如果说云计算是集中式大数据处理,那么边缘计算可以理解为边缘式大数据处理,这里的云指的是“云计算”或者说“云数据中心”,从网络边缘设备传输传输海量数据到云数据中心致使网络传输宽带的负载量急剧增加造成较长的网络延迟,边缘计算应用场景一：万物互联的物联网随着网络边缘侧设备的迅速增加,边缘计算更适合实时的数据分析和智能化处理,实现对小数据直接在边缘设备或者边缘服务器中进行数据的处理,例如RFID射频的系统通常会进行边缘计算进行数据过滤。

边缘计算的目前应用现状怎么样未来发展前景如何

楼主这个问题的确有点太过大了，有点不知从哪里说起，这里就走哪算哪吧，后续慢慢补充！

当下我们经常会听到一个词叫做“云端协同”，即云和端相互合作、互相渗透和融合，这里的云指的是“云计算”或者说“云数据中心”，而端指的便是担当终端的“边缘计算”。

Linux基金会Philip DesAutels认为“将来，云端更像是扮演一个集中式协调管理的角色，成为一个具有分布式集体智慧的云端大脑。”

边缘计算是指利用靠近数据源的边缘地带来完成的运算程序，边缘计算的运算既可以在大型运算设备内完成 也可以在中小型运算设备、本地端网络内完成。用于边缘运算的设备可以是智能手机这样的移动设备、PC、智能家居等家用终端，也可以是ATM机、摄像头等终端。-边缘服务器

关于边缘计算的应用现状和场景

在Microsoft Build 2017开发者大会上，微软首席执行官SatyaNadella宣布：“公司的云战略正在朝着边缘计算方向发展。”未来随着联网接入设备的倍增、大数据时代下数据的爆发式增长，云计算中心已经无法满足智能家居、无人驾驶等场景对低延迟的高要求，边缘计算取而代之将成为大势。-边缘服务器

边缘计算应用场景一：万物互联的物联网

随着网络边缘侧设备的迅速增加，设备产生的数据存量达到泽字节的级别，从网络边缘设备传输传输海量数据到云数据中心致使网络传输宽带的负载量急剧增加造成较长的网络延迟，单纯的云计算已经不足以匹配如此庞大规模数据量的即时计算。-边缘服务器

云计算作为物联网的“大脑中枢”，将大量边缘计算无法处理的数据进行存储、处理、整理和分析，而与此同时边缘计算被认为是物联网的“神经末梢”，实现对小数据直接在边缘设备或者边缘服务器中进行数据的处理，同时也能够很好的缓解云数据中心的压力。边缘计算和云计算互相协同，准确的说它们是彼此优化补充的存在。-边缘服务器

边缘计算应用场景二:CDN内容分发业务

传统 CDN 借助缓存数据，提高近地节点数据传输的性能，但是实际上对动态的计算服务，就只能回源到数据中心，这个成本本身其实是很高的。边缘计算和传统的中心化思维不同，其主要计算节点以及应用分布式部署在靠近终端的数据中心，这使得无论是在服务的响应性能、还是可靠性方面都是高于传统中心化的云计算。边缘计算保障大量的计算需要在离终端很近的区域完成计算，完成苛刻的低延时服务响应。-边缘服务器

此外通过边缘计算，同时缓解了传统数据「安全」层面的问题，毕竟数据传输的距离越远、路径越长、时间越久，数据的被窃取风险和丢失风险也就越高。

边缘计算应用场景三：蓬勃发展的车联网

当下伴随着智能驾驶、自动驾驶等新势力车企的的蓬勃发展，联网汽车数量越来越大，针对车联网用户的功能越来越多，随之车联网的数据量传输不断增加，对其延迟/时延的需求也越来越苛刻，尤其是汽车在高速行驶中，通信延迟应在几ms以内，而网络的可靠性对安全驾驶又至关重要。-边缘服务器

那么，在这个过程中如何满足车联网对传输速率的高要求？传统中央云计算由于经过多层级计算处理，延迟高、效率低，现在已不再能满足车联网的传输需求。而基于边缘计算解决方案，在近点边缘层已经完成对数据的过滤、筛选、分析和处理，传输距离短、延迟低、效率更高。相较云计算，车联网显然更加需要边缘计算来护航！-边缘服务器

（1）通过节点“下沉”的方式，可以在距离车辆最近的基站进行计算，短算计算距离

（2）车内边缘计算可实时提供实时车辆位置，利用低延迟效果与附近基站，提高可靠性。

（3）单一车量通过数据分析后得出结论，以极低延迟传送给临近区域内的其他联网车辆，可在区域范围内快速完成传递，驾驶员及时做出决策

边缘计算应用场景四：更加智慧智能的城市

就如开篇所言，把边缘计算比作“神经末梢”，而同时现在我们把基于互联网云脑模型的智慧城市建设架构称为“城市云脑”或者说“城市大脑”，边缘计算这里的角色就像是城市大脑的神经末梢，一方面采集数据信息，本地进行实时处理、预测，将本地处理提取的特征数据传输给云端大脑，另一方面将人工智能与分布在城市中的传感器结合，打通各系统平台，使得城市运营出现的诸多问题能够更加及时、有效的得到发现和处理！-边缘服务器

当然，边缘计算的应用场景远不止于上面列举的几种，边缘计算未来也将会在智能安防、智能家居、虚拟现实、区块链、远程监控等场景带给我们不同程度的惊喜。

关于边缘计算整个行业的前景而言

IDC在其发布的《中国制造业物联网市场预测2016-2020年》报告指出，2018年将会有40%的数据需要在网络边缘侧分析、处理与储存，到2020年中国制造业企业物联网支出有望达到1275亿美元，其中软件和服务合计市场占比或超过60%，而现阶段这个比例尚还不及10%。如今AWS、微软、英特尔等国外大型企业已经着手布局边缘计算，可以预见的是边缘计算之于云服务企业重要性可见一斑！-边缘服务器

关于很多人说，边缘计算会不会取代边缘计算？

其实也大可不必担心，本质上而言二者都是处理大数据的计算运行方式，是互为补充的关系。

只是边缘计算和云计算相比较而言，不同的是，数据不用再传到遥远的云端，在边缘侧就能解决，边缘计算更适合实时的数据分析和智能化处理，也更加高效而且安全。

如果说云计算是集中式大数据处理，那么边缘计算可以理解为边缘式大数据处理！

现阶段而言，边缘计算距离规模化落地还是需要一段时间，相关的解决方案也需要进一步完善和优化，对于很多边缘计算云服务商而言，还是需要沉下心来，好好做产品！

如何看待边缘计算

边缘计算对机器学习和培训很重要。迄今为止，人工智能的使用最经常集中在云上，因为典型的计算能力不仅仅是训练而且执行模型。然而，出于效率和差异化的原因（对设备制造商而言），将AI推向网络边缘存在一个主要趋势。为了理解这一趋势，我们必须深入研究当前的人工智能发展。机器学习，特别是深度神经网络（DNN）有两个发展阶段：-边缘服务器

· 模型训练：使用训练数据对模型进行改进（训练），以帮助他们执行特定的任务，如图像和语音识别或导航，这可能需要大量时间和计算资源。

· 推断：一旦模型得到训练，就可以提供新的例子和情况来提供输出，例如，模型尚未看到的照片，新的语音内容或机器人尚未遇到的新物理环境。该模型然后以分类或预测的形式提供输出，推断所需的资源取决于正在运行的模型。-边缘服务器

随着边缘设备数量的增加，尤其是物联网（IoT）增长的推动，AI的边缘需要不同的分布式方法和新的推理能力。学习将是分层次的，从基于原始数据的处理和机器学习开始，接近实时，最后以过滤和预处理数据为中心处理结束。-边缘服务器

谷歌已经将其DNN的几个级别转移到语音到文本的设备中，从而减少了服务器上的处理负载。谷歌将一些人工智能功能转移到边缘的决定也源于控制接口（如转向或语音通信）的延迟极大地影响了用户体验，而云无法保证实时，流畅的交互。 AI的分散化也降低了单点故障导致整个系统崩溃的风险。避免全面崩溃的能力对于像AI这样的发展中的不成熟技术至关重要。-边缘服务器

顺便说一句，如果你想知道更多硅谷或者美国科技的前沿信息，可以关注微信号“硅发布”。

边缘计算如何帮助保护物联网

物联网包括感知层，传输层和应用层，在感知层有些传感器会不断产生大量的重复数据需要进行加工，过滤和处理，如果将这些数据都实时上传到云端处理器，一方面增加了服务器的压力，另一方面网络带宽要求很高，会产生延迟，如果现场环境需要实时的反馈，就无法得到满足，或是糟糕的用户体验，因此针对这种频繁大数据量产生的感知层的传感器的数据采集时会部署边缘服务器，连接这些设备进行边缘计算，实时反馈部分控制指令，然后将处理后的数据上传到云端，例如RFID射频的系统通常会进行边缘计算进行数据过滤，人脸识别通常也会增加边缘计算用于摄像头采集图像的帧计算，所以边缘计算在某些物联网垂直应用里起到必不可少的作用-边缘服务器