻井平台提供足够的信息来决定进一步钻井的策略。由于数据很快就会变得陈旧，因此平台需要对这些数据进行实时处理和分析。

然而由于钻井平台一般位于偏远地区，它们只有有限（或非常昂贵）的卫星网络——通常为64 Kbps到2 Mbps，这意味着大约12天从石油钻井平台上传一天的数据。边缘计算对带宽以及数据传输的不依赖性为这一难题提供了解决方案。

从内容分发网络的变迁我们也能看到边缘计算的影子：

相关报道: