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。工业领域，边缘计算也正在发挥越来越重要的作用。轻便边缘计算机器人
边缘计算的对象计算和文件计算的区别是不大的，计算的都是一样的东西，只是抛弃了统一的命名空间和目录树的结构，使得扩展起来桎梏少一些。的互联网计算服务一般都是做对象计算的，因为块计算是给计算机用的，对象计算是给浏览器等HTTP客户端用的。服务所提供的计算系统，访问都来自互联网，自然是做对象计算；与之相对应，大部分类AWS的主机服务商都会提供一个块计算服务搭配主机服务。在这一点上边缘计算是需要特别进行注意的，不然会影响使用。重庆人工智能边缘计算**若想更好的在边缘节点上部署应用程序的工作负载，需要考虑的方面：连接策略。
边缘计算就是要将网络距离，或者空间距离上的与用户临近的这些分开的、分散的资源进行统一，为应用提供计算、存储以及网络服务。结尾，我从仿生学的角度再进行一下边缘计算的理解。我们可以做这样的类比，将云计算和数据中心比作人的大脑，边缘计算就相当于人的神经末梢。当我们受到外界的刺激，如针刺到手，我们的手会第1时间下意识的收手，然后大脑才会意识到刚才我们被针刺到了手，这是因为将手收回的过程其实是由神经末梢直接处理的非条件反射。这种非条件反射的速度是大于人的反应速度的，这是为了避免遭受更大的伤害，这另外一点就是让大脑更加专注于处理更为高级的智慧。在未来万物互联的时代，随着资源的的数量增多，我们其实是不可能为每一个设备都提供一个“大脑”的，这时我们就需要边缘计算来帮助我们，让每一个设备拥有自己的“大脑”。
边缘计算执行事务提交，如果协调者从所有的参与者获得的反馈都是yes响应，那么就会执行事务提交集群的规划并不是一成不变的，你的集群可能会加入新的节点；也可能有节点因为事故离线；也可能因为分片维度的问题，数据发生了倾斜。当这种情况发生，集群间的数据会发生迁移，以便达到平衡。
这个过程有些是自动的，也有些是手动进行触发。这个过程也是困难的：既要保证数据的增量迁移，又要保证集群的正确服务。边缘计算系统顾名思义就是将大量的普通服务器，通过网络互联，对外作为一个整体提供计算服务。 边缘计算的价值：可持续的能源消耗。
边缘计算非常适合应用于农业，因为农场经常处于偏远的位置和恶劣的环境中，可能存在带宽和网络连接方面的问题。现在，想要改善网络连接的智能农场需要在昂贵的光纤、微波连接或者拥有一颗全天候运行的卫星上进行投资;而边缘计算则是一种合适的、具有成本效益的替代方案。智能农场可以使用边缘计算来监测温度和设备性能，以及自动让各种设备(比如过热的泵)减缓运转或者关闭。能源和电网控制：边缘计算或许在整个能源行业都尤其有效，尤其是在石油和天然气设施的安全监测方面。例如，压力和湿度传感器应当受到严密监控，不能在连接性上出差错，尤其是考虑到这些传感器大多位于偏远地区。如果出现异常情况--比如油管过热--却没有被及时注意到，那就可能会发生灾难性的爆裂。边缘计算的另一个好处是能够实时检测设备故障。通过电网控制，传感器可以监控从电动汽车到风力发电厂的一切设施所产生的能源，有助于相应作出决策来降低成本和提高能源生产效率。若想更好的在边缘节点上部署应用程序的工作负载，需要考虑的方面：部署策略。江西边缘计算园区识别
雾计算使得云更接近于网络的边缘。轻便边缘计算机器人
通过在MEC云中处理大部分数据，企业不再需要投资或维护数据中心，而且由于被拦截的机会减少，数据反而更加安全。因此，MEC较大的优势是延迟，或者称之为响应性。由于数据不必传输太远，因此响应时间也就更快。毫秒比较重要我们的讲话速度能有多快?一般而言，100毫秒的响应时间都被认为是瞬时的。但是，MEC可将基站和云之间的响应时间缩短到10毫秒，在某些情况下，当专属于一个站点时，甚至可以缩短到1毫秒。因此，MEC为自动驾驶汽车、智能机器人和智能制造设备等新应用开启了更多的可能性。另外，当涉及到虚拟现实和增强现实时，MEC也能帮助实现更身临其境和更真实的图形体验。轻便边缘计算机器人
