边缘智能：赋能行业智领未来.pdf

边缘智能 赋能行业，智领未来IDC观点 03 第一章 AI拓展数字经济新疆域 04 1.1 数字经济为经济发展注入新动能 04 1.2 AI成为数字化转型核心驱动力 06 1.3 AI行业应用持续拓展 07 第二章 边缘智能拓展AI新边界 10 2.1 边缘计算融合AI走向边缘智能 10 2.2 边缘智能推动AI全面升级 14 第三章 边缘智能赋能千行百业 18 3.1 制造业 18 3.2 政府 （智慧城市） 22 3.3 电信行业 25 3.4 医疗健康与生命科学行业 29 3.5 零售行业 29 第四章 边缘智能走向未来智能 32 4.1 未来智能展望 32 4.2 IDC建议 34 目 录03 AI在深化行业应用前景广阔但面临挑战 随着新一代信息技术与行业深度融合， 数字化转型已经日趋成为企业发展的新动能。 AI通过重构 企业商业流程、 用户体验、 产品服务和商业模式， 正成为企业数字化转型的核心。 根据IDC预测， 2024年， 全球企业AI硬件、 软件及服务方面的总支出将达1,106.6亿美元。 但随着AI向行业渗透， 传 统云为中心的AI解决方案难以实现对海量的数据存储和传输要求的处理， 也难以满足诸多对实时 响应要求较高的应用场景的需求。 边缘智能助力AI释放应用潜能 缘智能结合边缘计算和人工智能， 在边缘侧进行实时、 小数据的处理， 开展AI模型的推理， 实现智 能检测， 回传云端结果， 在云端进行长周期、 大数据的处理， 开展模型的训练和数据分析， 形成云- 边-端协同的架构， 有效的解决AI在行业应用面临的海量数据处理、 实时响应、 数据安全等问题， 为 AI在更多行业应用奠定基础。 边缘智能赋能各行各业 边缘智能在制造业、 政府公共事业、 通信、 医疗等各类行业正在也将形成诸多应用场景， 如在制造 业， 通过边缘智能开展智能质检， 以实现降本增效。 在智慧城市建设领域， 通过边缘智能实现实现 路况监测、 路口交通控制、 停车管理和违章抓拍等， 提升城市交通效率。 在通信行业， 通过建设 MEC边缘云， 为运营商拓展了云VR、 云游戏等创新业务空间。 在医疗行业， 通过边缘智能可应用在 医学影像辅助诊断、 基因检测、 临床试验、 医院内自助服务等场景中， 提升医疗质量和效果。 IDC观点04 01 1.1 数字经济为经济发展注入新动能 数字经济成为增长新动能 IDC认为， 数字经济正在成为全球下一代经济发展的核心构件， 全球经济加速履行 “数字使命” 。 一方 面新技术不断涌现， 为发展带来诸多可能。 伴随着云计算、 大数据、 物联网 （IoT） 、 人工智能 （AI） 等为 代表的新一代信息技术的创新和发展， 越来越多的组织通过数字化技术实现增长。 以数字化信息和 技术为基础的数字经济逐渐成为新一轮增长点， 正在助力各行各业重塑核心竞争力。 另一方面， 数字经济作为新的发展动能， 良好满足提升效率、 改善增长质量的发展需求。 一改传统 “增加负债， 拉动投资” 的增长模式， 数字经济深刻重塑了企业、 用户以及社会之间的互动关系， 提升 供应链的协同效率、 打破产品交付的地域限制、 加速商业创新、 为用户提供更加个性化的体验， 应对 经济体量增长带来的压力的同时盘活市场， 产生持续的创新力。 IDC预计， 2020年， 全球由数字化产品和服务驱动的数字经济的占比将达到40.6%， 而这个比例在 2023年将超过50%， 数字化产品和服务将成为主流， 全球经济将全面进入数字经济时代。 从2020年 到2023年， 全球数字经济将推动6.8万亿美元的IT支出。 第一章 AI拓展数字经济新疆域 图1 全球数字经济占比， 2016-2025 67.2% 32.8% 65.2% 34.8% 62.5% 37.5% 59.4% 40.6% 56.1% 43.9% 52.5% 47.5% 48.7% 51.3% 45.4% 54.6% 41.8% 58.2% 69.5% 30.5% 2016 2017 2018 2019 2020 2021 2022 2023 2024 2025 非数字经济占比 数字经济占比 来源： IDC， 202005 后疫情时代 ， 数字经济发展提速 2020年爆发的新冠肺炎疫情在客观上加速了数字经济的市场培育。 疫情期间的防疫控制措施限制 了面对面的交流， 大量数字化产品的设计、 开发、 测试、 交付相关工作从线下转到线上， 协同效率逐 步增加、 客户体验逐步改善、 市场认可度稳步提升。 得益于数字经济在疫情期间显示出巨大优势， 预 计疫情后， 非接触连接商业与服务将持续加速发展， 线上和线下持续深度融合， 助力中国及全球企 业迈向下一个常态， 数字化技术如云、 AI、 5G等将成为推动这一趋势的引擎。 在中国， 政府出台新基建政策以进一步推进经济复苏。 新型基础设施主要包括三个方面的内容： 信 息基础设施、 融合基础设施和创新基础设施， 其中多个领域与数字技术和数字经济密切相关， 包括 5G基站与网络、 AI、 大数据中心和工业互联网等。 IDC 预计， 2020年新基建整体投资规模达2,750亿 美元。 企业开展数字化转型势在必行 时代的发展离不开行业以及企业的切实推动。 在数字经济的浪潮中， 数字化转型已经成为企业保持 其生命力， 实现长久发展的必然选择。 数字化和非数字化企业的差距正在拉大。 以零售行业为例， 从 2013年到2018年， 实施数字化战略的零售企业的累计收入增长了约7,210亿美元， 复合年增长率为 4.2%； 非数字零售企业下降了约370亿美元， 复合年增长率则为-1.5%。 同期， 数字零售企业的累计 利润增长了约2,270亿美元， 复合年增长率为4.9%。 非数字零售企业的累计毛利润则下降约85亿美 元， 复合年增长率为-1.3%。 同样的鸿沟存在于制造业、 银行等其他领域。 IDC预计， 截止2020年， 至 少有55%的组织是数字化坚定的拥护者， 他们通过新的商业模式和数字化产品与服务来改变市场， 重塑未来。 图2 零售行业数字化企业与非数字化企业收入及利润， 2013-2018 来源： IDC， 2020 企业收入指数 RPI 100 106.9 110.6 125.4 136.1 146.1 97.8 95.8 91.6 89.9 98.6 2013 2014 2015 2016 2017 2018 RPI (零售行业数字化企业） RPI (零售行业非数字化企业) 企业利润指数 PPI 100 107.3 111.9 127.2 140.4 151.0 100.6 97.6 92.6 91.0 99.1 2013 2014 2015 2016 2017 2018 PPI (零售行业数字化企业） PPI (零售行业非数字化企业)06 1.2 AI成为数字化转型核心驱动力 前沿技术的发展和创新是推进企业实现数字化转型的重要前提， 新兴数字技术的兴起使颠覆和重塑市场格局成 为可能， 企业若想在新的竞合格局中脱颖而出， 需能够逐步借助技术的力量发挥企业潜能。 IDC预测， 到2024年， 全球将有75的企业将智能自动化嵌入技术和流程开发， 并借助AI软件生成运营和体验洞察， 引领创新。 IDC认为， 数字化转型将帮助企业实现4个重构： AI是帮助企业更高效释放数据能量的催化剂， 可将数据转化为知识和行动， 进而将行动转化为价值， 从而为产品、 客户和市场创建高价值的差异， 并提供有意义的、 增值的学习、 预测和行动， 从而改进商业流程、 提升用户体验、 促 进产品和服务优化， 进而完善企业决策机制， 重构商业模式， 创造企业新价值。 商业流程： AI驱动的企业架构和解决方案创新将促使AI在整个企业业务流程中被全面应用。 通过对 不同来源的类型丰富、 结构多样、 标准各异的数据进行有效实时的解析、 汇集、 分析， 缩短业务响应 时间； AI的应用实现业务流程执行自动化， 满足合规有效的前提下提高业务流程准确性和预测准确 率； AI环境下打通部门之间信息孤岛， 以企业统一战略为目标， 协作提升流程管理； 利用自我学习、 自动推理， 具备解决问题的能力， 进而提供更匹配业务的流程优化方案。 用户体验： AI技术使得企业能够通过大规模、 多维度的数据分析准确了解客户的需求， 并且实现更 高频次的数据分析， 实时感知客户需求的变化。 对AI的日益依赖将使应用/系统开发人员重新思考 用户触达方式， 并突出AI在用户界面交互方面的增强作用， 为客户提供更加个性化、 场景化的体验， 提升用户满意度。 到目前为止， 数字领域中的用户体验基本通过调动用户的听觉和视觉产生交互， 未来， AI将会嵌入到用户界面的产品和设备中， 借助计算机视觉， 语音， 自然语言， 增强现实 （AR） 、 虚 拟现实 （VR） 和其他AI技术实现多维度人机交互。 产品和服务： 借助AI技术， 企业能够对来源广泛、 内容多样的内外部数据进行多维度分析， 从而更加 全面地反映业务需求， 避免单一来源数据造成视野局限； 同时， 多元化数据的交叉验证进一步提升 分析的准确性、 最大限度较少误差， 为产品创新提供更好的数据支撑。 未来， 个性化及定制化服务将 是企业产品和服务的核心竞争力所在。 个性化推荐、 定价甚至根据个人的特定需求量身定制产品将 是未来发展方向， 数据和先进的AI算法 （例如强化学习） 的出现使模型的自学习更精准， 极大地促进 了超个性化应用的发展。 重构商业流程 重构用户体验 重构产品和服务 重构商业模式07 商业模式： AI为企业提供重构商业模式的契机， 梳理所有环节中 “人” 的因素以及技术能力， 优化管 理和技术架构， 提升创新管理和风险管理效果。 借助AI模型， 挖掘市场参与者之间的内在关系， 及时 调整和创造适应市场供需能力， 敏锐捕捉市场新机会， 变被动服务为主动高效服务， 利用具备高级 算法的应用生成以数据为驱动的洞察， 进而实现商业模式的创新， 满足已有需求， 创造新需求， 创造 新价值。 图3 借助AI释放激发企业潜能 来源： CIO视角： 企业AI技术应用指南， 2019 赋能员工 增强运营 强化体验 (沉浸式、 个性化) 无缝人机 协作网络 改进 改进现有业务流程 智能流程自动化 转型 转变现有业务模式 实现卓越运营 打造智能应用 重塑 开发新的产品与服务 创造新的商业模式 提供超凡客户体验 规模化AI产业应用 用于机器的 AI 用于人的AI 用于群体人机智能的AI 1.3 AI行业应用持续拓展 从技术视角来看， 单点AI技术不断演进。 2019年， 图像、 人体人脸识别等技术发展相对成熟， 随着视频等非结构化 信息数量的持续增加， 未来视频分析技术会迎来进一步发展契机， 计算机视觉仍是应用规模最大的技术领域； 同 时， 智能语音、 自然语言处理， 机器学习发展也保持较高速发展。 随着技术能力的成熟， 企业逐步扩大对于AI能力 的引入。 根据IDC预测， 2024年， 全球企业AI硬件、 软件及服务方面的总支出将达1,106.6亿美元08 企业将从对AI产生认知、 规划通过AI赋能企业发展的愿景， 到局部开展试点项目、 累积AI能力， 未来， 其将加速AI在 行业维度的渗透以及AI应用的成熟落地， 如金融领域的反欺诈、 政府以及信息服务领域的生物识别类身份验证、 电商领域的智能客服等。 根据IDC数据， 2019年中国企业级AI市场规模达到28.1亿美元， 金融、 政府、 零售、 制造、 互联网及 IT 服务是AI应用规模较大的行业。 以金融领域为例， AI技术有效整合海量历史交易数据、 快速进行多元数据交叉比对， 从而实时判断客 户和交易风险等级， 极大得提升了金融机构的风控效率； 以电商领域为例， 通过AI技术可实现大量基础运营工作的自动化， 如上架和客服。 此外， 结合结合大数 据可实现精细化运营， 通过从海量异构数据进行实时分析， 提供个性化推荐和精准推送， 提升用户体 验； 以科学研究领域为例， AI技术自动对海量实验和观测数据进行多维度交叉分析， 实现了远远超过人类 的分析复杂度和分析速度， 为科研人员提供了有力的支持， 加速创新。 图4 全球AI市场支出 （十亿美元） ， 2019-2024 来源： IDC， 2020 44.35 50.15 61.86 76.07 92.51 110.66 2019 2020 2021 2022 2023 202409 未来五到十年内， AI将继续向其他行业扩展。 IDC认为， 未来AI有望在跨行业的视频结构化、 业务流程自动化、 金融 领域的智能网点服务机器人、 服务领域的营销互动、 零售行业的供应链预测、 电信行业的智能网络自动识别网络故 障和潜在攻击以及医疗行业的辅助临床诊断决策、 虚拟智能助理等方面实现广泛应用。 在生产业务领域， 越来越多 的行业也开始利用AI技术： 如能源行业的电力巡检， 交通领域的车辆识别等碎片化应用在市场中将开始有望实现 广泛渗透。 广泛的应用场景意味着企业对于智能化的需求将持续攀升， 实现规模化发展、 深入化实施、 普惠性服务 以及打造合作生态共赢将成为智能发展的新诉求。 图5 企业智能化需求逐步提升 产生认知 探索实践 2018 2019 2020 借助人工智能实现运营优化， 拓展新业务， 开拓新市场 人工智能是企业提升 生产力的重要机遇 人工智能是行业降本 增效的重要机遇 主要应用落地 碎片应用渗透 互联网 内容审核 城市 智能交通 金融 自动化客服； 欺诈分析及检测 零售 产品推荐； 内容营销 制造 质量管理系统 政府 导览机器人； 身份验证 规模 深入 普惠 共赢 加深人工智能与垂 直行业领域合作， 逐步实现AI+应用 场景的规模化落地 提高AI系统准确率， 深化AI应用， 为企业 从经营管理到业务 创新等诸多维度创 造价值 AI发展趋向更加实 用的方向， 打造简 单、 安全、 稳定的智 能环境 选择伙伴， 打造AI共 赢生态 行业企业智能化 需求逐步升级 来源： IDC， 202010 02 第二章 边缘智能拓展AI新边界 AI虽然未来有巨大的发展潜力， 但与行业应用的深度融合才刚刚起步， 成熟度不高， 随着AI开始渗透到企业的核心 业务， 应用场景会越来越具体和细分， 越发需要技术和应用上的不断创新和突破。 2.1 边缘计算融合AI走向边缘智能 AI向行业渗透面临新挑战 目前， AI更多地部署在云端的数据中心， 在云端实现AI的训练与推理， 充分利用云端强大的算力资源、 提升处理效 率； 整合云端海量数据资源， 有效改善AI模型的准确性和场景适配性。 伴随着数字化转型的兴起和数字经济的蓬勃， 从产品的研发、 生产、 交付、 使用， 直至生命周期结束， 每个环节都产 生了大量的数据， 数据成指数级增长以及连接的设备增加使几乎所有类型的业务都认识到， 尽管进行了数据中心 现代化和云迁移工作， 但集中式计算模型并不是在所有情况下都有效， 实践过程中， 海量数据、 低延时需求、 网络 受限以及高安全需求对企业带来多重挑战。 海量数据处理： IDC预测， 到2025年， 将有414亿台物联网设备， 产生73,147EB数据。 AI涉及的业务系 统越来越多， 并且逐步对接业务现场多样化的业务设备， 与数据中心IT设备相比， 业务现场的设备规 模更大、 应用场景更复杂， 设备或传感器产生的数据将成倍增加， 数据的类型也随之扩展， 每秒收集一 次读取的传感器 （每次读取大约1KB数据） 每天可以产生86MB的数据， 那么数百甚至数千个传感器每 天将产生千兆甚至TB级的数据流经网络。 因此， 完全在云端进行数据处理和AI分析往往超过系统和通 信链路的处理极限， 必须寻求新的应用方式分散云端的处理压力。 实时响应受阻： 不论是借助网络或增加端和服务器中间的跳数量， 时延始终是限制响应速度提升的桎 梏。 在许多用例中， 在云或数据中心往返的时间过长导致AI进一步发挥效应受阻。 如自动驾驶汽车需 要对传感器数据做出接近实时的响应来做出决策； 在智能制造领域也是如此， 在利用AI提高质量或产 量的过程中， 对时延的容忍度也较低。 IDC估计， 到2025年， 全球产生的数据中大约有四分之一将是实 时生成的。 对于实时数据的分析和使用、 缩短请求和响应之间所需的时间十分必要11 网络受限： 物联网设备或其他相连的设备往往是可移动的， 不受固定位置的束缚意味着设备有移出 网络覆盖区域或具有有限带宽区域的可能性。 例如， 采矿设备将在地下数英里处工作， 仍需要保持 对遥测数据进行分析， 以维持和安全运行； 航运和物流公司需要在确保集装箱完整的前提下， 全程 追踪货物的运输情况， 而运输环境则可能是在水、 陆或空中切换。 这意味着使设备在通讯带宽受限 的条件下保持数据处理能力和采取行动的能力对于AI实际应用落地十分重要。 安全要求高： 随着各国政府加强隐私保护以及数据安全， 企业面临着合规带来的挑战， 数据治理重 要性逐渐凸显。 对于企业而言， 数据的汇聚和业务数据的增加使得安全变得更加重要， 针对数据集 中存储部位发起的攻击会引发大规模企业机密和客户隐私泄露， 同时造成业务中断， 带来营业收入 和商誉损失； 针对能源、 化工、 交通等事关国计民生的关键领域的攻击甚至会造成公众恐慌， 安全成 为智能化进程中部署和运行的重中之重， 避免数据泄露或减少不必要的数据传输对企业来说具有 深远价值。 上述挑战的出现意味着， 在AI落地的过程中， 企业有面临实际优化需求， 在某些情况下， 企业希望将处理移到离生 成数据更近的地方， 根据需求部署计算资源， 更好地实时处理和存储数据， 满足更快、 更稳、 更安全等需求。 边缘智能助力AI克服挑战 随着边缘计算的快速发展， 计算能力快速向边缘迁移， AI也逐步从中心节点向更贴近数据源和业务现场的边缘侧 拓展。 但这并不是说边缘与云呈对峙状态， 相反， 两者可针对AI模型训练、 应用开发、 模型推理等任务形成分工合 作局面， 形成云-边-端协同的边缘智能架构： 边缘侧聚焦实时、 小数据的处理， 利用边缘网关和边缘服务器进行数据采集、 预处理和存储、 上传， 运 行训练好的AI模型进行推理， 实现智能检测、 控制等功能， 并将结果回传云端。 云侧聚焦长周期、 大数据的处理， 在云端实现模型训练、 数据共享及其它大数据分析等应用12 云-边-端协同的边缘智能架构， 为云AI解决方案所面对的诸多挑战带来显著改善： 海量数据的获取和处理。 边缘通过广泛的协议支持和连接支持， 可以实现更广泛的多样化数据采 集， 同时将大量数据在边缘存储和处理， 大大减轻网络传输和云 端计算负荷。 实时响应。 由于大部分计算和存储在本地完成， 故相对于远端的云来讲能够显著降低网络传输延 迟， 满足实时控制等对延迟要求较高的边缘智能应用。 利用边缘计算来定位数据创建点和数据使用 点， 可以将延迟从60-100ms +减少到1-5ms。 更好的网络适应性。 边缘计算可以在边缘完成大部分计算， 只将结果传输回云端， 对传输网络带宽 要求本身较低。 同时， 在网络不良或中断时， 仍能运行全部或部分工作， 降低了网络变化对应用的影 响。 更高的数据安全性。 边缘设备可以将敏感数据先在本地进行脱敏处理， 之后再传递到云端， 提高了 数据安全性。 边缘设备也可以将敏感数据仅在本地存储和处理， 满足很多场景对数据本地存储的要 求。 图6 云-边-端协同架构示意图 来源： IDC， 2020 模型/函数/配置 数据反馈 设备数据 结构化数据 模型训练 数据共享 节点管理 应用开发 大数据分析 应用管理 训练/推理 数据存储 数据预处理 数据上传 设备接入 云 边 端13 通过多方面改善， 边缘智能将显著提升AI针对现场多样化的业务场景的适应性， 从而更好地支撑业务运营、 为客 户创造更多的价值， 为组织通过数据流获得洞察力， 从而采取行动带来新机会。 为方便边云架构应用的开发部署， 云计算服务商等厂商将一系列用于边缘节点管理、 AI开发和部署的云原生的软 件整合形成智能边缘平台， 通过平台将云端AI应用、 模型下发到边缘节点， 并通过云端实现对边缘节点的统一远 程监控、 管理， 为企业应用边缘智能提供完整的边缘协同一体化解决方案， 同时也实现云端AI开发平台积累的大 量AI模型和应用在边缘的复用。 节点管理 应用管理 来源： IDC， 2020 图7 平台助力边缘快速智能化 AI开发平台 模型/应用市场 节点管理 应用管理 通信服务 通信服务 场景化AI 函数 运维管理 应用管理 设备接入 终端 端 边 云 智能边缘平台14 2.2 边缘智能推动AI全面升级 如果说AI的普及和逐步落地加深了对数据的 “感知” ， 那么边缘智能将加速推进从数据中产生 “认知” 。 边缘智能将 更好助力企业实现数据智能自治、 统一管理AI应用部署管理、 汇聚生态资源， 保障安全的前提下解决AI进一步行业 落地的挑战。 来源： IDC， 2020 图8 边缘智能开启AI新时代 场景化人工智能能力 行业数据大规模并行处理能力 实现多厂商分工协作和开放共赢 创造新的商业模式 云边联动， 形成一体化人工智能平台 沉淀行业最佳实践 统一远程管理 硬件安全 数据安全 人工智能模型安全 数据智能自治 构建边缘生态 端到端安全 云边一体的 平台化部署15 边缘智能将数据处理从中心节点迁移至更靠近数据源和业务现场的边缘侧， 最大限度减少网络传输时延， 提升业 务响应速度， 更好得适应边缘侧高实时性业务场景的需求， 如工业设备控制； 在本地处理海量数据， 仅上传有价值 的数据洞察和异常数据、 减少数据传输的带宽消耗， 如生产线高清质检视频本地处理； 将数据处理限定在用户具 有完全掌控能力的范围内， 避免数据上云带来敏感数据外泄风险， 如涉及企业技术机密的工艺参数； 实现关键业 务在一定范围内的自主处理， 即使云边之间的网络中断， 业务连续性业也不受影响。 同时， 边缘智能通过标准化接口增强AI应用与底层硬件之间的协同， 实现与业务场景相匹配的AI算力， 并针对业务 数据特点进行深度优化。 场景化AI能力： 边缘智能简化了上层AI应用调用底层硬件设备的AI算力， 使得AI应用能够更好得适配 不同业务场景中的硬件设备， 实现AI能力在功耗、 性能、 成本等限制因素之间的最佳平衡。 行业数据大规模并行处理能力： 边缘智能使得AI应用高效调用设备算力资源， 实现大规模并行计算， 满足特点行业业务数据的快速处理需求， 如工业设备参数矩阵运算、 通信信号处理、 视频编解码等。 在 视频安防、 机器视觉质检、 无人机巡检等视频AI应用高速发展的背景下， 大规模并行计算能力的价值 将持续增加。 IDC预测， 2020年全球视频监控产生的数据约18.1PB， 占同期物联网数据量的83.1%。 数据智能自治 边缘智能提升了云边协同的效率， 使得AI应用在云边之间平滑迁移， 提升AI应用开发部署效率； 以智能边缘平台为 载体， 汇集行业共性需求， 简化AI行业应用开发； 边缘智能统一云边之间IT架构， 为边缘智能应用远程运维管理提 供有力支撑。 云边联动 ， 形成一体化AI平台： 边缘智能在边缘侧构建起云原生的运行环境， 使得在云端已经稳定运 行、 经过充分验证的AI应用和算法， 可以平滑迁移至部署在边缘侧的边缘智能设备， 如基于NVIDIA的 CUDA平台开发的AI应用， 可以无需重新编程从云端下发到不同EGX服务器和安装了Jetson模块的边 缘设备。 不仅极大降低了开发测试的经济和时间成本， 而且显著降低了业务风险； AI任务和业务数据 处理可以在云边之间自由选择， 在适合的位置处理适合的数据， 充分发挥云端规模效益、 全局视野的 优势以及边缘侧实时响应、 数据可控性强的优势； 已有边缘智能应用的升级和新边缘智能应用开发可 以实现 “云端开发、 边缘部署” ， 大幅提升开发测试效率、 加速部署。 云边一体的平台化部署16 沉淀行业最佳实践： 随着边缘智能的逐步渗透， 一方面， 边缘承载的边缘智能行业应用日趋丰富、 汇聚 的行业共性需求和最佳实践也同步增长， 通过汇总整合， 形成软件开发工具包 （Software Develop- ment Kit, SDK） 等可复用的通用组件， 加速行业应用开发； 另一方面， 行业化数据在边缘上快速积累， 在合规的前提下， 海量行业数据为AI模型提供了丰富的训练数据， 通过AI模型预训练， 可以有效缩短后 续部署阶段的模型训练时间、 加速行业应用的部署。 统一远程管理： 与中心化AI应用相比， 边缘智能应用数量更多、 部署更分散， 大量应用部署在偏远地区 和高危环境， 现场维护成本高、 效率低、 甚至不可行， 远程管理成为边缘智能的运维的首选方式。 边缘 智能统一了云端和边缘侧的应用部署环境， 尤其是屏蔽了嵌入式设备的软硬件差异， 使得在云端广泛 使用、 运维人员更加熟悉的运维工具软件和脚本可以在边缘侧稳定运行， 显著提升运维效率。 此外， 云 边协同可以使平台得以监控远程设备的资源和可用性， 乃至在云上模拟终端设备的实时智能化实例， 以便为物联网搜索和实时远程设备资源调配准备好硬件与系统基础。 譬如， 通过物联网搜索， 电动汽 车可以实时搜索充电桩和规划充电路线。 IDC 中国边缘智能决策者调研 显示， 92.2%的被访者使用 嵌入式Linux做为边缘智能的操作系统。 嵌入式设备支持成为统一远程管理的重点。 边缘智能通过构建统一的平台屏蔽不同软硬件之间的差异性， 提升多厂商协同效率， 推动商业模式创新。 实现多厂商分工协作和开放共赢 智能边缘平台统对上屏蔽底层硬件的差异性、 提供统一的硬件资源接口； 对下屏蔽上层业务应用多样 性， 提升上下游协同效率。 智能边缘平台厂商专注于平台通用ICT能力的提升， 通过多样化的AI算力满足不同场景的AI需求， 构建统一的平台实现算力资源的高效管理和调度， 不断提升云边协同能力和效率， 为AI应用开发 调试提供更高效便捷的工具。 硬件设备厂商专注于硬件设备的制造， 在不同业务场景中实现成本、 功耗、 性能之间的不同平衡； 不断提升设备在多种严苛环境中的可靠性 （如高温、 高湿度、 强电磁干扰等） ， 适配更丰富的业务场 景。 AI应用开发者发挥行业专有知识， 专注于业务逻辑的实现和流程的优化， 通过AI不断解决用户的 实际问题、 为用户创造价值。 系统集成商专注于行业化解决方案的部署实施， 根据用户需求整合硬件设备、 算法、 AI应用、 云服 务等多种资源， 形成完整解决方案， 快速实现行业落地。 构建边缘生态智能的边缘成为数据和业务应用的汇聚节点， 安全成为边缘智能部署和运行的重中之重。 硬件安全： 智能化边缘数量大、 部署分散， 难以通过集中式管理保障设备安全； 大量边缘智能部署在无 人值守的设备上， 攻击者更容易通过修改硬件电路或注入恶意代码的方式发起攻击， 边缘智能自身的 安全防护能力必不可少， 尤其是对异常硬件组件和软件代码的主动识别能力。 数据安全： 智能化边缘位于用户掌控能力更强的边缘侧， 处理的企业机密数据和客户隐私数据更多； 高效云边协同在边缘侧被入侵时， 一定程度上放大了网络入侵带来的危害。 因此， 边缘智能需要强化 敏感数据在存储和传输过程中的安全性， 通过数据加密、 数字签名等机制防止数据被窃取或非法篡 改； 同时保证密钥自身的存储和使用安全， 从根本上确保敏感数据的安全性。 AI模型安全： 边缘智能逐步向关键业务渗透的同时， AI模型也成为新的攻击目标， 针对AI模型的非法篡 改严重影响企业的业务连续性， 甚至引发灾难性后果， 诸如工业设备、 医疗设备运行异常。 边缘侧设备 大量无人值守进一步加大了AI模型的面临的威胁， AI模型安全日益成为边缘智能的默认功能。 17 商业模式创新 智能边缘平台云原生架构使得多应用有序共存、 互不干扰， 更好得支撑商业模式创新； 云边高效协同 使得智能边缘平台的运行更透明， 更加有效保护各方利益。 智能边缘平台云原生架构的多租户隔离机制使得多个用户的业务应用彼此独立运行、 互不干扰， 为边 缘智能共建共享提供了坚实的保障； 云原生架构弹性扩容和云边高效协同使得多样化的定价策略成 为可能， 云端计费系统可以有效监测智能边缘平台的资源使用， 实现按使用时长、 数据处理量、 调用次 数等多种方式定价， 不仅赋予用户更多的选择、 加速边缘智能的普及， 而且使得边缘智能建设方和运 营方的收入分成更加透明； 智能边缘平台汇集海量行业化、 场景化的数据资源， 实现数据变现、 创造新 的收入来源。 IDC调研显示， 33%的企业通过与生态系统合作伙伴扩展核心产品， 将现有产品货币化； 26%的企业将资产呈现给生态伙伴， 以便共同创新。 端到端安全18 03 第三章 边缘智能赋能千行百业 边缘智能行业应用空间广泛 不同行业应用的差异化， 决定了AI落地必然是场景化的， 边缘智能是实现AI在行业差异化落地的关键。 IDC预测， 到2024年， 全球企业在边缘应用上的支出将达到2,500亿美金， 其中与AI技术相关的支出将达到326亿美元， 占整 体边缘市场支出的13%。 尤其是在制造业、 政府、 零售、 电信、 医疗等重点领域， 敏捷联接、 实时业务、 数据优化、 应用智能、 安全与隐私保护 已经成为核心需求， 边缘智能将是实现行业数字化转型的关键。 IDC预测， 到2024年， 制造业、 政府、 零售、 电信、 医 疗五大行业在边缘智能应用上的支出将达到159亿美金， 占整体边缘智能市场支出的49%。 图9 IDC全球边缘计算AI领域支出预测 （分行业） ， 2024 制造业 政府 电信 医疗 其他 零售 来源： IDC， 2020 51.0% 18.0% 10.7% 8.0% 7.3% 5.0% 3.1 制造业 制造业智能化升级是大势所趋 制造业是国民经济的基础性产业， 为社会稳定和经济增长提供基础性保障。 然而， 在全球化竞争日趋激烈的大背 景下， 制造业正面诸如劳动力短缺、 经验传承困难， 品控要求趋严， 交付周期缩短等诸多问题， 给制造企业发展带 来挑战19 面对这些挑战， 制造业正不断加深推进新一代信息技术与制造业深度融合， 加速数字化转型， 提升制造业自动化 和智能化水平， 从而实现传承经验、 提升品控、 缩短交期， 提升竞争力。 边缘智能在制造业应用前景广泛 制造业智能化发展已开展许久， 边缘智能的应用将通过数据在边缘的计算和存储， 实现降低延时、 数据保护等效 用， 为助力AI在制造业的应用发挥重要作用。 IDC 中国边缘智能决策者调研 显示， 电子制造行业30.6%的被访者 认为降低时延是边缘智能最大的价值， 在所有的价值中位列第一， 另有27.8%的被访者认为 “保护公司数据安全” 是其重要价值， 13.9%的被访者认为边缘智能还可有效 “保障数据主权” 。 边缘智能在制造业的应用场景覆盖了生产、 物流、 经营管理、 客服等诸多领域， 并将保持快速增长。 IDC预测， 将在 未来几年， 边缘智能支出在生产过程智能化、 智能供应链与物流、 数据安全与合规等应用场景将保持20%以上的 年均复合增长率。 预测性维护和工业质检对边缘智能需求较高， 是市场空间最大的边缘智能应用场景， 也有望在 未来几年保持14%以上的年均复合增长率。 在智能制造向自动化、 智能化升级的趋势下， 未来边缘智能将持续帮 助AI技术持续深化制造业应用场景， 并在各个制造子行业中充分拓展。 IDC预计， 2020年， 全球25%的制造业企业 将引入边缘计算， 提升决策速度、 降低数据管理成本。 来源： IDC， 2020 图10 制造业边缘智能应用场景 对边缘智能的需求度(0最低， 5最高) 复合增长率(%)， 2019-2024 6 5 4 3 2 1 12 14 16 18 20 22 24 预测性维护 工业质检 智能客服 IT系统自动化 数字孪生 数字化生产助手 智能供应链和物流 数据安全与合规 生产过程智能化 销售推荐和自动化 其他 图中气泡大小代表市场规模20 案例： 边缘智能助力智能质检 需求背景 对电子、 消费品、 钢铁、 服装等诸多领域的制造业企业而言， 产 品质量检测在生产过程中占有重要比重。 而随着市场对产品 质量要求的不断提高， 以及设备升级、 自动化水平提升， 实现 产品全检、 提高质检水平成为生产企业的普遍诉求。 传统产品质检主要依靠人工目视检测和传统机器视觉等检测 手段， 但人工目视检测成本高、 效率低， 难以实现全检。 传统机 器视觉基于模式匹配技术， 也很难满足复杂场景、 复杂外观缺 陷的检测需求， 漏检、 误检率高， 两者均难以满足日益提升的 产品质检需求。 在此背景下， 通过AI技术显著提升机器视觉检测能力和适用性 的智能质检系统， 大幅减少人工目视检测， 成为应对当前产品 质检水平的重要手段。 AI技术的应用带来显著的优势， 但工业 自身特点也对智能质检系统开发提出了一定挑战。 例如智能 质检系统对测量的周期和实时性要求高， 对加速计算要求比 较高。 工业生产节奏加快， 对系统开发时间的要求也在缩短， 开发周期可能只有6-8周， 但同时生产质检数据的积累速度远 低于数字化产品的交付， AI训练数据的小样本问题突出， 尤其 是对于新产品的生产制造。 此外， 在丰富的实际生产现场环境 中， 不同生产设备和生成线在物理空间、 散热条件、 电磁干扰 强度等方面千差万别， 对AI设备的物理形态要求也各不相同， 从轻边缘的嵌入式网关、 工控机到重边缘的紧凑型服务器、 标 准服务器都可能存在， 对系统的广泛适应性提出了更高要求。 关于NVIDIA EGX NVIDIA EGX是面向多元异构AI计算的统一智能边缘平台， 整 合多种硬件、 软件、 云资源， 形成完整的边缘生态体系、 提升 产业系统效率， 加速AI行业应用的落地。 繁荣边缘生态赋能数据智能自治 EGX整合从边缘服务器高性能AI芯片T4到嵌入式低功耗AI 芯片Jetson， 为边缘智能应用和边缘数据处理提供统一的应 用开发和数据交互接口， 简化应用开发， 满足边缘数据中心、 生产作业现场、 户外无人值守设备集群等多样化部署场景和 业务需求。 众多EGX认证的标准服务器、 紧凑型边缘服务器、 工控机等 成熟商用产品以及对主流容器 （如kubernetes） 、 企业级操作 系统 （如Redhat Linux） 、 私有云 （如VMware） 、 公有云 （如微 软Azure） 支持进一步加速了基于EGX的边缘AI应用的落地 实施。 丰富的云边协同开发工具加速边缘AI应用部署 EGX云原生的架构以及与主流容器技术的无缝集成使得云 端经过充分验证的成熟AI应用可以无缝迁移至边缘侧， 尤其 是边缘数据中心， 保护历史投资、 加速边缘AI业务部署； 云端 开发、 边缘部署的模式极大降低了边缘AI应用的开发测试周 期和复杂度； 丰富的远程管理功能使得海量边缘设备中的AI 应用可以高效、 及时得进行更新迭代， 支撑边缘AI业务创新； ISAAC、 Metropolis、 Clara等行业SDK整合行业最佳实践、 提 供行业化算法库和开发测试工具 （如基于机器视觉得质检应 用的算法库、 面向医学影像数据AI处理的工具包） ， 加速行业 专属边缘AI应用得开发。 端到端安全保证业务合规 EGX的多应用隔离管理机制有效避免不同应用之间的越权 访问， 保证边缘业务数据的安全性， 针对边缘AI模型的安全 校验从根本上保证了边缘AI业务的可靠性， 避免算法模型被 非法篡改带来的业务风险； EGX生态体系内基于可信计算技 术的硬件， 尤其是服务器， 实现了对未知威胁和底层恶意软 件 （如BIOS病毒） 的有效抵御， 为边缘AI应用的安全可靠运行 提供基础保障21 解决方案 天准科技是一家智能制造解决方案提供商， 以