许多供应商也已经迈出了使用软件解决方案实现边缘计算的第1步。例如，诺基亚针对移动边缘计算（MEC）的软件解决方案旨在为基站站点提供边缘计算能力。同样，思科的IOx为其集成的服务路由器提供了一个边缘计算环境。这些解决方案应用于特定硬件，因此不适合部署在异构环境中。软件解决方案面临的一个挑战是如何开发跨越不同环境的可移植的解决方案。某些公司正在研究升级边缘节点，以支持通用计算需求。例如，可以升级无线家庭路由器以支持额外的计算任务。英特尔的SmartCellPlatform使用虚拟化技术，支持额外的计算任务。通用CPU替换专属DSP提供了另一种解决方案，但却需要巨大的投资。边缘计算当中的边缘资源有：计算机网络站点公共存储区无线访问点交换机路由器基站等等。浙江人工智能边缘计算电力巡检
IPFS实现了真正的边缘计算，这将成为未来所有区块链项目的数据计算基础，为整个区块链产业的发展提供有力支撑。IPFS边缘计算，是以去中心化边缘计算结合区块链技术的计算容量可拓展方案，利用全球上千万个节点提供的闲置硬盘计算空间用于数据计算，有效地解决了大数据时代计算难题，利用其传输量大、速度快、成本低，消耗小且数据上链可溯源的优势，以边缘式技术为重要点，解决大规模、高并发场景下对数据计算的挑战。这是边缘计算的真正意义。贵州算力强大边缘计算服务器雾计算使得云更接近于网络的边缘。
分区和拆分任务：对于边缘计算来说，较大的难点在于如何动态、大规模地部署运算和存储能力以及云端和设备端如何高效协同、无缝对接。不断发展的分布式计算已经催生了许多技术用来促进在多个地理位置分区执行任务。任务分区通常在编程语言或管理工具中明确表示。然而，利用边缘节点来实现分区计算不光光带来了有效分割计算任务的挑战，对于如何能在不需要明确定义边缘节点的能力或位置，以自动化的方式进行计算的问题上，也遇到了瓶颈。因此，需要一种新型的调度方式，以便将分割的任务部署到各个边缘节点上。高水准的服务质量（QoS）和服务体验（QoE）。另一个挑战是需要确保边缘节点实现高吞吐量，并且在承接额外计算工作量时运行可靠。例如，当基站过载时，可能影响连接到基站的其他边缘设备。因此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。复杂的算法如何在云端和边缘设备之间合理分解和整合，需要一个对云管端三者都有控制力的技术来实现。
智能制造有望从现代工厂大量部署的传感器中获得洞见。由于能够减少滞后，边缘计算可能会使得制造流程能够更快速地做出响应和变动，能够实时地应用数据分析得出的洞见和实时行动。这可能包括在机器过热之前将其关闭。一家工厂可以使用两个机器人来完成同样的任务，两个机器人装有传感器，并连接到一个边缘设备上。边缘设备可以通过运行一个机器学习模型来预测其中一个机器人是否会操作失败。如果边缘设备断定机器人比较可能会出现故障，它就会触发行动来阻止或减慢机器人的运转。这会使得工厂能够实时地评估潜在的故障。如果机器人能够自己处理数据，它们也可能变得更加自给自足和反应灵敏。边缘计算应该支持更快地从大数据中更多的洞见，以及支持将更多的机器学习技术应用到业务运营中。目标是，挖掘实时产生的海量数据的巨大价值，防止安全隐患，并减少工厂车间机器运转中断的情况。边缘计算的优势：由于减少了中间传输的过程，数据处理的速度也更快。
在应用较为普遍的领域，智能手机这块包括苹果、华为、高通、联发科和三星在内的手机芯片厂商纷纷推出或者正在研发专门适应AI应用的芯片产品。许多初创公司加入这个领域，为边缘计算设备提供芯片和系统方案，比如地平线、寒武纪、深鉴科技、元鼎音讯等。在智能汽车的计算平台的硬件上，大部分车企会采用混合架构，传统主控制器主要还是基于32位Tricore,PowerPC以及850等架构的微处理器,主要作为冗余和兼容的部分。对于AI和计算力消耗较多的自动驾驶和交互应用,需提供GPP通用处理器、硬件加速器（HWA）和嵌入式的可编程逻辑阵列（eFPGA），域控制器较大的提升还是在芯片算力的提升，这也使得芯片厂家和车企的直接沟通，需要在这个层级与软件联合考虑。利用边缘节点来实现分区计算不光光带来了有效分割计算任务的挑战。辽宁多网口边缘计算推理终端
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。浙江人工智能边缘计算电力巡检
边缘计算MEC帮助关键的、影响性能的应用程序更快、更高质量地响应，它将改变几乎生活的方方面面。随着运营商和网络运营商开始推出5G网络和服务的初始阶段，边缘计算架构的实施将成为支持5G和物联网设备的重要点。由于速度、带宽和规模是下一代连接的基石，MEC将帮助实现5G的承诺，并将为各地的消费者带来好处。
云服务的推动：云中心具有强大的处理性能，能够处理海量的数据。但是，将海量的数据传送到云中心成了一个难题。云计算模型的系统性能瓶颈在于网络带宽的有限性。 浙江人工智能边缘计算电力巡检
