一、應用邊緣AI面臨哪些挑戰

　　但是，要應用人工智能解決這些問題，還需要將人工智能增強功能擴展到網絡邊緣——即數據的創建和消費點，如工廠車間、醫院或店面。與在數據中心或云中運行人工智能相比，在這些環境中引入人工智能功能會面臨新的挑戰，其中包括：

　　在現有投資中加入人工智能：許多邊緣環境都采用傳統的固定功能基礎設施，配備各種專有設備和軟件。空間有限的硬件需要能夠支持現實世界對準確性和性能的要求。

　　訓練和微調模型：邊緣 AI 模型是獨一無二的，必須針對特定行業或用例動態進行調整。在這些情況下，人類的領域知識往往至關重要。例如，經驗豐富的焊縫檢測人員可以幫助人工智能了解如何檢測好的或壞的焊縫。企業需要簡單的工具，幫助非數據科學家專家將其專業知識轉化為人工智能能力。

　　解決硬件多樣性問題：邊緣原生應用可能會跨越眾多節點、操作系統、連接協議、計算和存儲需求、能源和成本限制以及合規性問題。開發人員需要找到應對這種復雜性和支持分布式異構計算環境的方法。

　　保護和管理分布式應用：企業在尋求支持邊緣高級人工智能時面臨著新的挑戰。可管理性是大規模應用人工智能的關鍵，而安全性則是整個過程中每一步的必要條件。

　　二、邊緣人工智能的缺點

　　1、邊緣 AI 需要持續培訓

　　邊緣 AI 系統可能具有挑戰性，因為與其他 AI 模型一樣，它們必須定期和持續地進行訓練——只需使用來自邊緣設備的數據。這通常意味著通過將數據從大量邊緣設備傳輸到云來創建數據集，這可能相當復雜，具體取決于可用帶寬和與邊緣設備的連接。

　　2、邊緣AI需要采取額外的安全措施

　　安全也是一個值得關注的領域，只是方式不同。雖然邊緣計算可以通過保持本地處理使系統更加安全，但基礎設施和設備本身需要自己的安全措施。這可能包括訪問控制、流量監控、數據備份、防病毒和反惡意軟件，甚至加密。

　　3、邊緣AI一直很慢(但這種情況正在改變)

　　邊緣AI市場的增長速度并不像一些人希望的那樣快。自從PJC最初投資Deeplite以及更大的邊緣AI空間以來，May表示，就普遍采用而言，市場“比預期的要慢一些”。他將此歸因于邊緣人工智能實際需要的設備(如無人機、手機、汽車)的更長設計周期。他說，其中另一個重要部分是普遍缺乏意識到某些科技公司甚至存在這一空間。