Jika kecerdasan buatan dianggap sebagai perjalanan dari A ke B, layanan komputasi awan adalah bandara atau stasiun kereta api berkecepatan tinggi, dan komputasi tepi adalah taksi atau sepeda bersama. Komputasi tepi dekat dengan sisi manusia, benda, atau sumber data. Ini mengadopsi platform terbuka yang mengintegrasikan penyimpanan, komputasi, akses jaringan, dan kemampuan inti aplikasi untuk menyediakan layanan bagi pengguna di sekitarnya. Dibandingkan dengan layanan komputasi awan yang diterapkan secara terpusat, komputasi tepi menyelesaikan masalah seperti latensi yang panjang dan lalu lintas konvergensi yang tinggi, memberikan dukungan yang lebih baik untuk layanan real-time dan membutuhkan bandwidth.
Kemunculan ChatGPT telah memicu gelombang baru pengembangan AI, mempercepat penerapan AI ke lebih banyak bidang aplikasi seperti industri, ritel, rumah pintar, kota pintar, dll. Sejumlah besar data perlu disimpan dan dihitung di aplikasi, dan mengandalkan cloud saja tidak lagi mampu memenuhi permintaan sebenarnya, komputasi edge meningkatkan beberapa kilometer terakhir aplikasi AI. Di bawah kebijakan nasional yang giat mengembangkan ekonomi digital, komputasi awan Tiongkok telah memasuki periode perkembangan inklusif, permintaan komputasi edge telah melonjak, dan integrasi cloud edge dan end telah menjadi arah evolusi yang penting di masa depan.
Pasar komputasi edge akan tumbuh CAGR 36,1% selama lima tahun ke depan
Industri komputasi edge telah memasuki tahap perkembangan yang stabil, sebagaimana dibuktikan dengan diversifikasi bertahap penyedia layanannya, perluasan ukuran pasar, dan perluasan area aplikasi lebih lanjut. Dalam hal ukuran pasar, data dari laporan pelacakan IDC menunjukkan bahwa ukuran pasar keseluruhan server komputasi tepi di Tiongkok mencapai US$3,31 miliar pada tahun 2021, dan ukuran pasar keseluruhan server komputasi tepi di Tiongkok diperkirakan akan tumbuh dengan pertumbuhan tahunan gabungan. tingkat 22,2% dari tahun 2020 hingga 2025. Sullivan memperkirakan ukuran pasar komputasi edge di Tiongkok diperkirakan akan mencapai RMB 250,9 miliar pada tahun 2027, dengan CAGR sebesar 36,1% dari tahun 2023 hingga 2027.
Industri ramah lingkungan komputasi tepi berkembang pesat
Komputasi tepi saat ini berada pada tahap awal wabah, dan batasan bisnis dalam rantai industri relatif tidak jelas. Untuk vendor individu, perlu mempertimbangkan integrasi dengan skenario bisnis, dan juga perlu memiliki kemampuan untuk beradaptasi terhadap perubahan skenario bisnis dari tingkat teknis, dan juga perlu untuk memastikan bahwa ada tingkat yang tinggi. kompatibilitas dengan peralatan perangkat keras, serta kemampuan teknik untuk mendaratkan proyek.
Rantai industri komputasi tepi dibagi menjadi vendor chip, vendor algoritma, produsen perangkat keras, dan penyedia solusi. Vendor chip sebagian besar mengembangkan chip aritmatika dari sisi ujung ke sisi tepi hingga sisi cloud, dan selain chip sisi tepi, mereka juga mengembangkan kartu akselerasi dan mendukung platform pengembangan perangkat lunak. Vendor algoritme menggunakan algoritme visi komputer sebagai inti untuk membangun algoritme umum atau khusus, dan ada juga perusahaan yang membangun pusat algoritme atau platform pelatihan dan dorong. Vendor peralatan secara aktif berinvestasi dalam produk komputasi tepi, dan bentuk produk komputasi tepi terus diperkaya, secara bertahap membentuk rangkaian lengkap produk komputasi tepi mulai dari chip hingga seluruh mesin. Penyedia solusi menyediakan solusi terintegrasi perangkat lunak atau perangkat lunak-perangkat keras untuk industri tertentu.
Aplikasi industri komputasi edge semakin cepat
Di bidang kota pintar
Inspeksi komprehensif terhadap properti perkotaan saat ini umum digunakan dalam mode inspeksi manual, dan mode inspeksi manual memiliki permasalahan berupa biaya yang memakan waktu dan padat karya yang tinggi, ketergantungan proses pada individu, cakupan dan frekuensi inspeksi yang buruk, serta kualitas yang buruk. kontrol. Pada saat yang sama proses pemeriksaan mencatat sejumlah besar data, namun sumber daya data tersebut belum ditransformasikan menjadi aset data untuk pemberdayaan bisnis. Dengan menerapkan teknologi AI pada skenario inspeksi seluler, perusahaan telah menciptakan kendaraan inspeksi cerdas AI tata kelola perkotaan, yang mengadopsi teknologi seperti Internet of Things, komputasi awan, algoritma AI, dan membawa peralatan profesional seperti kamera definisi tinggi, on- tampilan papan, dan server samping AI, serta menggabungkan mekanisme inspeksi "sistem cerdas + mesin cerdas + bantuan staf". Hal ini mendorong transformasi tata kelola kota dari yang padat personel menjadi cerdas mekanis, dari penilaian empiris menjadi analisis data, dan dari respons pasif menjadi penemuan aktif.
Di bidang lokasi konstruksi cerdas
Solusi lokasi konstruksi cerdas berbasis komputasi tepi menerapkan integrasi mendalam teknologi AI pada pekerjaan pemantauan keselamatan industri konstruksi tradisional, dengan menempatkan terminal analisis AI tepi di lokasi konstruksi, menyelesaikan penelitian independen dan pengembangan algoritma AI visual berdasarkan video cerdas teknologi analitik, deteksi penuh waktu terhadap peristiwa yang akan dideteksi (misalnya, mendeteksi apakah akan memakai helm atau tidak), menyediakan layanan identifikasi titik risiko dan pengingat alarm bagi personel, lingkungan, keamanan dan keselamatan lainnya, dan mengambil inisiatif untuk Identifikasi yang tidak aman faktor, penjagaan cerdas AI, menghemat biaya tenaga kerja, untuk memenuhi kebutuhan manajemen keselamatan personel dan properti di lokasi konstruksi.
Di bidang transportasi cerdas
Arsitektur cloud-side-end telah menjadi paradigma dasar untuk penerapan aplikasi dalam industri transportasi cerdas, dengan sisi cloud bertanggung jawab atas manajemen terpusat dan bagian dari pemrosesan data, sisi edge terutama menyediakan analisis data edge-side dan keputusan komputasi -pemrosesan pembuatan, dan pihak akhir terutama bertanggung jawab atas pengumpulan data bisnis.
Dalam skenario tertentu seperti koordinasi kendaraan-jalan, persimpangan holografik, mengemudi otomatis, dan lalu lintas kereta api, terdapat sejumlah besar perangkat heterogen yang diakses, dan perangkat ini memerlukan manajemen akses, manajemen keluar, pemrosesan alarm, serta pemrosesan operasi dan pemeliharaan. Komputasi tepi dapat membagi dan menaklukkan, mengubah besar menjadi kecil, menyediakan fungsi konversi protokol lintas lapisan, mencapai akses terpadu dan stabil, dan bahkan kontrol kolaboratif atas data heterogen.
Di bidang industri manufaktur
Skenario Optimasi Proses Produksi: Saat ini, sejumlah besar sistem manufaktur diskrit dibatasi oleh ketidaklengkapan data, dan efisiensi peralatan secara keseluruhan serta penghitungan data indeks lainnya relatif ceroboh, sehingga sulit digunakan untuk optimalisasi efisiensi. Platform komputasi tepi berdasarkan model informasi peralatan untuk mencapai tingkat semantik sistem manufaktur komunikasi horizontal dan komunikasi vertikal, berdasarkan mekanisme pemrosesan aliran data waktu nyata untuk mengumpulkan dan menganalisis sejumlah besar data lapangan secara waktu nyata, untuk mencapai jalur produksi berbasis model perpaduan informasi sumber multi-data, untuk memberikan dukungan data yang kuat untuk pengambilan keputusan dalam sistem manufaktur diskrit.
Skenario Pemeliharaan Prediktif Peralatan: Pemeliharaan peralatan industri dibagi menjadi tiga jenis: pemeliharaan reparatif, pemeliharaan preventif, dan pemeliharaan prediktif. Pemeliharaan restoratif termasuk dalam pemeliharaan ex post facto, pemeliharaan preventif, dan pemeliharaan prediktif termasuk dalam pemeliharaan ex-ante, yang pertama didasarkan pada waktu, kinerja peralatan, kondisi lokasi, dan faktor lain untuk pemeliharaan peralatan secara berkala, kurang lebih berdasarkan manusia pengalaman, yang terakhir melalui pengumpulan data sensor, pemantauan kondisi pengoperasian peralatan secara real-time, berdasarkan analisis data model industri, dan memprediksi secara akurat kapan kegagalan terjadi.
Skenario inspeksi kualitas industri: bidang inspeksi visi industri adalah bentuk inspeksi optik otomatis (AOI) tradisional pertama yang dimasukkan ke dalam bidang inspeksi kualitas, namun perkembangan AOI sejauh ini, dalam banyak deteksi cacat dan skenario kompleks lainnya, karena cacat dari berbagai jenis, ekstraksi fitur tidak lengkap, algoritme adaptif memiliki ekstensibilitas yang buruk, jalur produksi sering diperbarui, migrasi algoritme tidak fleksibel, dan faktor lainnya, sistem AOI tradisional sulit memenuhi pengembangan kebutuhan jalur produksi. Oleh karena itu, platform algoritma inspeksi kualitas industri AI yang diwakili oleh pembelajaran mendalam + pembelajaran sampel kecil secara bertahap menggantikan skema inspeksi visual tradisional, dan platform inspeksi kualitas industri AI telah melalui dua tahap algoritma pembelajaran mesin klasik dan algoritma inspeksi pembelajaran mendalam.
Waktu posting: 08-Okt-2023