Edge AI 与边缘计算：赋能实时智能
探索 Edge AI 和边缘计算如何实现实时智能、降低延迟，并赋能更智能的边缘计算机视觉。
人工智能 (AI) 正日益成为我们日常生活中不可或缺的一部分。从智能摄像头到自动驾驶汽车，AI模型现已被部署在各种设备上，用以快速处理信息并辅助实现实时决策。
传统上，许多此类AI模型都在云端运行，这意味着设备会将数据发送到功能强大的远程服务器，由模型进行处理并返回结果。但依赖云端并不总是理想之选，尤其是在分秒必争的场景下。来回传输数据可能会引入延迟、产生隐私问题，并需要持续的网络连接。
这正是 Edge AI 和 edge computing 发挥作用的地方。Edge AI 专注于直接在摄像头或传感器等设备上运行AI模型，从而实现即时的现场决策。与此同时，边缘计算旨在靠近数据生成源的地方处理数据，通常是在本地服务器或网关上，而非完全依赖云端。这种转变降低了延迟，增强了隐私保护，并使AI即便在没有持续云连接的情况下也能高效运行。
Edge AI 在 computer vision 应用中特别有用，因为这些场景往往需要即时处理海量的视觉数据。像 Ultralytics YOLO11 这样的计算机视觉模型可以直接在边缘实现 object detection 和 instance segmentation 等任务，从而赋能更智能的设备、机器人和工业物联网 (Industrial IoT) AI系统。
在本指南中，我们将剖析 Edge AI 和边缘计算的真正含义，并探讨它们之间的关键区别。接着，我们将探讨两者的结合如何在不依赖云端的情况下实现实时AI。最后，我们将审视实际应用，特别是关于计算机视觉的应用，并权衡在边缘部署AI的优缺点。
Link to this sectionEdge AI 与云端AI：有什么区别？#
Edge AI 指的是将人工智能模型直接部署到摄像头、传感器、智能手机或嵌入式硬件等设备端系统上，而不是依赖远程服务器或云计算。这种方法允许设备在本地处理数据并做出即时决策。
Edge AI 模型无需不断地与云端进行数据交互，即可实时处理图像识别、语音处理和预测性维护等任务。这一能力的实现得益于边缘计算AI芯片的进步，现在强大的模型也能在紧凑型设备上高效运行。
Fig 1. 比较AI云端处理与 Edge AI，展示了边缘端降低的延迟和增强的隐私保护。
在计算机视觉领域，Edge AI 可以帮助AI驱动的摄像头等设备即时检测物体、识别面部并监测环境。像 YOLO11 这样的模型可以快速处理数据并提供实时见解——所有这些都直接在边缘设备上运行。
通过将AI推理（运行训练好的AI模型以生成预测或见解的过程）迁移到边缘，系统可以最大限度地减少对云端的依赖，从而提升边缘设备上以隐私为中心的AI能力，并为对速度和数据安全至关重要的应用实现实时性能。
Link to this section边缘计算与 Edge AI 有何不同？#
虽然它们听起来很相似，但 Edge AI 和边缘计算承担着不同的角色。边缘计算是一个更广泛的概念，涉及在数据生成源头或其附近处理数据，例如在边缘服务器（放置在设备附近用于处理数据的计算中心）、网关或设备上。
边缘计算专注于通过在本地处理任务来减少发送到中央服务器的数据量。它支持从数据过滤和分析到在传统数据中心之外运行复杂应用的所有功能。
另一方面，Edge AI 特指运行在 edge devices 上的AI模型。简而言之，Edge AI 将智能带到了边缘。这些技术协同工作，为依赖速度和效率的行业提供了低延迟的AI计算。
例如，工业摄像头可能会使用边缘计算来传输视频，但依赖 Edge AI 来分析录像、检测异常并触发警报。
Link to this section用于实时智能的 Edge AI 与边缘计算#
Edge AI 与边缘计算的结合是跨行业释放实时AI潜力的关键。设备无需依赖远端服务器，即可即时分析数据、更快地做出决策，并在低连接环境下可靠运行。
对于自动驾驶汽车、机器人和监控系统等分秒必争的应用来说，这一能力具有变革性意义。通过 Edge AI，系统可以立即响应不断变化的环境，从而提高安全性、性能和用户体验。
在涉及计算机视觉任务时，像 YOLO11 这样的模型可以实时检测物体、分类图像并跟踪运动。通过在本地运行，这些模型避免了云端通信延迟，并能在需要时精准做出决策。
Fig 2. 边缘计算在靠近物联网设备的地方处理数据，从而实现实时分析。
此外，Edge AI 还支持以隐私为中心的AI。视频流或生物识别信息等敏感数据可以保留在设备上，从而降低暴露风险并支持对隐私法规的合规。
它还可以实现用于边缘计算的节能型AI模型，因为本地处理减少了带宽使用和云端通信，从而降低了功耗——这对物联网设备至关重要。
总之，Edge AI 和边缘计算为能够进行低延迟AI处理的AI驱动物联网设备提供了基础，使其能够跟上现实世界的需求。
Link to this sectionEdge AI 和边缘计算的实际应用#
Edge AI 和边缘计算通过在边缘实现AI，可以助力许多行业。让我们探索一些最具影响力的计算机视觉用例，这些技术在其中推动着实时决策：
- 基于 Edge AI 的智能监控： AI驱动的摄像头可以监测环境并检测可疑活动。通过在现场分析录像，这些系统减少了对云端处理的依赖并提高了响应速度。
- 汽车和自动驾驶汽车中的 Edge AI： 车辆可以使用 Edge AI 即时处理来自摄像头、激光雷达和传感器的数据。这实现了障碍物检测、车道保持和行人识别等关键任务，且无需依赖云端服务器。
- 用于机器人和工业自动化的嵌入式AI： 集成到 robots 或传感器等专用硬件中的嵌入式AI模型，可以帮助机器人分析图像、检测缺陷并适应生产线的变化。在本地运行增强了精度，并能在动态环境中进行更快的调整。
- 制造业中的 Edge AI： 智能工厂可以使用 Edge AI 来检查产品、监控设备并改善质量控制。通过在现场处理视觉数据，这些系统防止了缺陷并减少了停机时间。
- 智慧城市和交通管理中的 Edge AI： 从实时交通分析到行人检测，Edge AI 通过将处理保持在本地，为 smart cities 的城市规划和更安全的街道提供支持。
- 医疗保健和医疗设备： 便携式成像设备可以使用 Edge AI 即时分析扫描结果。这种方法在确保敏感健康数据安全保存在设备上的同时，提高了诊断速度。
- 农业和环境监测： 由 Edge AI 驱动的 drones 和物联网传感器可以实时评估作物健康状况、监测环境条件并优化资源。
Fig 3. 一架配备 YOLO11 的无人机可以在现场检测车辆和设备。
在这些示例中，部署在边缘设备上的 YOLO11 等计算机视觉模型可以提供实时AI见解，并使系统能够在需要时准确地做出决策。
Link to this sectionEdge AI 和边缘计算的优缺点#
虽然 Edge AI 和边缘计算提供了显著优势，但考虑在边缘部署AI的优势和局限性非常重要。
正面来看：
-
更快的决策： Edge AI 可以通过本地处理数据来最小化延迟，从而在自动驾驶汽车和工业自动化等关键应用中实现即时响应。
-
增强的隐私和数据安全： Edge AI 可以通过将数据保存在设备上来降低暴露风险，使其成为需要以隐私为中心处理的应用的理想选择。
-
更低的带宽需求： Edge AI 可以最小化向云端的数据传输，这有助于降低运营成本并提高效率。
-
能效： 在本地运行模型支持节能型的AI操作，这对于物联网环境中的低功耗边缘设备尤为重要。
然而，依然存在一些挑战：
- 硬件限制： 边缘设备的处理能力和存储空间通常有限，这可能会限制它们可以运行的AI模型的复杂度。
- 模型优化挑战： 需要仔细优化AI模型，以平衡边缘端的性能和资源使用。
- 维护和更新： 管理跨分布式边缘设备的更新可能具有挑战性，特别是在大规模部署中。
- 更高的初始成本： 建立边缘基础设施和专用硬件可能需要大量的初期投资，尽管从长远来看它可以降低云端成本。
总体而言，Edge AI 和边缘计算为那些希望启用运行速度更快、更安全且效率更高的AI驱动设备的行业提供了强大的解决方案。
Link to this section关键要点#
Edge AI 和边缘计算正在改变各行业实现实时智能的方式。通过在本地处理数据，这些技术可以实现更快、更智能的决策——尤其是在计算机视觉应用中。
从工业物联网 AI 到基于 Edge AI 的智能监控，本地计算与 YOLO11 等智能模型的结合可以为依赖速度、隐私和可靠性的应用提供动力。
随着 Edge AI 的不断发展，各行业正在获得易于扩展、提高运营效率并为边缘AI未来奠定基础的低延迟AI计算能力。
加入我们不断壮大的 community！浏览我们的 GitHub repository 以了解更多关于AI的知识。准备好开始你的计算机视觉项目了吗？查看我们的 licensing options。访问我们的解决方案页面，探索 AI in automotive 和 Vision AI in healthcare！
