Edge Computing

定義

• 架構本質：將資料處理、分析能力從核心資料中心下放到網路邊緣。
  • 若再把 AI 推論放到現場，就是 Edge AI。
• 運作方式：原始資料先在裝置端、本地節點、近端伺服器處理，不必全部送回雲端。
• 核心目標：降低延遲、減少頻寬消耗、提升隱私、強化可靠性。
• 常見場景：適合即時性高的情境，如：物聯網、工業自動化、智慧城市、自動駕駛、智慧監控、AI PC、智慧手機。

主要特點

• 低延遲：本地即時處理，避免雲端往返拖慢反應。
• 節省頻寬：先在邊緣端過濾、壓縮資料，只回傳關鍵資訊。
• 隱私、安全：敏感資料不必完整離場，可降低外洩風險。
• 離線能力：網路不穩、斷線、偏遠環境下，仍可維持基本功能。
• 分散架構：由感測器、攝影機、工控設備、終端裝置等多個節點共同組成。

與邊緣 AI 的關係

• 邊緣 AI：可視為邊緣運算在 AI 場景的延伸，把 AI 模型部署到裝置端、邊緣節點做本地推論。
• 概念層級：邊緣運算是基礎架構概念；邊緣 AI 更聚焦 AI 模型的本地推論、即時決策。
• 關係判斷：不是所有邊緣運算都含 AI；但多數邊緣 AI 都建立在邊緣運算架構上。

為什麼重要

• 即時決策：有些場景不能等雲端回傳結果，如：自動駕駛、工業機器人、監控辨識、無人機。
• 資料限制：隱私、法規、網路條件常限制資料全面上雲。
• 架構壓力：終端裝置愈多，集中式雲端的延遲、傳輸成本愈明顯。

常見應用

• 物聯網、智慧工廠：需要現場處理感測資料、設備狀態。
• 自動駕駛、車載系統：需要低延遲判斷、即時控制。
• 無人機：需要在飛行中本地判斷、快速反應。
• 智慧城市、監控系統：需要本地辨識、事件篩選、即時告警。
• 智慧手機、AI PC、智慧攝影機、人臉辨識：需要本地運算、隱私保護、流量節省。