第1章边缘计算概述

一、边缘计算概述

大家好，我是你们这门课的主讲。今天咱们聊聊边缘计算这个老生常谈、但又不得不谈的话题。

说实话，我入行那会儿，边缘计算还没这么火。大家一股脑儿往云上搬东西，觉得云就是万能的。后来呢？我在一个工业质检项目里栽了个跟头——摄像头采集的数据传到云端，来回延迟快两秒，产线早就跑过去了。嗯，从那以后，我对边缘计算有了全新的认识。

边缘计算，说白了就是「在靠近数据源头的地方干活」。数据不用千里迢迢跑到云端，在本地设备上就能完成处理和分析。

我个人习惯把它理解成「本地大脑」。你想想看，一个工厂里有几十个摄像头，每秒钟产生海量数据。如果全部上传云端，网络带宽扛不住，延迟也受不了。边缘计算就是在摄像头旁边放一个小盒子，直接在现场把活干了。

核心要点：边缘计算不是要取代云计算，而是和云计算打配合。边缘负责实时、低延迟的任务，云端负责复杂、全局的模型训练和存储。

很多新手问我：「老师，边缘计算和云计算到底有啥区别？」我一般用一张表说清楚：

我曾经在一个智慧零售项目里踩过坑。客户要求顾客进店3秒内完成人脸识别和会员推送。如果用云端方案，光网络传输就要1.5秒，加上排队处理，根本来不及。后来换成边缘方案，在门口放了个Jetson Nano，识别时间直接降到800毫秒。这就是区别。

我的建议：选边缘还是选云，先问自己三个问题——延迟能不能忍？带宽够不够？数据隐私要不要保护？如果答案都是「要」，那边缘计算就是你的菜。

边缘AI这几年火得一塌糊涂。我挑三个最典型的场景聊聊，都是我自己亲手做过的。

这是边缘AI最成熟的落地场景之一。我在一个手机外壳检测项目里，产线速度是每分钟120个零件。传统方案靠人工肉眼检测，漏检率高达5%。后来我们部署了边缘AI方案——每个工位放一个带NPU的工业相机，模型跑的是轻量化的YOLOv5s。

效果怎么样？检测速度从每张图200ms降到35ms，漏检率降到0.3%。而且最关键的是，所有数据都在本地处理，不会把产品图像传到外网，客户很放心。

避坑指南：我曾经在工业项目里犯过一个低级错误——模型精度在实验室跑99%，上了产线直接掉到85%。为什么？因为产线光照不均匀，摄像头角度也有偏差。所以记住：边缘AI的模型一定要做「现场数据增强」，别偷懒。

智慧零售这块，我做过一个货架识别系统。超市里几千种商品，顾客拿了就走，摄像头自动识别并结算。听起来很酷对吧？但实际做起来全是坑。

首先，边缘设备的算力有限。你不能在树莓派上跑ResNet-152，跑不动。我们最后用的是MobileNetV3 + 知识蒸馏，模型大小压缩到2MB，推理时间15ms。

其次，商品遮挡问题严重。一瓶可乐被前面的薯片挡住一半，怎么识别？我当时的解决方案是多角度摄像头 + 时序融合，连续几帧画面综合判断。嗯，这个技巧后面章节会详细讲。

自动驾驶是边缘AI的终极挑战。为什么？因为延迟要求是「生死级别」的。一辆车以60km/h行驶，每秒钟跑16.7米。如果感知延迟多100ms，车就多跑1.67米。这个距离，可能就是撞上还是没撞上的区别。

我记得参与过一个L4级自动驾驶项目，车上有6个摄像头、3个激光雷达、5个毫米波雷达。所有传感器数据必须在30ms内完成融合和决策。云端？根本不可能。所有计算都在车上的边缘计算平台完成，用的是英伟达的Orin芯片，算力254 TOPS。

这里有个关键点：多模型流水线。摄像头跑目标检测，激光雷达跑点云分割，毫米波雷达跑目标跟踪，最后所有结果融合。每个模型都是独立的流水线节点，串起来必须在30ms内完成。这就是咱们这门课的核心内容——多模型流水线编排。

一句话总结：边缘AI不是把云端的模型搬到本地跑，而是针对边缘场景重新设计模型和架构。算力受限、延迟敏感、数据隐私，这三个约束决定了边缘AI的设计思路完全不同。

好了，第一章就聊到这儿。下一章咱们会深入讲边缘设备的硬件选型——树莓派、Jetson、RK3588到底怎么选？我在项目里踩过的坑，到时候全部分享给你们。