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。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。广州多网口边缘计算智慧校园
边缘计算的开发归功于IoT设备的指数级增长，这些设备连接到Internet以便从云中接收信息或将数据传递回云中。许多物联网设备在其运行过程中会生成大量数据。边缘计算的好处：对于许多公司来说，单是成本节约就可能成为部署边缘计算架构的驱动力。在许多应用中采用云的公司可能已经发现，带宽成本比他们预期的要高。但是，边缘计算的较大好处越来越多地是能够更快地处理和存储数据，从而实现了对公司至关重要的更高效的实时应用程序。在进行边缘计算之前，扫描人脸以进行面部识别的智能手机将需要通过基于云的服务来运行面部识别算法，这将需要大量时间来处理。使用边缘计算模型，鉴于智能手机的功能日益强大，该算法可以在边缘服务器或网关上本地运行，甚至可以在智能手机本身上运行。虚拟现实和增强现实、无人驾驶、无人驾驶汽车、智慧城市、甚至楼宇自动化系统等应用都需要快速处理和响应。安徽AI边缘计算AR边缘计算为产业界和学术界提供了独特的发展机会。
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。
边缘计算系统需要多台服务器同时工作。当服务器数量增多时，其中的一些服务器出现故障是在所难免的。我们希望这样的情况不会对整个系统造成太大的影响。在系统中的一部分节点出现故障之后，系统的整体不影响客服端的读/写请求称为可用性。边缘计算系统中的多台服务器通过网络进行连接。但是我们无法保证网络是一直通畅的，边缘式系统需要具有一定的容错性来处理网络故障带来的问题。一个令人满意的情况是，当一个网络因为故障而分解为多个部分的时候，边缘计算系统仍然能够正常工作。边缘计算的价值：分布式和低延迟计算。
边缘计算传送海量数据需要一定的时间，云中心处理数据也需要一定的时间，这就会加大请求响应时间，用户体验极差。
物联网的推动：现在几乎所有的电子设备都可以连接到互联网，这些电子设备会后产生海量的数据。传统的云计算模型并不能及时有效的处理这些数据，在边缘结点处理这些数据将会带来极小的响应时间、减轻网络负载、保证用户数据的私密性。在传统的内容分发网络中，数据都会缓存到边缘结点，随着物联网的发展，数据的生产和消费都是在边缘结点。 边缘计算使计算和数据存储更靠近收集数据的设备，而不是依赖于可能远在数千英里之外的中心位置。河北边缘计算AR
边缘分析需要轻量级算法，可以进行合理的机器学习或数据处理任务。广州多网口边缘计算智慧校园
边缘计算构筑各种创新应用
经十路是济南东西走向长的一条城市主干道，也是连接省城的重要联络线，日常承载着巨大的交通压力。为每个十字路口配备了8~12个摄像头，这些摄像头负责车流量监控和道路通行控制等等，可谓任务繁重。诸多摄像头的数据还需要整合起来进行分析，根据车流量调整红绿灯延时，但这同时也给网络传输和计算带来巨大压力。而边缘计算的优势恰在于此，基于该技术的解决方案，让智能摄像头可以提供20%的计算决策，及时、高效地为数据中心分担工作量。这也成为浪潮边缘计算解决方案实战落地的比较好印证之一。 广州多网口边缘计算智慧校园
