gydtep

边缘AI补充了云AI，可在需要时提供对即时决策的访问，并利用云获得更深入的见解或需要更广泛或更纵向的数据集来推动解决方案的见解。

gydtep

例如，在连接的汽车中，汽车上的传感器会提供实时数据流，该数据流会不断进行处理并做出决策，例如施加制动器或调整方向盘。可以将相同的传感器数据流式传输到云中以进行长期的模式分析，从而可以警告所有者急需的维修，从而可以防止将来发生事故。另一方面，云AI对边缘AI进行了补充，以推动更深入的见解，调整模型并继续增强他们的见解。

gydtep

在其他情况下，云AI训练可能会导致神经网络模型具有过多的层次，无法在边缘设备上有效运行。在这些情况下，边缘AI可以运行较轻的神经网络，从而创建输入的中间表示形式，该中间表示被压缩得更多，因此可以发送到云中以进行进一步的AI处理。在训练期间，边缘和云AI可以以混合模式运行，以提供类似于“虚拟主动学习”的功能，在这种情况下，边缘AI筛选大量数据并“教导”云AI。

gydtep

边缘AI芯片组中受支持的神经网络架构的类型是有限的，并且通常比在云中可以实现的功能落后几个月。解决这些局限性的一种有用方法是使用编译器工具链和堆栈，例如Apache TVM，它们有助于将模型从一个平台移植到另一个平台。

gydtep

另一种方法是使用已知可以在边缘AI中很好地工作的网络体系结构，并直接为目标平台训练它们。他发现，鉴于训练数据的数量和种类足够多，就绝对性能而言，这种方法通常可以胜过跨平台编译器方法。但是，它还需要在培训期间以及预处理和后期处理中进行一些手工操作。

gydtep

边缘和云AI之间的常见折衷

开发人员需要在云和边缘AI之间进行权衡的一些最常见的折衷方案包括：

处理能力：边缘计算设备通常功能较弱，并且难以更换或升级。

gydtep

从以上对比中我们可以看出智能分析技术的好处，但从这些年智能分析技术的应用来看，其并未实现大面积商用，究其原因主要是过去技术不够成熟、应用效果不够理想，传统的智能分析技术由于算法是人为根据不同的场景和应用需求进行设计，在适应性上需要人为不断的改善和提升，在特定的环境下有良好的性能，但是一旦环境等因素发生变化，传统的智能分析算法在应用上的性能就会降低。

gydtep

电气工程发展了上百年，其中各个子领域的可观察性都在进行完善和升级，例如交通工具（汽车/飞机等）也算的是可观察性上的集大成者。抛开飞机这种超级工程不谈，一辆可正常上路的小型汽车内部也有上百种的传感器用来检测汽车内/外部的各种状态，以便让汽车可以稳定、舒适、安全地的行驶。

gydtep

随着上百年的发展，电气工程下的可观察性已经不仅仅用来辅助人们进行问题检查和定位问题，我们以汽车工程来看，整个可观察性的发展经历了几个过程：

gydtep

盲目：1886年1月29日德国人卡尔·本茨发明了人类史上第一辆汽车，那个时候的汽车仅仅具备行驶的最基础能力，根本没有任何和可观察性相关的事情。