1. 边缘计算概述

大家好，我是你们的讲师。今天咱们聊聊边缘计算。说实话，这个领域我摸爬滚打了快十年，踩过的坑比走过的路还多。但正是这些经历，让我对边缘计算有了更深的体会。

1.1 边缘计算到底是什么？

先说说定义。边缘计算，说白了就是把计算能力从云端搬到靠近数据源的地方。你想想看，摄像头采集的画面、传感器读取的温度、麦克风收到的语音——这些数据如果都要传到云端处理，延迟和带宽都是大问题。

我个人习惯把边缘计算理解为「本地大脑」。它就在设备旁边，能快速做出决策。比如工业相机拍到一个缺陷产品，边缘设备可以立刻判断并发出警报，而不是等数据传到云端再返回结果。

1.2 边缘计算 vs 云计算

很多人问我：边缘计算是不是要取代云计算？我的回答是：想多了。它们更像是搭档，各司其职。

我整理了一个对比表，方便大家理解：

对比维度	边缘计算	云计算
延迟	毫秒级（<10ms）	几十毫秒到秒级
带宽需求	低（本地处理为主）	高（大量数据传输）
计算能力	有限（受功耗、体积限制）	几乎无限（可扩展）
数据隐私	高（数据不出本地）	中（数据上传云端）
典型设备	树莓派、Jetson、TPU	服务器集群、GPU阵列
适用场景	实时控制、隐私敏感	大数据分析、模型训练

嗯，这里要注意：不是所有场景都适合边缘计算。比如训练一个大型AI模型，你肯定需要云端的算力。但如果是实时推理，边缘计算就是首选。

1.3 边缘AI的三大应用场景

聊完概念，咱们看看实际应用。我挑三个最有代表性的场景来说。

1.3.1 工业视觉

这是边缘AI最成熟的应用之一。我在工厂里见过太多案例了——流水线上的产品检测、设备状态监控、安全帽识别等等。

举个例子：某电子厂需要检测PCB板上的焊点缺陷。传统做法是人工目检，效率低且容易漏检。后来他们部署了边缘AI方案：

• 用工业相机采集图像
• 在Jetson设备上运行目标检测模型
• 实时判断焊点是否合格
• 不合格产品自动剔除

我曾经参与过一个类似项目，最大的坑是光照变化导致误检。白天和晚上的光线不同，模型表现差异很大。后来我们加入了自适应光照补偿，才解决了这个问题。

1.3.2 智能家居

智能家居是边缘AI离普通人最近的场景。你家里的智能音箱、智能摄像头、智能门锁，其实都在用边缘计算。

我自己的习惯是：把语音唤醒和关键词识别放在本地设备上。比如「小爱同学」这个唤醒词，就是在设备本地处理的。只有确认唤醒后，才会把语音上传到云端做更复杂的语义理解。

这样做的好处很明显：

• 响应速度快（本地处理，无需网络）
• 保护隐私（语音数据不出设备）
• 降低云端成本（减少无效请求）

你想想看，如果每次说「开灯」都要经过云端，那延迟得多大？而且万一断网了，智能家居就变智障家居了。

1.3.3 自动驾驶

这是边缘AI对实时性要求最高的场景。没有之一。

自动驾驶车辆需要在毫秒级别内做出决策。比如前方突然出现行人，车辆必须在几十毫秒内完成感知、决策、控制的全流程。这个延迟如果依赖云端，后果不堪设想。

我记得有一次测试自动驾驶原型车，遇到一个极端场景：傍晚逆光行驶，摄像头几乎被强光淹没。当时边缘设备上的模型成功识别出了路边的行人，而云端处理的结果因为网络延迟，晚了整整200毫秒才返回。这200毫秒，在高速行驶中可能就是生与死的距离。

自动驾驶的边缘AI通常包含：

• 摄像头图像处理（车道线、行人、交通标志识别）
• 激光雷达点云处理（障碍物检测、距离估计）
• 多传感器融合（摄像头+雷达+IMU）
• 路径规划和决策控制

1.4 为什么边缘AI现在这么火？

说白了，就是三个字：刚需。

第一，数据量爆炸。全球每天产生的数据量以EB计，全传到云端不现实。

第二，实时性要求。很多场景等不了那几百毫秒的网络延迟。

第三，隐私法规。GDPR、个人信息保护法等法规要求数据尽量本地处理。

我刚开始做边缘AI时，硬件选择非常有限。现在好了，从树莓派到Jetson Orin，从Intel Movidius到Google Coral，选择多得让人眼花缭乱。但选择多也意味着坑多，后面几章我会详细讲如何选型。

1.5 本章小结

这一章我们聊了：

• 边缘计算的定义：把计算搬到数据源头
• 与云计算的区别：延迟、带宽、隐私各有侧重
• 三大应用场景：工业视觉、智能家居、自动驾驶

下一章，我会带大家深入硬件选型。从CPU、GPU到NPU、TPU，咱们一个一个掰开揉碎了讲。到时候我会分享一些我踩过的硬件坑，保证让你少走弯路。

嗯，今天就到这里。有什么问题，欢迎在课程群里讨论。

---

公众号:蓝海资料掘金营，微信deep3321