如图6-1所示，边缘智能在更加靠近用户和数据源头的网络边缘侧这一位置训练和部署深度学习模型，既可以享受边缘计算带来的优势（例如，低效率、减少带宽消耗），又在以下几个方面互相受益。

1）在网络边缘生成的数据需要人工智充分释放其潜力。由于移动设备和物联网设备数量、种类激增，设备端不断感知物理环境中的大量多模态数据（如音频、图片和视频）。在这种情况下，使用人工智能技术是十分必要的，因为它能够快速分析这些庞大的数据量，并从中提取关键见解，从而做出高质量的决策。作为最流行的人工智能技术之一，深度学习带来了自动识别模式和检测边缘设备感知数据异常的能力，如人口分布、交通流量、湿度、温度、压力和空气质量等。然后，从感测数据中提取的信息反馈给实时预测决策（如公共交通规划、交通控制和驾驶警报），以响应快速变化的环境，提高运营效率。据Gartner预测，到2022年，超过80%的企业物联网项目将包括人工智能组件。

2）边缘具备人工智能分析能力可以帮助企业缩减成本。根据某研究机构发现，边缘距云端的距离影响着数据处理成本，在距离达到322公里和161公里时，成本分别可缩减30%和60%。而当边缘具备人工智能分析能力时，终端产生的大量数据不必再发送到数据中心，在边缘端就可以进行相关处理，减少了网络带宽的负担。同时，边缘智能具有高度的可扩展性，添加新设备不会对网络带宽需求造成影响，降低了增长成本，因此边缘智能将会具有更高的成本缩减百分比。

3）边缘计算能够通过更丰富的数据和应用场景使得人工智能更加繁荣。一般来说，近年来深度学习蓬勃发展的驱动力有四个方面：算法、硬件、数据和应用场景。算法和硬件对深度学习发展的影响是直观的，而数据和应用场景的作用大多被忽视了。具体而言，为了提高深度学习算法的性能，最常用的方法是使用更多的神经元层来细化DNN。这样一来，我们需要在DNN中学习更多的参数，训练所需的数据也随之增加，这充分说明了数据对于AI发展的重要性。认识到数据的重要性之后，下一个问题是，数据从哪里来。传统上，数据大多诞生并存储在超大规模的数据中心。然而，随着物联网的快速发展，这一趋势正在逆转。Cisco指出，不久的将来，大量的物联网数据将在边缘产生。为了应对这些挑战，边缘计算被提出，通过将计算能力从云数据中心下沉到边缘端来实现低延迟的数据处理，从而实现高性能的人工智能处理。

边缘计算和人工智能在技术上相辅相成的同时，它们的应用和推广也互惠互利。

1）人工智能民主化需要边缘计算作为一个关键的基础设施。人工智能技术不仅已经在我们日常生活中的许多数字产品或服务中取得了巨大的成功（如网上购物、服务推荐、视频监控、智能家居设备等），同时也是新兴创新前沿的关键驱动力，如自动驾驶汽车、智能金融、癌症诊断和药物发现等方向。除了上述例子外，为了实现更丰富的应用程序并推动其进一步发展，一些国际主要IT公司已经宣布了人工智能民主化，其愿景是“让AI为每个人和每个组织提供无处不在的服务”。为此，人工智能应该更接近人、数据和终端设备。边缘计算在实现这一目标方面比云计算更有力，因为与云数据中心相比，边缘服务器更接近人、数据源和设备；与云计算相比，边缘计算也更实惠、更易访问；边缘计算有可能提供比云计算更多样化的人工智能应用场景。由于这些优势，边缘计算是无处不在的人工智能的关键推动者。

2）边缘计算可以通过人工智能的应用来推广。在边缘计算的早期发展过程中，云计算社区一直在关注哪些高需求的应用使用边缘计算可以达到云计算无法达到的新水平，以及边缘计算的“杀手级”应用是什么。为了澄清这一疑问，微软自2009年以来一直在很多领域不断探索什么样的产品应该从云端走向边缘，包括语音命令识别、AR/VR和交互式云游戏与实时视频分析。相比之下，实时视频分析被认为是边缘计算的杀手级应用。作为建立在计算机视觉之上的新兴应用，实时视频分析不断地从监控摄像机中提取高清视频并进行分析，要求高计算力、高带宽、高隐私性和低延迟。而边缘计算就是能够满足这些严格要求的一种可行方法。回顾边缘计算的发展历程，可以预见，工业物联网、智能机器人、智能城市、智能家居等领域出现的新型人工智能应用将对边缘计算的普及起到至关重要的作用，主要是因为许多与物联网相关的人工智能应用程序代表了一系列计算密集型和能耗密集型、隐私的和延迟敏感的实际应用程序，因此能与边缘计算很好地结合在一起。

由于在边缘端运行人工智能应用的优越性和必要性，边缘人工智能近年来备受关注。2017年12月，在加州大学伯克利分校（UC Berkeley）发表的白皮书《A Berkeley View of Systems Challenges for AI》中，云-边人工智能系统被设想为实现关键任务和个性化人工智能目标的重要研究方向。2018年8月，边缘人工智能首次出现在Gartner Hype Cycle中。根据Gartner的预测，Edge AI仍处于创新触发阶段，在未来5到10年内，它将达到生产率平稳期。在业界，也开展了很多面向边缘人工智能的试点项目。在边缘人工智能服务平台上，传统的云服务提供商，如谷歌、亚马逊和微软，已经推出了服务平台，通过使终端设备能够在本地使用预先训练好的模型运行机器学习推断，将智能带到边缘。在边缘人工智能芯片上，各种用于运行机器学习模型的高端芯片已经上市，例如Google edge TPU、Intel Nervana NNP、华为Ascend 910和Ascend 310。