自1956年在大学里把人工智能作为一个研究领域加入以来，人工智能在同等程度上经历了乐观和悲观两个时期。毫无疑问，今天我们看到的是一种非常乐观的态度。

数据科学是全球第三大热门职位。事实上，在我们最近关于西班牙边缘计算状态的研究中，数据科学家是西班牙公司最需要的专业人员，这个市场正在经历指数级增长，预计到2025年将达到1900亿美元。

人工智能在市场行业中的突出地位，使其不再是一种单一的技术，而是为不同行业提供不同用途的众多分支。

在被确定为最成熟和最接近生产阶段的趋势中，我们可以在日常生活中识别出这些趋势。例如，我们在与越来越像人类的聊天机器人交谈时使用的简单语言处理、使实时视频处理自动化成为可能的机器成像，以及带来更好搜索结果的语义搜索。

在另一个极端，至少 10 年内不会出现更多的未来主义。一些有趣的例子是 AI TRISM(信任、风险和安全管理)技术，它可以规范 AI 模型，使其对安全和隐私攻击更具弹性，以及转换器，它可以调整 AI 模型以适应环境并将对改进翻译、自动文档创建或生物序列分析等应用程序产生重大影响。

介于这两个极端之间的是其他使能技术，从部署到市场成熟需要两到五年的时间，这可以称为“人工智能的近期未来”。其中包括以人为本的人工智能、生成人工智能、人工智能的编排和自动化，以及在成熟度曲线上领先于所有其他人的边缘人工智能，也称为“边缘人工智能”(Edge AI)。 2021 年，Edge AI 即将成为成熟的技术。

边缘人工智能和工业世界的分布式智能革命

Edge AI 或 AI on the Edge 可以概括为在非常接近数据源的设备(物联网设备、边缘设备)上执行人工智能算法的能力。

这项技术正在呈指数级增长，并得到一项令人生畏的统计数据的支持：超过 60% 的工业组织没有部署云基础设施来帮助他们有效地进行创新。

那么，如果我们用放大镜观察 Edge AI 项目，我们将在 2022 年和 2023 年见证哪些最具颠覆性的趋势?

以下是我们前 5 名的摘要：

1、关键行业将成为主要驱动力：从 SCADA 到 Edge AI

在 Barbara IoT，我们发现处于边缘 AI 前沿的行业中存在重复模式：所有这些都处理许多关键的分布式资产。换言之，这些行业面临着来自技术碎片化、可扩展性和网络安全的巨大挑战。这些可以通过在边缘执行 AI 算法来最小化。我们可以预测，这些行业将开发出非常雄心勃勃且具有变革性的用例。

自 80 年代以来一直使用的 SCADA 系统在数据捕获和处理方面具有相似的目的。然而，SCADA 系统需要更现代的技术来补充，以便它们能够响应对互操作性、开放性和安全性日益苛刻的要求。这就是 Edge AI 可以提供帮助的地方：成倍增加这些系统的价值。

2、薄边将与厚边互补

当我们提到 Edge AI 时，对于“边缘”的含义有不同的解释。传统上，边缘被认为是离用户最近的网络运营商基础设施。例如，当我们谈论 5G 网络时，我们指的是运营商正在推出大量称为“多接入边缘计算”的节点，用于近距离数据处理。这些节点安装在与设计用于托管云服务的数据中心非常相似的服务器上，它们具有处理复杂人工智能算法的巨大潜力和能力。这就是一些分析师所说的“厚”边缘。

然而，最近开始开发另一种类型的边缘节点：直接连接到传感器和交换机的边缘节点，当安装在网关或集中器等低功耗设备上时，用于运行更简单的人工智能算法，响应时间更短，更接近到实时。这种称为“瘦”边缘的新型边缘将使我们能够快速灵活地处理大型项目，这些项目包括远程位置或对高安全性和数据隔离的要求。

3、 边缘网格作为实现分布式人工智能的新范式

Edge AI 传统上基于使用大数据训练的决策模型。该模型由一系列数学公式组成，安装在边缘节点上。从那里，每个节点都能够根据它接收到的数据和已安装的模型做出自己的决定。

这种被称为边缘网格的新范式使得一个节点的决策有可能受到另一个节点的决策的制约，就好像它是一个格状网络一样。了解这种新架构的强大功能的一个很好的例子是智能交通系统。

边缘节点可以使用考虑到传感器检测到的汽车和人员数量的人工智能算法来决定交通信号灯的时间。然而，这个决定可以由附近街道的其他节点做出的决定来完美补充。

Edge Mesh 的目的是在各个节点之间分配智能，以便提供比更传统架构更好的性能、响应时间和容错能力。

4、使用 MLOps 进行生命周期管理变得越来越重要

随着行业转向推出具有更多分布式节点和更复杂训练算法的 Edge AI，维持这些训练模型的生命周期以及执行它们的设备的能力将是这项技术未来的关键。

从这个意义上说，将 DevOps 理念应用于 AI 算法的开发、推广和维护的项目和公司将得到加强。

这种工作方式称为 MLOps，是机器学习和 DevOps 的结合。

但它到底是什么?基本上，它旨在通过设备和开发环境、测试和操作的持续集成来减少边缘模型上 AI 的开发、测试和实施时间。

5、 边缘人工智能实现主权数据交换

毫无疑问，数据共享对于改进行业部门的流程至关重要，价值链中有许多利益相关者。

让我们看看不久的将来的电网模型：智能电网。 为了能够获得或提供更好的服务，供应商必须能够分析和处理来自许多利益相关者(如产消者、运营商、分销商和聚合商)的信息。 如果没有透明、敏捷的数据交换，到 2050 年就不可能达到所需的网格优化。

借助边缘人工智能 ，可以进行集中式数据处理，这将有助于克服行业目前面临的一些障碍，例如数据安全、隐私和主权。