边缘计算的概念与典型应用场景
边缘计算技术的应用场景
边缘计算技术的应用场景随着物联网技术的快速发展，越来越多的设备和传感器连接到互联网，产生了海量的数据。
为了处理这些数据并满足用户对实时性和低延迟的需求，边缘计算技术应运而生。
边缘计算是一种将计算资源和数据推近物联网边缘的技术，通过在本地处理数据，可以减少数据传输和云端处理的负载，提高数据处理的效率和速度。
目前，边缘计算技术已经在各个领域得到广泛应用。
以下是几个典型的边缘计算技术应用场景。
1. 智能交通边缘计算在智慧交通领域的应用是非常广泛的。
例如，通过在交通信号灯、摄像头和车辆之间部署边缘计算设备，可以实现实时的交通监控和智能交通管理。
边缘计算能够在本地分析交通数据，通过即时处理结果，生成实时交通状况报告，包括拥堵情况、车辆流量等。
这些实时数据可以帮助交通管理部门更好地规划交通路线，减少交通拥堵，提高路网的使用效率。
2. 工业自动化在工业自动化领域，边缘计算技术也得到了广泛应用。
工厂中的机器和设备通常具有传感器，可以实时采集到大量的数据。
通过使用边缘计算技术，这些数据可以即时分析和处理，提供给工程师和操作员实时监控和预警。
边缘计算还可以在本地进行故障诊断和维护预测，提高设备的可靠性和效率。
此外，边缘计算还可以提供实时的仓储管理和物流追踪，优化物流流程，降低成本。
3. 医疗健康边缘计算在医疗健康领域的应用也非常重要。
通过在医疗设备和传感器上部署边缘计算设备，可以实时监测病人的生理参数，并提供远程医疗服务。
边缘计算技术可以将采集到的数据发送到云端进行分析和存储，同时也可以在本地进行实时数据处理，通过提供实时警报和反馈，提高医疗的及时性和准确性。
此外，边缘计算还可以支持移动医疗设备，如智能手环、智能手表等，实时监测用户的健康状况，并提供个性化的健康管理建议。
4. 零售业边缘计算技术在零售业也有广泛的应用。
通过在商场或超市内部部署边缘计算设备，可以实时监测商品的销售情况和库存数量。
通过对数据进行实时分析，商场可以对销售策略进行调整，优化商品陈列和促销活动。
边缘计算技术快速上手教程
边缘计算技术快速上手教程边缘计算是一种基于网络边缘的分布式计算模式，旨在将计算资源和数据处理能力尽可能地靠近数据源或终端设备，以提供即时的计算和处理能力。
边缘计算技术的快速上手对于如今不断增长的物联网和移动设备产生的大规模数据处理需求至关重要。
本文将为您介绍边缘计算技术的基本概念和应用，并提供快速上手教程。
一、边缘计算的基本概念边缘计算将计算资源和服务从传统云计算中心向网络边缘靠拢，近距离提供数据处理、计算和存储能力。
边缘计算的核心理念是将计算任务尽可能地放置在距离数据源更近的位置，减少数据传输延迟和带宽消耗，提高即时性和用户体验。
边缘计算技术的基本特点包括：1. 近距离：计算资源和服务尽可能靠近数据源或终端设备，减少数据传输距离和时延。
2. 分布式：边缘节点组成的分布式计算网络，可支持大规模的并行计算和数据处理。
3. 弹性扩展：边缘节点具备灵活的资源扩展能力，可根据实时需求进行快速扩容和削减。
4. 安全保密：边缘计算具备本地数据处理能力，可以在数据源附近进行加密和安全存储，减少数据泄露风险。
二、边缘计算的应用场景边缘计算技术广泛应用于各种领域，如智能制造、智能交通、智慧城市、物联网以及移动互联网应用等。
以下是一些典型的应用场景：1. 智能制造：边缘计算可以在工厂车间附近的计算节点上对生产线数据进行实时分析，提高生产效率和质量控制。
2. 智能交通：利用边缘计算技术，可以在道路边缘设备上进行实时的车辆监控和交通流优化，提高交通管理的效率和安全性。
3. 智慧城市：边缘计算可用于城市中的公共设施监测和能源管理，在低延迟的条件下智能化城市基础设施。
4. 物联网：边缘计算可以提供实时的数据采集和处理能力，支持物联网设备之间的通信和智能决策。
5. 移动互联网应用：利用边缘计算技术，可以在移动设备附近的边缘节点上实现低延迟的内容分发和数据处理，提高用户体验。
三、边缘计算技术的快速上手教程要在边缘计算技术领域快速上手，您需要掌握以下几个重要步骤：1. 了解边缘计算平台和框架：边缘计算平台和框架是进行边缘计算开发的关键工具。
边缘计算在智能制造中的应用
边缘计算在智能制造中的应用
随着物联网技术的飞速发展，人们对智能制造的需求也越来越高，
而边缘计算作为一种新型的计算架构，在智能制造领域也渐渐展现出
其应用价值。
一、边缘计算在智能制造中的背景及概念
边缘计算是指在物联网和云计算之间的一种分布式计算架构，通过将
计算、存储、网络等资源移到离发生数据的地方更近的地方进行处理，从而降低数据传输的延迟和提升处理效率。
二、边缘计算技术在智能制造中的应用
1.实时监控与控制
边缘计算可以通过在工厂生产线上的传感器、控制器等设备上安装智
能终端，实时采集生产过程中的数据并传输到边缘计算设备上进行处
理和控制，从而实现对生产过程的实时监控和控制，提高生产线的效
率和质量。
2.智能诊断与维护
边缘计算可以通过对设备的实时采集数据，结合机器学习和大数据技
术进行数据分析和处理，快速诊断设备的故障并及时做出维修决策，
提高设备的可靠性和维护效率。
3.实现柔性生产
边缘计算可以通过对生产线上的数据进行实时分析，根据生产需求快速调整设备，实现生产的柔性化和智能化。
4.增强数据安全性
边缘计算可以通过在物联网设备上加密，并在边缘设备上进行数据安全管理，加强设备和数据的安全性，防止网络攻击和数据泄漏。
三、结语
边缘计算技术的应用不仅可以提高智能制造的生产效率和质量，还可以增强设备和数据的安全性，对于推动智能制造的发展具有积极的意义。
未来，边缘计算技术的应用将更加广泛和深入，成为智能制造的重要支撑。
边缘计算技术的核心概念与定义解析
边缘计算技术的核心概念与定义解析边缘计算（Edge Computing）是一种分布式计算模型，旨在将计算和存储资源靠近数据源和终端设备，以提供低延迟、高带宽和快速响应的计算服务。
近年来，随着物联网、人工智能和大数据等技术的快速发展，边缘计算被广泛应用于各种领域，包括智能家居、智慧城市、工业自动化等。
核心概念：1. 去中心化：边缘计算的核心理念是将计算资源从传统的集中式云端向离数据源和终端设备更近的边缘部署。
这种去中心化架构可以减少数据在传输过程中的延迟，并提供实时响应。
同时，去中心化还可以降低对云端计算资源的依赖，减轻网络压力。
2. 数据处理：边缘计算技术将数据的采集、处理和分析推向数据源和终端设备附近的边缘节点。
这些边缘节点可以是智能手机、路由器、传感器等。
通过在边缘节点上进行本地数据处理，可以减少数据的传输量，提高响应速度，并减少对网络带宽和云端计算资源的需求。
3. 实时响应：边缘计算的主要目标是提供实时的计算服务和即时响应。
相较于传统的云计算模型，边缘计算能够更快地处理和分析数据，并立即返回结果。
实时响应是许多应用场景中的关键要求，如自动驾驶、工业自动化和虚拟现实等。
4. 安全性：边缘计算技术也注重数据的安全性和隐私保护。
由于边缘节点更接近数据源和终端设备，数据可以在本地进行处理和存储，减少敏感数据的传输，从而降低了数据泄露的风险。
定义解析：边缘计算的定义可以从不同角度来解析，以下是一些常见的定义解析。
1. 技术角度：边缘计算是一种将计算能力和存储资源推送到离数据源和终端设备更近的边缘位置的计算模型。
通过在边缘节点上进行数据处理和分析，可以实现低延迟、高带宽和快速响应的计算服务。
2. 应用角度：边缘计算是一种为物联网、智慧城市、工业自动化等应用场景提供实时计算和即时响应的技术。
通过将计算和存储资源置于边缘位置，可以实现更高效的数据处理和更快速的应用服务。
3. 网络角度：边缘计算是一种利用网络边缘节点进行数据处理和存储的计算模型。
边缘计算在通信领域中的应用
边缘计算在通信领域中的应用边缘计算是一种新兴的计算模式，它将计算资源从云端向边缘设备移动。
在通信领域中，边缘计算可以为网络带来更高的效能和更好的用户体验，使得网络更加智能、灵活和安全。
一、边缘计算的概念和应用边缘计算是一种分布式计算系统，它将计算资源移到距离数据生成或使用点更近的位置。
这样做的好处是可以节省通信资源和时间，提高计算效率和数据安全性。
边缘设备可以是智能手机、传感器、路由器、交换机等，这些设备可以处理数据、存储数据和进行分析，从而降低数据传输的负载，提高网络响应速度和稳定性。
在通信领域中，边缘计算可以应用于很多领域，比如无线网络、物联网、蜂窝网络、智慧城市等。
举例来说，为了提高视频传输的效率和质量，可以在边缘设备上进行视频编码和解码，降低传输的负载和延迟。
在物联网中，可以将物联网设备上的数据处理任务分发到即将离线的网关设备上，从而实现实时处理和分析。
二、边缘计算的优势相比于传统的云计算模式，边缘计算具有以下优势：1.降低网络传输延迟：边缘设备通常位于数据源或者数据使用者的附近，可以更快地处理数据，从而降低了网络传输的延迟。
2.减少网络流量：边缘设备可以处理、存储和分析数据，从而降低了数据传输的负载，减少了对网络的压力。
3.提高数据隐私性：边缘设备对数据的处理和分析可以在本地进行，不需要将数据传输到云端，从而提高了数据的隐私性。
4.提高可靠性和安全性：在边缘设备上进行的数据处理和分析可以在本地进行，减少了对云端系统的依赖，从而提高了系统的可靠性和安全性。
三、边缘计算在通信领域中的应用1.智能家居：智能家居系统通常涉及到很多传感器和控制设备，以及云端服务器的协同工作。
在这种场景下，边缘计算可以在本地进行数据处理和控制，减少对云端服务器的依赖。
2.视频监控：视频监控系统通常需要大量的数据传输和存储，同时需要实时的数据处理和分析。
在这种场景下，边缘计算可以在本地进行视频编解码、图像分析和人脸识别等任务，从而减少了对网络带宽和延迟的依赖。
边缘计算的9个实际应用
边缘计算的9个实际应用边缘计算是一种分布式计算模型，其主要特点是将计算和数据处理从传统的云数据中心转移到网络设备的边缘，以减少延迟、提高带宽利用率和保护数据安全。
边缘计算在各个行业都有广泛的应用，以下是其中的9个实际应用：1.智能交通系统：边缘计算可以将传感器、摄像头等设备部署在道路交通设施附近，并利用边缘服务器进行实时数据处理和计算，从而实现交通信号优化、拥堵检测和车辆定位等功能，提高交通运输效率和安全性。
2.工业制造：边缘计算可以将传感器和执行器部署在工厂设备上，并利用边缘服务器进行实时数据分析和预测性维护，从而实现设备故障检测、生产优化和质量控制等功能，提高生产效率和产品质量。
3.智能城市：边缘计算可以将传感器和摄像头部署在城市基础设施上，并利用边缘服务器进行实时数据处理和计算，从而实现垃圾管理、能源利用和公共安全等功能，提高城市管理效率和居民生活质量。
4.医疗保健：边缘计算可以将传感器和监测设备部署在病人身上，并利用边缘服务器进行实时数据分析和诊断，从而实现健康监护、疾病预测和远程医疗等功能，提高医疗服务效率和患者生活质量。
5.个人物联网：边缘计算可以将智能设备和传感器部署在个人身边，并利用边缘服务器进行实时数据处理和计算，从而实现智能家居控制、身体健康监测和智能手环等功能，提高个人生活便利性和健康管理效果。
6.农业智能化：边缘计算可以将传感器和气象设备部署在田地和农场附近，并利用边缘服务器进行实时数据分析和预测，从而实现精准农业、温室管理和智能灌溉等功能，提高农作物产量和质量。
7.零售业：边缘计算可以将传感器和摄像头部署在商店附近，并利用边缘服务器进行实时数据处理和分析，从而实现顾客行为分析、库存管理和人脸识别等功能，提高销售效率和用户体验。
8.金融行业：边缘计算可以将传感器和监测设备部署在金融机构分支机构，并利用边缘服务器进行实时数据分析和风险控制，从而实现身份验证、欺诈检测和交易监控等功能，提高金融安全和服务效率。
什么是边缘计算
边缘计算是在靠近物或数据源头的网络边缘侧，通过融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务。
简单点讲，边缘计算是将从终端采集到的数据，直接在靠近数据产生的本地设备或网络中进行分析，无需再将数据传输至云端数据处理中心。
目录•为什么需要边缘计算？•边缘计算VS 云计算•边缘计算是如何工作的？•边缘计算的典型应用为什么需要边缘计算？物联网技术的快速发展，使得越来越多具备独立功能的普通物体实现互联互通，实现万物互联。
得益于物联网的特征，各行各业均在利用物联网技术快速实现数字化转型，越来越多的行业终端设备通过网络联接起来。
然而，物联网作为庞大而复杂的系统，不同行业应用场景各异，据第三方分析机构统计，到2025年将有超过千亿的终端设备联网，终端数据量将达300ZB，如此大规模的数据量，按照传统数据处理方式，获取的所有数据均需上送云计算平台分析，云计算平台将面临着网络时延高、海量设备接入、海量数据处理难、带宽不够和功耗过高等高难度挑战。
为了解决传统数据处理方式下时延高、数据实时分析能力匮乏等弊端，边缘计算技术应运而生。
边缘计算技术是在靠近物或数据源头的网络边缘侧，通过融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务。
简单点讲，边缘计算是将从终端采集到的数据，直接在靠近数据产生的本地设备或网络中激进型分析，无需再将数据传输至云端数据处理中心。
边缘计算VS 云计算边缘计算的概念是相对于云计算而言的，云计算的处理方式是将所有数据上传至计算资源集中的云端数据中心或服务器处理，任何需要访问该信息的请求都必须上送云端处理。
因此，云计算面对物联网数据量爆发的时代，弊端逐渐凸显：•云计算无法满足爆发式的海量数据处理诉求。
随着互联网与各个行业的融合，特别是在物联网技术普及后，计算需求出现爆发式增长，传统云计算架构将不能满足如此庞大的计算需求。
•云计算不能满足数据实时处理的诉求。
边缘计算机的概念和应用
边缘计算（Edge Computing）是一种分布式计算技术，将计算、存储和网络连接部署
在数据生成和消费的地理位置附近。
与传统的云计算不同，边缘计算将数据处理任务
从数据中心转移到边缘设备（如智能手机、传感器、边缘服务器等），从而使数据处
理能力更加接近数据的来源。
边缘计算具有以下特点：
1. 低延迟：在数据处理任务在边缘设备进行时，可以降低数据传输与处理过程所需的
时间，提高系统反应速度。
2. 节省带宽：通过在边缘进行数据处理和过滤，可以减少需要发送到云端的数据量，
从而节省网络带宽。
3. 分布式处理：边缘计算在多个边缘节点执行计算任务，提高了整个网络系统的弹性
和可用性。
4. 数据隐私与安全：边缘计算只将部分必要的数据发送至云端，有助于保护用户隐私，降低数据泄露的风险。
边缘计算的应用场景包括：
1. 物联网（IoT）：边缘计算可以满足物联网设备的低延迟、实时数据处理和能耗等需求，适用于智能家居、工业互联网、智能城市等场景。
2. 自动驾驶：实时性要求较高的自动驾驶汽车需要在本地进行大量数据处理，边缘计
算能够满足这一需求，以提高实时决策的精度和速度。
3. 5G网络：随着5G网络技术的发展，边缘计算在低延迟、高带宽、高可靠性等方面
具有优势，可以为5G应用提供支持。
4. 内容分发和缓存：通过在边缘节点部署内容缓存，可以缩短用户请求内容时所需的
传输路径，提升用户体验。
总的来说，边缘计算作为一种有效提高传输速度、降低延迟、保护隐私的计算技术，
适用于需求实时性强、低延迟的数据处理应用场景，尤其是物联网、5G网络以及自动
驾驶等领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
边缘计算成为物理世界与数字世界间的重要桥梁。
边缘计算（Edge Computing）是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
它可以作为联接物理和数字世界的桥梁，使能智能资产、智能网关、智能系统和智能服务。
参考边缘计算联盟（ECC）与工业互联网联盟（AII）在2018年底发布的白皮书中对边缘计算的定义，作为连接物理世界与数字世界间的桥梁，边缘计算具有连接性、约束性、分布性、融合性和数据第一入口等基本特点与属性，并拥有显著的“CROSS”价值，即联接的海量与异构（Connection）、业务的实时性(Real-time)、数据的优化(Optimization)、应用的智能性(Smart)、安全与隐私保护(Security)。
边缘计算的基本特点与属性边缘计算具有显著的“CROSS”价值联接的海量与异构(Connection)，网络是系统互联与数据采集传输的基石。
伴随联接设备数量的剧增，网络灵活扩展、低成本运维和可靠性保障面临巨大挑战。
同时，工业现场长期以来存在大量异构的总线联接，多种制式的工业以太网并存，如何兼容多种联接并且确保联接的实时可靠是必须要解决的现实问题。
业务的实时性(Real-time)，工业系统检测、控制、执行，新兴的VR/AR等应用的实时性高，部分场景实时性要求在10ms以内甚至更低，如果数据分析和处理全部在云端实现，难以满足业务的实时性要求，严重影响终端客户的业务体验。
数据的优化(Optimization)，当前工业现场与物联网末端存在大量的多样化异构数据，需要通过数据优化实现数据的聚合、数据的统一呈现与开放，以灵活高效地服务于边缘应用的智能。
应用的智能性(Smart)，业务流程优化、运维自动化与业务创新驱动应用走向智能，边缘侧智能能够带来显著的效率与成本优势。
以预测性维护为代表的智能化应用场景正推动行业向新的服务模式与商业模式转型。
安全与隐私保护 (Security)，安全跨越云计算和边缘计算之间的纵深，需要实施端到端防护。
网络边缘侧由于更贴近万物互联的设备，访问控制与威胁防护的广度和难度因此大幅提升。
边缘侧安全主要包含设备安全、网络安全、数据安全与应用安全。
此外，关键数据的完整性、保密性，大量生产或人身隐私数据的保护也是安全领域需要重点关注的内容。
边缘计算的标准化与产业化快速推进5G 低时延、高可靠通信要求，边缘计算成为必然选择。
根据ITU（国际电信联盟）的愿景，5G的应用场景应划分为增强型移动宽带（eMBB）、大连接物联网（mMTC）和低时延高可靠通信（uRLLC）三类。
同时，ITU在带宽、时延和覆盖范围等方面确立了5G的8项技术要求（表1）。
其中，低时延高可靠通信（uRLLC）聚焦对时延极其敏感的业务，例如自动驾驶、工业控制、远程医疗（例如手术）以及云游戏（VR/AR等实时对战要求）等。
在5G移动领域，移动边缘计算是ICT 融合的大势所趋，是5G网络重构的重要一环。
物联网趋于泛化，为边缘计算提供更多应用场景的可能性。
未来物联网应用可涵盖汽车、家居、工业等各个领域。
在汽车领域，物联网与汽车网络相结合，形成解放人类双手的自动化驾驶；在家居领域，物联网使各类家居智能化，为人们生活提供便利；在工业领域，物联网广泛应用于工业控制系统中，为生产流程提高效率。
随着技术的进步和人们消费水平的提高，物联网的“泛化”有望呈现进一步扩张的态势，从而产生更多的应用领域，这也为边缘计算提供了更多的场景。
计算能力，正在步入“边云协同”时代为什么需要边缘计算？在有了云计算的同时，为什么还需要边缘计算？我们认为主要存在以下几点原因：1）网络带宽与计算吞吐量均成为云计算的性能瓶颈：云中心具有强大的处理性能，能够处理海量的数据。
但是，如何将海量的数据快速传送到云中心则成为了业内的一个难题。
网络带宽和计算吞吐量均是云计算架构的性能瓶颈，用户体验往往与响应时间成反比。
5G时代对数据的实时性提出了更高的要求，部分计算能力必须本地化。
2）物联网时代数据量激增，对数据安全提出更高的要求：不远的将来，绝大部分的电子设备都可以实现网络接入，这些电子设备会产生海量的数据。
传统的云计算架构无法及时有效的处理这些海量数据，若将计算臵于边缘结点则会极大缩短响应时间、减轻网络负载。
此外，部分数据并不适合上云，留在终端则可以确保私密性与安全性。
3）终端设备产生海量“小数据”，需要实时处理：尽管终端设备大部分时间都在扮演着数据消费者的角色，但如今以智能手机和安防摄像头为例，终端设备也有了生产数据的能力，其角色发生了重大改变。
终端设备产生海量“小数据”需要实时处理，云计算并不适用。
从数据流向的对比上，1）在云计算架构下，下图左侧的服务提供者提供数据并上传到云中心，需求侧的终端客户发送数据或计算类请求到云中心，云中心响应相关请求并将需求结果发送给终端客户。
2）在边缘计算模式下，如智能手机、前端智能摄像头、智能汽车等边缘节点产生数据，上传到云中心，同时将实时性和安全性要求较高的计算在本地进行处理。
边缘计算是云计算的协同和补充，而并非替代关系。
边缘计算与云计算各有所长，云计算擅长全局性、非实时、长周期的大数据处理与分析，能够在长周期维护、业务决策支撑等领域发挥优势。
而边缘计算更适用局部性、实时、短周期数据的处理与分析，能更好地支撑本地业务的实时智能化决策与执行。
因此，边缘计算与云计算之间并非替代关系，而是互补协同的关系。
边缘计算与云计算需要通过紧密协同才能更好的满足各种需求场景的匹配，从而放大边缘计算和云计算的应用价值。
边缘计算既靠近执行单元，更是云端所需高价值数据的采集和初步处理单元，可以更好地支撑云端应用。
反之，云计算通过大数据分析优化输出的业务规则或模型可以下发到边缘侧，边缘计算基于新的业务规则或模型运行。
边缘计算的典型应用场景欧洲电信标准化协会（ETSI）定义了7类典型的边缘计算应用场景，涵盖了当前最主流的边缘计算产品内涵和垂直行业应用场景。
包括监控视频流、增强现实 AR、自动驾驶、工业互联等等。
自动驾驶、安防前端智能化、工业控制、远程操控（如医疗手术等）等场景在实际应用中需要不超过10ms的网络时延，此类场景5G业务的终结点不可能依赖在核心网后端的云平台，因此边缘计算的发展最迫切，也最必要；同时，边缘云也促进部分即使社交应用爆发，例如即时对战VR/AR游戏等。
自动驾驶自动驾驶就是“四个轮子上的数据中心”，车载边缘计算平台成为刚需。
随着汽车自动驾驶程度的提高，汽车自身所产生的数据将越来越庞大。
根据英特尔CEO测算，假设一辆自动驾驶汽车配臵了GPS、摄像头、雷达和激光雷达等传感器，则上述一辆自动驾驶汽车每天将产生约4000GB待处理的传感器数据。
不夸张的讲，自动驾驶就是“四个轮子上的数据中心”，而如何使自动驾驶汽车能够实时处理如此海量的数据，并在提炼出的信息的基础上，得出合乎逻辑且形成安全驾驶行为的决策，需要强大的计算能力做支持。
考虑到自动驾驶对延迟要求很高，传统的云计算面临着延迟明显、连接不稳定等问题，这意味着一个强大的车载边缘计算平台（芯片）成为了刚需。
事实上，如果我们打开现阶段展示的自动驾驶测试汽车的后备箱，会明显发现其与传统汽车的不同之处，都会装载一个“计算平台”，用于处理传感器输入的信号数据并输出决策及控制信号。
高等级自动驾驶的本质是AI计算问题，车载边缘计算平台的计算力需求至少在20T以上。
从最终实现功能来看，边缘计算平台在自动驾驶中主要负责解决两个主要的问题。
1）处理输入的信号（雷达、激光雷达、摄像头等）；2）做出决策判断、给出控制信号：该加速还是刹车？该左转还是右转？英伟达CEO黄仁勋的观点是“自动驾驶本质是AI计算问题，需求的计算力取决于希望实现的功能。
”，其认为自动驾驶汽车需要对周边的环境进行判断之后还作出决策，到底要采取什么样的行动，其本质上是一个AI计算的问题，车端必须配备一台AI超级处理器，然后基于AI算法能够进行认知、推理以及驾驶。
根据国内领先的自动驾驶芯片设计初创公司地平线的观点，要实现L3级的自动驾驶起码需要20个teraflops（每秒万亿次浮点运算）以上的的计算力级别，而在L4级、L5级，计算力的要求则将继续以数量级形式上升。
安防前端智能化前端智能化的必要性——实现实时性解析和解决传输带宽瓶颈。
安防产业智能化升级是行业发展的大趋势，后端智能化以及前端智能化是厂商针对智能化升级的两种并存的解决方案。
其中，前端智能化的核心功能是为后端提供高质量、初步结构化的图像数据，其主要作用有两点：1、提升部分智能分析应用的实时性；2、节省带宽和后端计算资源。
典型的前端智能摄像头内置深度学习算法，一方面可以在前端完成人脸定位和质量判断，有效解决漏抓误报问题，同时拥有较好的图像效果，即使周围环境光线不佳，人员戴帽子或一定角度下低头、侧脸，仍然可以做到准确识别，并自动截取视频中的人脸输出给后端；另一方面可以输出编码后的网络视频，还支持输出非压缩、无损无延时的视频流图像。
这样可以为大型用户节省服务器成本和带宽，因为在同等服务器数量和计算能力的情况下能够接入更多路摄像头。
后端智能化产品的核心功能则是利用计算能力对视频数据进行结构化分析。
智能前置的趋势下，前端的价值将大幅提升。
我们在行业深度报告《人工智能+安防：天眼时代智识万物》中详细比较了前端升级和后端升级两种方案的优劣以及发展趋势，最终的结论是：出于满足实时性处理的需求，以及缓解后台存储的压力，厂商们会越来越将计算力前置，即智能前置。
以人脸识别为例，传统的人脸识别产品都是采用前端摄像机抓拍图片，后端服务器计算比对的模式，而前端智能的模式下，智能化的摄像机可以不依托服务器而实时进行图像处理、人脸识别，极大提高了识别效率以及后端存储的效率。
前端智能化的趋势实际上即意味着产业链上下游将发生价值转移。
整个安防智能化系统对于后端系统的依赖程度将进一步降低，后端价值将部分转移到前端，前端的价值将大幅提升。
低时延工业级应用工业高精度控制对时延和可靠性的敏感度极高，无论是中国、韩国和日本的运营商，都非常关注5G新业务中工业级客户（2B）的价值。
这些行业市场包括运输、物流、能源/公共设施监测、金融、医疗和农业。
实现工业国产自动化、无线化和智能化，典型场景包括视频监控、机器人控制、自动巡查安防等。
机器人控制：参考华为5G白皮书，同步实时协作机器人要求小于1毫秒的网络延迟。
到2025年，预计全球状态监测连接将上升到8,800万，全球工业机器人的出货量也将从36万台增加到105万台。
馈线自动化：当通信网络的延迟小于10ms时，馈线自动化系统可以在100ms 内隔离故障区域，这将大幅度降低发电厂的能源浪费。