边缘计算（边缘计算）正在从一个相对模糊的概念逐渐演变为分布式计算架构中的复杂组件，并且数据处理也从远程转移到了终端和卫星数据设备。边缘计算已在两个主要领域获得关注。一个是工业物联网（IIoT），可以用作现场数据中心的DIY基础设施，另一个是无人驾驶汽车领域，那里没有足够的时间从云中请求解决方案。根据半导体工程公司的一份报告，公众对边缘计算的困惑来自于这样一个事实，即边缘计算不是一种技术，而更像是一种技术响应机制。响应于来自数十亿终端设备的数据的快速增长，边缘计算是一种在生成数据的地方消化部分数据的方法。这就要求在诸如传感器和移动电话之类的产品中内置大规模的计算性能，并且必须实施更严格的实现。功率预算。边缘计算方法与几年前的普遍看法形成鲜明对比。在过去，人们认为传感器仅需要从物理世界中收集数据，然后移至云中进行处理。但是，最初的概念并未考虑传感器数据的快速增长。数据无法快速移动，最好的解决方案是对这些数据进行预处理，并首先消除无用的数据。边缘设备的责任变得越来越重要，但是它们的发展方式和发展速度将取决于推动边缘计算发展的最终市场的准备情况。许多芯片制造商和系统公司正在研究将计算移至边缘的各种可能方法。 Mentor产品营销经理Jeff Miller表示，真正的高性能机器语言或计算资源将保留在云中。但是，由于共享频谱的资源有限，带宽非常昂贵。因此，将使用数千个设备的数据。将数据上传到云而不在边缘进行预处理是不切实际的。 IIoT是驱动边缘计算模型的最初因素之一。工业组织尝试使用它来解决成本效益和数据影响的问题。 NetSpeed Systems市场和业务开发副总裁Anush Mohandass表示，工业领域需要工厂自动化和边缘智能，并且风险相对较小，因为它可以显示价值。与将IoT设备保持离线状态相比，将计算资源放在物理工厂附近将带来更大的好处。处理能力的提高意味着可以对数据进行预处理，并且可以删除重复的温度读数。 2017年，苹果宣布在iPhone中引入了机器学习功能。 Gartner预测，到2022年，将有80％的智能手机配备AI技术。这些是功能强大且对时延敏感的边缘设备，但它们专注于个人消费者功能，例如增强现实（AR）和生物识别技术。 Mohandass表示，在自动驾驶汽车和其他智能设备中增加机器学习功能可能会创建一个生态系统，边缘数据中心可以在该生态系统上构建并支持各种强大的应用程序。许多边缘模型都是基于人体处理信息的方式。例如，当一个人遇到热锅炉时，他们会在信号到达大脑之前立即收缩手，并且大脑将解释稍后发生的事情，以避免将来发生这种情况。这个概念听起来很简单，但是从芯片设计的角度来看，实现起来并不容易。 2015年，思科提出了雾计算（fog compuTIng）的想法，该想法通过将路由和Linux应用服务器结合在一起的盒子将云应用扩展到边缘，并使用思科的IOx操作系统来分析传感器数据。从硬件的角度来看，边缘可以是服务器和存储单元的集合，这些服务器和存储单元是使用共享计算机室内的本地云或数据处理设施，或者是安装在超低温冷却容器中的超融合数据中心。 IHSMarkit分析师表示，某些物联网安装的规模将迫使某些组织在边缘或使用服务提供商提供的设施上建立全面的数据中心。美国的一些电信运营商希望加快该国17,000个电信布线中心的转换，以提供包括边缘服务在内的IT服务。