Edge Computing 入门指南: 边缘计算究竟是什么?
作为一种战略，边缘计算会将统一的环境从核心数据中心一直扩展到用户和数据附近的物理位置。通过采用混合云战略，企业可以在自己的数据中心和公共云基础架构（如AmazonWebServices、MicrosoftAzure或GoogleCloud）上运行相同的工作负载，同样地，边缘战略则将云环境扩展到更多地方。
如今，边缘计算已广泛用于许多行业，包括电信、制造、运输、公用事业等。同样地，企业实施边缘计算的原因也各不相同。
红帽如何将开源技术拓展到边缘
边缘计算应用场景
许多边缘用例都源于在本地实时处理数据的需要，因为某些真实应用场景中，将数据传输到数据中心进行处理会导致不可接受的延迟。
制造业现代化的制造厂就是因为实时数据处理需求而要实施边缘计算的一个例子。在工厂车间，物联网（IoT）传感器不断生成稳定的数据流，用于防止故障发生和改善运维。据估计，一个拥有2000台设备的现代化工厂每月可产生2200兆字节数据。在设备附近处理这些海量数据（而不是传输到远程数据中心再处理）速度会更快，成本会更低。但是，设备仍然需要通过一个集中的数据平台进行连接。这样一来，设备就可以接受标准化的软件更新，并共享过滤后的数据，帮助改善其他工厂地点的运维。
汽车行业车联网是边缘计算的另一个常见例子。公共汽车和火车都会配备计算机，以跟踪客流和服务交付。送货员可以通过卡车上配备的技术找到最高效的路线。当使用边缘计算策略进行部署时，车队中的每辆车都运行相同的标准化平台，这使得服务更加可靠，并确保数据能得到统一保护。
更进一步的是自动驾驶车辆，这是边缘计算的另一个例子，其中的关键是在网络连接可能不一致的情况下，如何处理大量实时数据。由于数据量巨大，类似无人驾驶汽车这样的自动驾驶车辆会处理车辆自身的传感器数据，以减少延迟。但这些车辆仍然可以连接到中央位置进行无线软件更新。
通信行业边缘计算也有助于使流行的互联网服务保持快速运行。内容交付网络（CDN）将数据服务器部署在靠近用户的地方，从而使繁忙的网站能快速加载，并支持快速视频流服务。
边缘计算的另一个例子就是我们身边的5G基站。电信服务提供商越来越多地应用网络功能虚拟化（NFV）来运行网络，即在网络边缘使用在标准硬件上运行的虚拟机。这些虚拟机可以取代昂贵的专有设备。边缘计算策略使提供商能在数以万计的远程地点保持软件的稳定运行，同时严守统一的安全标准。在移动网络中，应用靠近终端用户运行还可以减少延迟，有助于供应商提供新服务。
边缘计算和边缘AI是什么两者有什么区别
边缘计算是云计算的一种补充和优化。如果说云计算是集中式、在“云端”进行的大数据处理，那么，边缘计算则可以理解为边缘侧、靠近终端（例如手机、智能语音交互设备等）的大数据处理。在很多情况下，边缘计算和云计算是共生关系。有个形象的解释，把云计算和边缘计算比喻成章鱼的各器官，似乎更容易理解。作为自然界中智商最高的无脊椎动物，章鱼拥有“概念思维”能力，与两个强大的记忆系统分不开。一个是大脑记忆系统，大脑具有5亿个神经元，另一个是八个爪子上的吸盘。也就是说，章鱼的八条腿可以思考并解决问题。云计算就好比章鱼的大脑，边缘计算就类似于八爪鱼的那些小爪子，一个爪子就是一个小型的机房，靠近具体的实物。边缘计算更靠近设备端，更靠近用户。
具体而言，边缘计算有几个明显的优点：
带宽：边缘设备处理了部分产生的临时数据，不再需要将全部数据上传至云端，只需要传输有价值的数据，这极大地减轻了网络带宽的压力，且减少了对计算存储资源的需求；
延迟：在靠近数据源端进行数据处理，能够大大地减少系统时延，提高服务的响应时间；
经济性：某个应用如果使用云端，即使能从技术上解决带宽和延迟问题，但在边缘执行计算可能更划算；
可靠性：某个应用如果使用云端，即使能从技术上解决带宽和延迟问题，但到云端的网络连接并非一直可靠，而应用可能需要一直运作。在这种情况下，就要使用边缘计算了。例如人脸辨识门锁，如果网络连接断开，你希望门锁仍然正常工作；
隐私：某个应用如果使用云端，即使能从技术上解决带宽、延迟、可靠性和经济性等问题，可能仍有许多应用出于隐私考虑而需要进行本地处理。边缘计算为关键性隐私数据的存储与使用提供了基础设施，提升数据的安全性。
边缘计算因为其突出的优点，满足未来万物联网的需求，从2016年开始迅速升温，引起全球的密切关注。当然，边缘计算是一个持续迭代更新的概念，不同技术的融合，使得边缘计算的内核不断创新，例如人工智能和神经网络的应用，也正在赋能“边缘AI”的落地。得益于云端服务器广泛的数据计算能力，人工智能和机器学习领域取得了巨大进步，发展出更加综合性的人工神经网络，以解决富于挑战性的任务。随着机器学习、神经网络训练等网络架构和工具不断适配、兼容到嵌入式系统上，越来越多的AI应用也可以直接在边缘设备运行，于是“边缘AI”成为了当下讨论的热点。
边缘AI是指在硬件设备上本地处理的AI算法，可以在没有网络连接的情况下处理数据。这意味着可以在无需流式传输或在云端数据存储的情况下进行数据创建等操作。为了实现这些目标，边缘计算可以在云上靠深度学习生成数据，而在数据原点——即设备本身（边缘）执行模型的推断和预测。
目前，国际上尚未建立边缘人工智能的标准架构和统一算法，但各大厂商已经开始在相关领域进行探索。谷歌、亚马逊和微软等传统云服务提供商推出了边缘人工智能服务平台，通过在终端设备本地运行预先训练好的模型进行机器学习推断，将智能服务推向边缘。此外，市场上已经出现多种边缘人工智能芯片，如文章开篇提到的地平线旭日3、谷歌edgeTPU、英特尔NervanaNNP、华为Ascend910和Ascend310等。
二、边缘计算与5G
边缘计算与5G可以说是互为犄角的关系。
国际标准化组织3GPP定义了5G的三大场景。其中，eMBB指3D/超高清视频等大流量移动宽带业务，mMTC指大规模物联网业务，URLLC指如无人驾驶、工业自动化等需要低时延、高可靠连接的业务。5G通信网络更加去中心化，需要在网络边缘部署小规模或者便携式数据中心，进行终端请求的本地化处理，以满足URLLC和mMTC的超低延时需求，因此边缘计是5G核心技术之一。
边缘计算恰好可以解决5G三大场景面临的问题。首先，边缘计算设备将为新的和现有的边缘设备提供连接和保护；其次，尽管5G将为基于云的应用程序提供更好的连接性和更低的延迟，但仍然存在处理和存储数据的成本。混合边缘计算/5G解决方案将降低这些成本；最后，边缘计算可以让更多应用程序在边缘运行，减短了由数据传输速度和带宽限制所带来的延时，并可对本地数据做初步分析，为云分担一部分工作。
另一方面，5G与边缘计算一定程度上是相辅相成的。一方面，得益于5G自身发展，将对边缘计算的发展起到直接促进作用；另一方面，由于5G对物联网有促进作用，也将间接促进边缘计算发展。
三、边缘AI的使用场景
边缘AI因其流量占有少、时延低、隐私性强等特征，在各行各业具有广泛的应用前景。
智能手机
这或许是我们最熟悉的边缘AI设备。Siri和谷歌助手是智能手机上边缘AI的最好例证，因为该技术驱动了它们的语音UI。手机上的AI使得数据处理发生在设备（边缘）侧，这意味着不需要将设备数据交付到云端。这有助于保护隐私和减少流量。
智慧家居
随着物联网的普及，家庭生活将引入越来越多的智能应用，如智能照明控制、智能电视、智能空调等，这些应用需要在家庭部署大量的传感器和控制器。为了保护家庭数据隐私，数据处理必须依赖边缘计算，使大部分计算资源被限制在家庭内部网关，敏感的数据被禁止外流。通过边缘人工智能优化室内定位和家庭入侵检测，从而获得比云计算更高的准确性和更低延迟。例如AmazonEcho、谷歌Home等智能音箱被广泛应用，它们接收用户指令，并通过与第三方（服务或家用电器）的交互做出响应。然而智能音箱依赖云端进行语音识别、语言语义的理解和处理，会造成家庭数据隐私泄露，而应用边缘人工智能则能够有效解决这些问题。家庭娱乐也将从边缘人工智能受益，无需将用户偏好上传到云端，系统可自行推荐个性化服务，让用户拥有更好的娱乐体验。
无人机
无人机可以飞到人迹罕至的危险区域进行探险，并以特有方式拍摄鸟瞰图像。无人机的应用正在扩大，其中一方面包括农业中的应用，而另一方面是在采矿业中应用。然而，这些设备必须能够“电告总部（phonehome）”才能响应它们所收集的数据。边缘计算使无人机能够检查数据并实时响应数据。例如，百度智能云与麦飞科技一起将BIE-AI-Board（内置检测模型和作业模型）部署在无人机上，利用高光谱及可见光摄像头采集作物信息数据，将之上传至BIE-AI-Board，由BIE-AI-Board加载检测模型对作物病虫害位置、等级进行判断，并根据检测结果调用作业模型控制植保机执行植保作业，现该方案已在国内多块农田里开始实施。
智慧农业
农业也将同样受益于边缘AI。除了无人机的应用，还有利用基于边缘计算的农业物联网实现精准农业的应用等。例如，一家总部位于澳大利亚的农业技术公司TheYield，它使用传感器、数据和人工智能帮助农民做出有关天气、土壤和植物条件的明智决策。
公共安全
人脸识别系统是监控摄像头的发展方向，它可以通过学习人脸识别人类个体。2019年11月，WDS有限公司发布了AI摄像头模块Eeye，通过边缘AI实时分析面部特征。对于边缘计算的使用，即强化摄像头终端的运算处理能，可让其所搭载的人脸识别功能不再依赖云端服务器，避免耗费时间上传图像，节省了大量带宽资源。而且通过在本地设备上直接完成脸部辨识，进而让识别过程缩短至1.5秒内。
实时视频分析也是边缘AI最重要的应用场景之一。此前，视频分析一般在云端进行，面临着高流量消耗、延迟大等问题。随着边缘计算的发展，可以将部分视频分析工作转移到边缘节点进行。在末端，视频采集设备负责视频采集、压缩和图像/视频预处理。在边缘层，多个分布式边缘节点相互协作。在云端，由于边缘节点的分布式模型训练可能因其本地知识有限而未能经过良好训练，当边缘无法提供服务时，云利用全局知识进行进一步处理，并帮助边缘节点更新训练模型。
Tractica的一份报告估计：到2025年，人工智能边缘设备出货量将从2018年的1.614亿台增加到全球每年26亿台。就单位数量而言，顶级的人工智能边缘设备将包括手机、智能扬声器、个人电脑/平板电脑、头戴式显示器、汽车传感器、无人机、消费者和企业机器人以及安全摄像头。可穿戴式健康传感器、建筑物或设施传感器还将有更多人工智能。
车联网
车联网通过将车辆互联，提高安全性和效率，减少交通事故和避免拥塞。前期，蜂窝网络、边缘计算、AI都曾作为独立的技术为车联网服务。边缘计算能够为车联网提供高速数据传输、低时延等服务，使得自动驾驶成为可能。AI更是被广泛应用于智慧交通的各个领域。两者结合将有利于进一步优化车联网的性能，通过边缘人工智能实现车辆的精准定位、目标跟踪、智能感知和决策。
医疗健康
健康医疗已经进入数据时代。健康意识的普及使得医疗器械和终端越来越多样化，边缘人工智能将在智慧医疗领域有多个应用场景。首先是院前急救，在急诊病人到达医院或者两个医院转移期间，目前的紧急医疗服务大多部署在云端，容易受移动环境和极端天气的影响和限制。边缘人工智能可以在救护车和医院之间建立双向实时通信信道，实现实时自然语言和图像处理，提高及时性和效率。其次是智能可穿戴设备，目前的智能可穿戴设备受计算能力影响，只起到数据采集的作用。边缘人工智能在智能穿戴领域的研究正在进行，例如瓦伦西亚政治大学研究员贾米·安德列斯·林肯在可穿戴设备上部署边缘AI监测人类情绪等。未来，将有更多轻量级智能算法在终端上进行，实时监测、分析和预测健康数据，帮助人类更好地了解自己身体状况。
智慧城市
随着城市规模的不断扩大，数据呈现地理分布的特性，需要边缘人工智能模式提供对时延敏感设备的监控和智能控制。通过边缘计算支撑智慧城市大规模基础设施的计算和服务，可以实现终端设备的低时延应用，将时延要求高的任务部署在边缘节点执行。通过AI来协同和调度城市基础设施，应用到公共安全、健康医疗、城市管理、交通出行、智慧社区和其他领域，实现整个城市的资源最佳利用。
例如，关于交通拥堵问题，新加坡通过联网运输解决方案应对了巨大的交通挑战。其智能交通系统（ITS）已经形成了电子道路收费的先锋系统，随着交通量激增公路收费也随之增加。ITS还允许通过具有GPS功能的出租车提供实时交通信息，并整合公共交通结构，同时也能够使公交车更加准时。城市卫生条件也可以通过智能技术改善，如使用互联网连接的垃圾桶或物联网支持的车队管理系统进行废物收集和垃圾处理，或者是将传感器技术应用于智能废物容器，（它会自动感知什么时候垃圾到达容器的顶部，从而及时通知城市环卫部门收集垃圾）。
制造业
在工业制造领域，AI和边缘应用有望在智能工厂的发展中发挥越来越重要的作用。在工业4.0模式的推动下，下一代智能工厂将先进的机器人技术、机器学习技术应用于软件服务和工业物联网中，以提高产能和最大化生产效率。边缘计算和人工智能使用本地传感器控制和管理输出，能够显著地提高效率，减少误差。边缘系统可以在毫秒内响应输入，要么进行调整以修复问题，要么关闭生产线以防止出现严重问题。
四、边缘AI所面临的挑战
近两年，边缘智能产业生态逐渐构建，不过在形势大好的背后，边缘智能仍然面临着各种各样的难题。
其一，由于云计算服务的下沉，有些流量直接通过本地边缘智能平台流出。在传统核心网中，计算、控制、安全等均在核心网内部完成，如何对边缘智能平台的流量进行计费和控制，需要进行研究；同时边缘智能在实际的网络架构上有多种不同的部署规划，比如部署在无线接入云、边缘云及汇聚云，而不同的架构所面临的问题也略有不同。
其二，边缘智能所服务的对象以及场景较为多样化，如何使一套边缘智能平台适应多样化的第三方应用，也是目前面临的一个问题。
其三，因为业务的碎片化，边缘智能可能针对单一场景或者两三个场景进行部署，不仅需要在整个部署能力特性上进行明确定义，且需要考虑如何进行敏捷智能化的运维。
其四，如何更好地引入人工智能，发挥边缘计算的整体优势有待研究。
其五，协调如何将边缘智能平台内部基于OpenStack的平台管理子系统进一步轻量化，并考虑将一些微服务架构迅速地引入边缘智能平台，从而降低管理开销。此外，边缘智能的商业运营模式、部署位置、自愈和自动扩缩容等问题仍需要得到进一步的明确和解决。
当前，虽然边缘智能仍处于发展初期，不过作为下一波计算浪潮，从通信行业、互联网行业再到工业领域，普遍对边缘智能将要发挥的重大作用寄予了厚望。边缘智能作为使能5G三大典型应用场景的计算范式，把IT服务环境和云计算能力扩展到了移动网络边缘，必将与云端智能协同助力各行各业的数字化转型。随着5G的普及，相信不久将看到全球边缘AI服务成本的下降和需求的上升。返回搜狐，查看更多
云计算与边缘计算有什么区别和联系
为了寻求可扩展性、灵活性和安全性，企业越来越多地将其工作负载从数据中心转移到云计算平台。然而，数据中心需要对其网络进行现代化改造和扩展，才能实现更灵活的资源交付。边缘计算帮助这些网络提高性能（其中包括灵活的资源交付），并最终使云计算技术更接近最终用户。此外，人工智能和机器学习以及物联网等技术加速了云计算与边缘计算技术的发展，因为如今采用的智能设备无处不在。例如，物联网创建的数据加剧了将数据移近边缘的需求。它还强调了云计算需要为物联网和边缘计算面临的存储、安全、协作和可扩展性挑战提供解决方案。尽管上述因素已经影响了边缘计算和云计算在各行业应用的增长，但由于新冠疫情及其数字化转型活动的爆炸式增长，它们的需求在很大程度上进一步加速。以下了解云计算与边缘计算这两种极具影响力的技术之间的关系。什么是云计算？云计算是指在远程基础设施中执行工作负载的平台。这是一种计算类型，其中弹性和可扩展的IT支持功能通过全球互联网作为服务提供。如今，云计算影响着很多企业的整体战略和发展。除了更快的设置和更低的前期成本之外，云计算服务通过它们提供的灵活定价模式来降低运行成本。云计算还提供无限的按需计算并简化IT管理。什么是边缘计算？边缘计算是指在分布式设备上运行工作负载的做法，通常是在大型网络上。这种计算类型发生在数据源或用户的物理位置附近。边缘是指网络边缘的物理计算位置，由硬件和软件提供支持。边缘计算使计算和存储等工作更接近需要的地方。它将产生更大的带宽、更快的数据处理、更短的响应时间、更低的成本并确保数据主权。云计算和边缘计算的相似之处（1）自动化自动化代表着运营的未来，云计算与边缘计算都是自动化的推动者。例如电信公司正在通过软件定义的网络和5G在边缘推出网络自动化。人工智能和机器学习解决方案、智能设备数量的激增以及应用程序的自动部署支持企业边缘自动化。云平台还可以使企业工具和流程实现自动化，以降低或消除企业运营中对人工工作的依赖。云计算自动化还可以帮助企业优化其系统的安全性和效率。（2）简化分析 由于边缘计算和云计算都在大量非结构化、半结构化和结构化数据集上使用了许多高级分析方法，因此它们是为大数据分析而构建的。大规模的云计算与边缘计算基础设施提供了处理能力，可以轻松地从数据集中生成洞察力。（3）灵活的定价模式 云计算和边缘计算供应商提供的定价模型消除了与购买硬件和软件、在内部部署数据中心建立这些购买以及基础设施维护成本相关的资本支出。一些顶级供应商提供的定价模型取决于解决方案的使用和配置。（4）合规性 云计算与边缘计算平台在批准的管辖范围内对动态数据和静态数据进行加密和处理。遵守共享责任模型的供应商可以使用云计算与边缘计算来简化对全球和当地法规的合规性。云计算和边缘计算的区别（1）可扩展性与云计算网络相比，边缘计算网络在更加动态的条件下运行。因此，为了扩展资源，边缘网络需要强大的基础设施来及时扩展。此外，扩展必须考虑边缘计算生态系统中设备的异构性，因为其设备可以提供不同的能源考虑和性能水平。另一方面，云计算允许企业快速轻松地扩展网络、处理和存储能力，而不会造成中断或停机。（2）速度和敏捷性随着边缘计算解决方案将其计算和分析能力尽可能靠近数据源，边缘计算应用程序具有高度响应性。它们的吞吐量也得到了提升，因此对于某些用例，基于云计算的系统可能会被精心设计的边缘平台所超越。然而，云计算提供了可通过自助服务访问的企业服务，而不仅仅是边缘服务。这些服务是按需使用的，可在几分钟内部署。云计算提供的服务范围支持敏捷创新和新应用程序的快速开发。（3）安全性在边缘，数据可以直接在节点之间传输，无需与云平台进行任何通信。为了保护边缘计算设备，需要能够在资源最受限的设备上运行的独立于云计算的加密机制。但是，与云平台的有限交互确保了敏感数据在传输过程中被拦截的可能性较小。借助云计算技术，提供商可以通过实施先进的技术、框架、控制和政策来增强其网络安全态势。与边缘计算相比，实施端到端加密协议的相对容易性也简化了数据保护。（4）可靠性在配置良好的边缘网络中，少量节点的丢失不会限制服务的效率。冗余基础设施可以确保维持业务连续性。此外，边缘计算可以在没有互联网访问的情况下运行。云计算通常比边缘计算提供更高的可靠性。其集中式架构使得灾难恢复、数据备份和业务连续性比边缘计算更便宜。然而，为了可靠地运行，云计算需要强大的服务器端和客户端互联网连接。云计算的用例（1）备份和灾难恢复 备份即服务(BaaS)和灾难恢复即服务(DRaaS)是一些核心云计算用例。企业开始向云迁移的最直接方法之一是采用备份解决方案。恢复云备份速度很快，可以防止企业遭受灾难性损失。灾难恢复可以确保企业在发生灾难时从停机中恢复。将云计算用于灾难恢复目的可确保快速故障转移，而无需构建和维护基础设施。（2）软件即服务(SaaS) SaaS技术使企业能够存储、组织和维护数据。SaaS工具和解决方案也称为按需使用的软件，托管在云平台中，可以随时随地访问。（3）基础设施即服务(IaaS) 云计算使企业能够通过在服务提供商运营的数据中心中托管数据来放弃资本支出，转而支持运营支出。这有助于企业避免昂贵的基础设施投资，并通过云计算技术轻松访问数据。边缘计算的用例（1）自动驾驶汽车随着车辆获得更高水平的自主性，它们需要更大的决策能力，因为它们必须做出更多决策。自动驾驶汽车一直在发送、接收、创建和聚合数据，它们需要持续的连接。边缘计算使这些自动驾驶车辆能够以低延迟在自身与数据中心之间进行通信，从而使这些车辆能够即时学习和做出决策。（2）智能电网边缘计算可帮助组织改善能源消耗管理。连接到边缘平台的物联网设备和传感器可用于跟踪能源使用情况，并进行实时消耗分析。（3）预测性维护通过将数据处理和存储转移到更靠近设备的位置，物联网设备和传感器能够以低延迟监控设备运行状况并，进行实时分析。这使制造商能够在故障发生之前分析他们的生产线并识别变化。云计算和边缘计算面临的挑战云计算和边缘计算都面临着动态的挑战，尽管它们带来了许多好处。与边缘计算相比，云计算面临更高延迟的可能性，因为数据必须在云计算服务器中往返。此外，由于数据必须通过全球互联网传输，因此存在被威胁者拦截的风险。最后，云计算需要持续的互联网连接。随着企业将数据和计算转移到边缘，边缘计算增加了网络带宽需求。边缘计算加速了整个网络对更大带宽的需求。此外，在边缘和核心都拥有计算意味着应用程序数据在各个方向上导航网络，处理访问权限和共享数据，这可能会产生安全和延迟问题。云计算和边缘计算的未来发展随着云计算和边缘计算继续证明它们可以相互补充，它们将影响网络基础设施的未来发展，特别是因为它们对于推出5G等举措都是必不可少的。边缘计算和云计算的使用将继续开辟更多的收入途径，同时发展工业4.0等垂直行业。超大规模云计算提供商将越来越多地利用混合云和边缘模型，因为分布式边缘和云计算架构进一步提高数据处理速度、降低延迟并支持各种自主设备的增长。边缘计算和云计算的区别是什么与终端设备的关系是什么
“只在此山中，云深不知处”这是一句人尽皆知的古诗词，用来形容云计算也是很合适的，云计算就是在远端的计算，用户知道它就在那里但是并不知道也不需要知道它具体在何处。
[[419789]]
为了方便大家理解，我们通过一个简单易懂的例子来说明，我们都知道VR游戏逼真好玩，这种逼真的视觉效果是建立在大量的实时计算渲染的基础上的，为了满足巨大算力以及实时性的要求，通常会配有一个主机设备，要么背负在身上，要么用一根线缆连接主机。
不管是负重还是线缆都是为了及时将计算的图形数据传输到头显设备上，很多人可能会问如果用无线网络取代不是可以提高体验吗?是这样的，服务器进行运算渲染，数据通过网络传输到VR眼镜呈现，这就是云计算。可是这种看似完美的解决方案在实际的使用中会有很多的问题，玩家可能距离云服务器很远，大数据量的传输会造成很大的延迟，影响体验。
所以我们要继续完善解决大量数据远距离传输的时延问题，这就需要在靠近玩家的地方设立服务器，将一些实时的计算交给就近的服务器，这样传输的时延问题也就解决了，这就是边缘计算，因为它更加的靠近客户端。
VR游戏最初的计算渲染是在用户身边，为了摆脱羁绊提高游戏体验我们将计算渲染放到了边缘计算服务器上，云计算服务器则处理一些对时延要求不高的业务，“云、边、端”的结合一起提供了一个更好的解决方案。我们回头再看这个案例的云、边、端三方：
云计算：按服务类型云计算可以分为：基础设施即服务(IaaS)、平台即服务(PaaS)和软件即服务(SaaS)，但是不管哪一种都是将计算资源集合起来形成共享池，用户可以根据计算量的需要弹性的进行扩展部署，并且拥有更好的安全，容灾处理等。边缘计算：在靠近人、物或数据源头的网络边缘侧，通过融合了网络、计算、存储、应用等核心能力的开放平台，就近提供服务来满足实时、安全与隐私保护等方面的关键需求，并提供高带宽、低时延的传输能力，同时通过业务面下沉形成本地化部署，来有效降低对网络回传带宽的要求和网络负荷。端(比如本案例的VR头显)：去掉了计算主机大大降低了成本，头显只需要实时的呈现通过边缘计算的画面并受云计算服务器的控制。
云计算、边缘计算与终端的结合，本质上是通过重新部署和分配计算资源来更好的满足用户的需求。不仅仅是VR领域，“云、边、端”相结合的解决方案在很多行业都产生了极大的价值，比如VDI(虚拟桌面基础架构)架构模式在各行业的应用。但是这种模式也有一些不完善的地方，比如严重的依赖网络，如果网络出现问题那么VR头显将毫无用处，这只是游戏影响还不大，采用VDI架构的客户在面临网络问题时无法工作造成的损失和影响会很大。
要解决这个问题就要将“云、边、端”的算力重新分配，其中部分算力分布在终端，这就是英特尔推出的，包括IDV(智能桌面虚拟化)和TCI(透明终端架构)的超能云终端，有效的解决了传统云终端VDI形式的不足。超能云终端因为在本地拥有算力和存储，采用分布式计算，算力分布在终端，这样就可以满足离线也能办公，兼容多样化的外设等需求。
采用超能云终端的好处是显而易见的，比如医院即便网络出现问题也不耽误治病，学校的多媒体教室上进行考试可以断开网络等，因此以IDV为代表的新型云终端在快速的占领市场，根据著名市调机构IDC的预测：到2025年，VDI与IDV产品出货量累积将超过470万台，且未来五年复合增长率将达到20.7%，其中VDI产品出货量将保持稳定，未来五年CAGR为8.1%;而新型云终端代表IDV产品的出货量未来五年CAGR将达到28.0%。
下面，我们看一些超能云终端的实际案例，可以对云、边、端有更深的认知
电信行业：电信营业厅有大量的电脑，各种业务还需要连接打印机等不同外设，传统的VDI架构无法满足需求，此时就需要采用IDV超能云终端架构。而电信营业厅的分布比较分散，可以将具有较强存储能力的边缘服务器作为中继服务器，将镜像发至各终端，并实现镜像的更新，从而完成对终端设别的集中管理。
超能云终端解决⽅案⼀⽅⾯可以通过边缘服务器的节点管理来提⾼电信企业对终端设备的集中管理效率，也可以兼容各类外设;另⼀⽅⾯备⼀定的终端算⼒，可以降低服务器压⼒与⽹络时延，保障系统的稳定可靠。
医疗行业：
医院是一个很典型的使用场景，以北京同仁医院为例，该院在册计算机终端2000+，每月与PC相关的故障平均150+，占总报修故障30-40%，占总维修工时约50%，PC终端日常运维管理成为目前信息中心工作量占比最高部分。在升级改造中该医院选中了VDI和IDV两种方案并对常用业务进行对比，对比测试结果显示IDV方案在业务应用测试、外设兼容测试、终端可靠性测试、和方案灵活性上有明显的优势，在系统兼容性和管理便捷性上两者相当。以发热门诊科室为例，部署IDV方案后，端月均报修事件从300余次减少到50余次重点区域现场维修维护减少50%;终端报修恢复时效从平均1.5小时缩短到20分钟，运维成本大大降低。
除此之外，在疫情还未完全消散的当下，采用IDV方案还可以减少运维人员的行动，让疫情控制更加的容易。
教育行业：
多媒体教室是大家熟悉的场景，但是学校不仅有多媒体教室还有众多的办公电脑，在多媒体教室中不同的课程需要的课件、镜像等都不同，采用超能云终端则可以很好的解决面临的问题。
通过对镜像进⾏差异化更新、分级下载等技术快速分发镜像并进⾏批量管理，配置终端设备，在离线状态下也可以保障上课不中断。实现教育局下辖上百家学校，数千台终端的集中批量管理维护。满⾜不同教师的个性化课件展⽰要求。让终端流畅播放⾼清或4K视频。根据考试、教学、设计等不同应⽤环境针对性地部署镜像，将各类教学资源部署在同⼀台终端设备上实现“⼀机多⽤”，并最⼤程度降低IT的运维难度。
结语：
不管云计算还是边缘计算都是当下炙手可热的技术，弄清云计算与边缘计算的区别固然重要，更重要的是不同行业如何利用“边、云”的协同更好的改进和完善业务。传统的VDI方案已经很好的利用了云计算或“边、云”协同的优点提供了成熟的解决方案。然而在现实的生活中因为各行业业务的复杂性，端侧也有了更高的要求，传统VDI架构的弊端越来越明显，超能云终端的出现则在外设与软件兼容性、复杂的集中管理、个性化配置以及英特尔处理器支持等方面具有很大优势，有效的解决了这些问题。在“云、边、端”的结合与协同方面超能云终端显然做的更好，因此也更受欢迎。
在教育、医疗、通信、金融、工业制造、政务等行业的数字化转型中超能云终端起到了巨大的作用，推动了企业和行业的发展。使用超能云终端解决方案已经成为一种趋势，希望更多的行业，更多的企业注册并使用超能云终端，降低成本、提交效率对企业而言是一种竞争力。