在我们比较关心的汽车领域，边缘计算主要有几个落脚点，自动驾驶、智能座舱两大块，在比较难的领域，目前自动驾驶系统芯片选择上与深度学习的技术路线有比较大的重叠，深度学习算法复杂性比较高，需要有相应的嵌入式计算平台进行匹配，在应用过程中硬件技术路线主要有GPU、SoC、FPGA、ASIC等，这里分化比较厉害，有许多不同的方向。国外比较典型的公司是英特尔以133.8亿欧元收购的Mobileye，国内典型的则是地平线，这家公司的前景相对要更明朗一些，比如其在高级别自动驾驶上与奥迪的合作，在辅助驾驶上与首汽约车的合作，看起来颇有紧追Mobileye，后发先至的味道。总的来说，边缘计算具有低时延、高带宽、高可靠、海量连接、异构汇聚和本地安全隐私保护等特点，在许多场景下特别是智能交通（车载领域）存在非常突出的优势。需要对边缘节点的峰值时间周全了解，以便可以用灵活的方式来分割和调度任务。广州边缘计算智慧校园
一般而言，对实时性要求不高的、与报表有关的一段时间周期内的生产数据，往往会上传到云端进行分析；而与生产节拍密切相连、实时性要求高数据分析，往往就需要在边缘计算环节来完成。随着制造业的数字化转型不断深入，对数据在不同场景下如何进行不同的分析从而挖掘其价值也在逐渐明晰，边缘计算的重要性因而逐渐凸显。边缘计算技术横跨IT（信息技术）、OT（运行技术）和CT（通讯技术）多个领域，要落地离不开不同领域公司之间的密切合作，各取所长。过去一年里，不同相关行业的都开始推出专门针对边缘计算的产品，这一并不新鲜的概念刚刚开始进入落地阶段。湖北高性能边缘计算推理终端边缘计算的一个好处是能够实时检测设备故障。
5G与边缘计算的未来：未来几年，诸如5G和Wi-Fi之类的无线通信技术也将影响边缘部署和利用，从而实现尚未探索的虚拟化和自动化功能，例如更好的车辆自主性和将工作负载迁移到边缘，同时使无线网络更灵活、更具成本效益。随着物联网的兴起和此类设备产生的突然过剩的数据，边缘计算引起了人们的注意。但由于物联网技术仍处于相对初级阶段，物联网设备的演变也将对边缘计算的未来发展产生影响。这种未来替代方案的一个例子是微型模块化数据中心（MMDC）的发展。MMDC是一个盒子里的数据中心，将一个完整的数据中心放在一个小型移动系统中，该系统可以部署在更接近数据的地方--例如在一个城市或地区--让计算更接近数据，而不会让数据更合适。
边缘计算的AI芯片：作为边缘计算的中心基础，边缘AI芯片有着重要地位，边缘AI芯片厂商作为产业链上游参与方投入大量资源进行技术研发，从供给方面为边缘智能的实现打下坚实牢固基础。AI根据参考文献的分类包括三类，1、经过软硬件优化可以高效支持AI应用的通用芯片（GPU）；2、侧重加速机器学习（尤其是神经网络、深度学习）算法的芯片；3、受生物脑启发设计的神经形态计算芯片。在边缘计算和AI芯片里，涌现出不少的创业公司（在中国的中国芯片初创公司有15家以上），如前面所说的几家。按部署的位置来分，AI芯片可以部署在数据中心，和手机，安防摄像头，汽车等终端上。随着边缘计算的兴起，理解边缘设备所涉及的另一项技术也比较重要，它就是雾计算。
为避免移动承载网络被管道化，电信标准组织和运营商正在研究在未来5G网络中，如何与移动互联网及物联网业务深度融合，进而提升移动网络带宽的价值。欧洲电信标准协会ETSI提出的移动边缘计算(MobileEdgeComputing，MEC)是基于5G演进的架构，并将移动接入网与互联网业务深度融合的一种技术。MEC一方面可以改善用户体验，节省带宽资源，另一方面通过将计算能力下沉到移动边缘节点，提供第三方应用集成，为移动边缘入口的服务创新提供了无限可能。移动网络和移动应用的无缝结合，将为应对各种OTT(OverTheTop)应用提供了有力的武器。边缘计算仍处于起步阶段，有可能为更高效的分布式计算铺平道路。天津轻便边缘计算OED定制
边缘计算可以实时或更快的进行数据处理和分析，让数据处理更靠近源头。广州边缘计算智慧校园
发现边缘节点：到2020年将有500亿的终端和设备联网，除了边缘设备与终端联网较大的“异构”特征之外，产品生命周期越来越短、个性化需求越来越高、全生命周期管理和服务化的趋势越来越明显，这些新趋势都需要边缘计算提供强大的技术支撑。如何在分布式计算环境中发现资源和服务是一个有待拓展的领域。为了充分利用网络的边缘设备，需要建立某种发现机制，找到可以分散式部署的适当节点。因为可用设备的数量庞大，这些机制不能依靠人工手动。此外，还需要使用多种异构设备满足较新的计算需求，比如大规模的机器学习任务。这些机制必须在不增加等待时间或损害用户体验的前提下，实现不同层次和等级的计算工作流中无缝集成，原有的基于云计算的机制在边缘计算领域不再适用。广州边缘计算智慧校园
