目前很多連接的設備能夠充分利用云計算的優(yōu)勢，但物聯(lián)網設備制造商和應用開發(fā)人員發(fā)現(xiàn)在設備本身進行計算和數據分析將會帶來眾多的好處。

　　在設備上進行計算和分析的方式有助于降低關鍵應用的延遲、降低對云的依賴，能夠更好地管理物聯(lián)網生成的大量數據。這種在設備上處理數據和分析的方式被業(yè)界稱為邊緣計算，將網絡/云邊緣的設備當作是互聯(lián)網連接的設備和網絡。計算在物聯(lián)網應用中帶來了新的可能，尤其是對于依賴機器學習的任務，如對象檢測、人臉識別、語言處理和障礙物回避。

　　邊緣計算的興起是很著名的技術迭代，從集中處理開始，然后演變成分布式的架構�；ヂ�(lián)網本身就是從政府機構和大學中的大型機開始的，然后演變?yōu)镻C機，再到新興的互聯(lián)網的頁面。當智能手機在蜂窩網絡邊緣取代功能機時，移動性革命大大加快。邊緣計算對物聯(lián)網的影響進程也與之類似，隨著終端設備變得更加強大，能夠運行更加復雜的應用程序，邊緣計算生態(tài)系統(tǒng)快速發(fā)展。

　　邊緣計算在消費者和工業(yè)物聯(lián)網用例中都能提供切實的價值。它只能通過發(fā)送重要信息而不是原始傳感器數據流來幫助降低連接成本，這對通過LTE /蜂窩電話(如智能電表或資產跟蹤器)進行連接的設備來說尤為重要。此外，在處理工業(yè)設施中的傳感器產生的大數據時，在發(fā)送數據之前分析和過濾功能將大大節(jié)省網絡和計算資源。

　　通過在設備中保存敏感數據，邊緣計算有助于改進安全性和隱私性。邊緣計算有助于通過匿名化、分析和保留數據源而不是向云端發(fā)送可識別信息來保護用戶隱私。

　　邊緣計算還可以減少延遲，并使連接的應用程序更加靈敏和穩(wěn)健。機器學習對于IoT應用程序的激增是增加邊緣計算能力的強大驅動力。設備不僅需要快速運行復雜的深度學習網絡，而且由于許多IoT設備通過電池供電，所以需要這種方式來降低能耗。這促進了異構計算架構的產生，將多種引擎如CPU、GPU、DSP集成到IoT設備中，從而將不同的工作負載分配給最有效的計算引擎，從而提高性能并降低能耗。實際上，在CPU上運行相同的工作負載時，DSP的能耗降低了25倍，性能提高了8倍。

　　通過邊緣計算，系統(tǒng)架構師需要學習如何從端到端利用可用的分布式計算能力的優(yōu)勢，全面挖掘現(xiàn)場設備、網關和云的功能。邊緣計算與5G等先進技術相結合，將提供更快、更強大、更大規(guī)模的連接，且新一代智能設備和應用將很快出現(xiàn)。