一、边缘计算概述

1.1 什么是边缘计算

边缘计算，说白了就是把计算能力从云端搬到离数据源更近的地方。我经常跟团队里的新人说，别把它想得太玄乎——你手机上的AI拍照功能，其实就是一种边缘计算。

传统架构里，所有数据都要上传到云端处理。但边缘计算不一样，它在网络边缘侧就完成了数据处理。这个「边缘」可以是摄像头、路由器、工控机，甚至是一块小小的开发板。

举个例子。你工厂里的质检摄像头，每秒产生30帧1080p图像。如果全传到云端，带宽根本扛不住。但如果在摄像头端就完成缺陷检测，只把异常结果上报——这就是边缘计算的典型玩法。

1.2 为什么需要边缘计算

我在2018年做过一个智慧零售项目，当时客户要求实时识别货架上的商品。用云端方案，从拍照到返回结果要2-3秒，顾客早走了。后来换成边缘方案，延迟降到50毫秒以内。嗯，这就是最直接的驱动力。

具体来说，有这几个核心原因：

• 低延迟：很多场景要求毫秒级响应。自动驾驶、工业控制、实时交互——这些场景等不起网络往返。
• 带宽节省：我曾经算过一笔账，一个1080p摄像头一天产生约80GB数据。100个摄像头就是8TB。全传云端？网络成本吓死人。
• 隐私安全：医疗影像、人脸数据、金融信息——有些数据根本不适合上传。边缘计算让数据在本地处理完，只输出结果。
• 离线可用：你想想看，矿井、海上平台、偏远基站——这些地方网络不稳定甚至没有。边缘设备必须能独立工作。
• 成本控制：云端GPU按小时计费，长期跑推理任务其实不便宜。边缘设备一次性投入，摊下来成本更低。

1.3 边缘计算与云计算的对比

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，各干各的活。

对比维度	边缘计算	云计算
延迟	毫秒级（1-50ms）	百毫秒到秒级
带宽需求	低（只传结果）	高（传原始数据）
计算能力	受限（几TOPS到几十TOPS）	强大（数百TOPS以上）
存储容量	有限（GB级）	海量（PB级）
网络依赖	可离线运行	必须在线
部署位置	数据源附近	集中式数据中心
典型硬件	Jetson、RK3588、TPU	GPU服务器、CPU集群
运维难度	高（分布式、环境复杂）	低（集中管理）
扩展性	按节点扩展	按资源扩展
适用场景	实时推理、数据预处理	模型训练、大数据分析

我个人习惯这样分工：边缘做推理和预处理，云端做训练和深度分析。比如一个智能安防系统，摄像头端做目标检测，云端做行为分析和长期数据挖掘。

1.4 边缘AI的典型应用场景

这几年我经手的项目，基本覆盖了主流场景。挑几个典型的说说：

智慧安防

这是最成熟的场景。摄像头端做人脸检测、车牌识别、行为分析。我做过一个园区项目，200路摄像头，每路跑轻量级检测模型，延迟控制在30ms以内。异常事件才上传云端做二次确认。

工业质检

流水线上的产品缺陷检测。我之前帮一家电子厂部署过，用Jetson Nano跑分类模型，检测速度达到每分钟120个零件。比人工快3倍，漏检率从5%降到0.3%。

自动驾驶

这个不用多说，L2以上的自动驾驶必须边缘计算。车辆自身完成感知、决策、控制，延迟要求10ms以内。云端只做地图更新和远程监控。

智慧零售

货架识别、客流分析、自助结账。我印象最深的是一个无人便利店项目，用RK3588跑多任务模型，同时做商品检测和顾客行为分析，功耗才15W。

医疗影像

便携式医疗设备上的AI辅助诊断。比如手持超声仪，在设备端完成病灶检测，只输出诊断结果。既保护患者隐私，又降低网络依赖。

智能家居

语音助手、人脸门锁、跌倒检测。这些场景对功耗要求极高，通常用MCU级别的芯片跑轻量模型。我做过一个智能音箱项目，用Cortex-M7跑关键词唤醒，功耗不到100mW。

嗯，这就是边缘计算的基础认知。下一章我们会深入具体的硬件选型，聊聊Jetson、RK3588、树莓派这些设备到底该怎么选。你想想看，选错硬件意味着什么？意味着模型跑不动、功耗压不住、成本控不了——这些坑我都踩过，到时候一一告诉你。