本刊記者 |王熙

雖然AI現(xiàn)在已經(jīng)取得了非常大的突破，但同樣還面臨著很多挑戰(zhàn)。最大的就是，AI在進行分析處理時，需要消耗大量的計算資源和存儲資源。而現(xiàn)階段，能夠這些復雜工作的正是來自于5G技術(shù)之一的邊緣計算。

隨著人工智能（AI）快速發(fā)展，具備感知、認知功能的智能終端產(chǎn)品不斷出現(xiàn)：智能助手、智能終端、智能可穿戴設備、智能家居等一系列消費級產(chǎn)品日新月異。另一方面，無人駕駛汽車、智能服務機器人等具備復雜系統(tǒng)的綜合型人工智能產(chǎn)品，也在加速研發(fā)和產(chǎn)業(yè)化進程中，正逐漸走進人們的生產(chǎn)生活，帶來全新的產(chǎn)業(yè)和應用。

AI作為一種通用型技術(shù)，在自身發(fā)展的同時也推動著其他技術(shù)和產(chǎn)業(yè)的發(fā)展，而其他相關(guān)技術(shù)和產(chǎn)業(yè)的發(fā)展反過來又加速了AI的進步。其中，5G就為AI數(shù)據(jù)的傳送速度和質(zhì)量提供了有效保證。

邊緣計算讓AI駛?cè)搿翱燔嚨馈?/h2>

雖然AI現(xiàn)在已經(jīng)取得了非常大的突破，但同樣還面臨著很多挑戰(zhàn)。最大的就是，AI在進行分析處理時，需要消耗大量的計算資源和存儲資源。

尤其是在物聯(lián)網(wǎng)時代，隨著智能終端產(chǎn)品的爆發(fā)增長，大量數(shù)據(jù)通過有限的網(wǎng)絡連接傳輸至位于集中式數(shù)據(jù)中心的分析引擎進行數(shù)據(jù)分析，而這卻是適得其反，因為分析引擎可能出現(xiàn)響應不足，也可能導致額外的延時并浪費寶貴的帶寬。

而現(xiàn)階段，能夠這些復雜工作的正是來自于5G技術(shù)之一的邊緣計算。邊緣計算靠近物理設備或數(shù)據(jù)源頭的網(wǎng)絡邊緣側(cè)，融合網(wǎng)絡、計算、存儲、應用核心能力的開放平臺，就近提供邊緣智能服務，來滿足AI快速連接、實時業(yè)務、數(shù)據(jù)優(yōu)化、應用智能、安全與隱私保護等方面的關(guān)鍵需求技術(shù)，使得AI應用的性能、整體可靠性大大提升。

同時，邊緣計算的另一大優(yōu)勢也在AI領(lǐng)域得以發(fā)揚光大，就是實時性。例如AR/VR、互聯(lián)汽車、無人駕駛、遠程醫(yī)療、以及智慧城市，上述這些智能終端產(chǎn)品及解決方案，都是無法容忍超過數(shù)毫秒的時延，并對于抖動或時延變化極其敏感的。舉例來說，互聯(lián)汽車要求低時延、高帶寬，并基于接近于用戶計算和內(nèi)容存儲，這些條件都使得邊緣核心成為了必備項。在很多場景下，尤其是使用封閉式自動化操作來維護高可用性的場景，響應時間必須保證在幾十毫秒內(nèi)，而這種條件除邊緣計算外是無法達成的。

AI時代數(shù)據(jù)安全問題加劇

遺憾的是，人工智能時代，數(shù)據(jù)的收集、使用等各個環(huán)節(jié)也面臨著新的風險。在數(shù)據(jù)收集環(huán)節(jié)，大規(guī)模的機器自動化地收集著成千上萬的用戶數(shù)據(jù)，涉及到個人姓名、性別、電話號碼、電子郵箱、地理位置、家庭住址在內(nèi)的方方面面的數(shù)據(jù)，這些數(shù)據(jù)海量收集形成對用戶的全面追蹤。

另外，在數(shù)據(jù)使用環(huán)節(jié)，大數(shù)據(jù)分析技術(shù)廣泛使用，數(shù)據(jù)經(jīng)挖掘能分析出深層信息，不僅可以識別出特定的個人，還能分析出個人的購物習慣、行蹤軌跡等信息，進一步擴大了隱私暴露的風險。此外，在整個數(shù)據(jù)的生命周期中，由于黑客攻擊、系統(tǒng)安全漏洞等原因，個人數(shù)據(jù)始終面臨著被泄露的潛在安全風險。

而邊緣計算能夠使得安全部件更接近于攻擊源，啟動更高效的安全應用并增加分層數(shù)量以抵御針對核心的侵犯和風險。