邊緣運算(Edge Computing)為一種分佈式運算，使部分數據能夠直接在邊緣節點進行實時處理和分析，具有高頻寬、低延遲的優勢，近年來隨著物聯網概念興起、行動資料的流量需求大幅增長而快速發展，目前應用於自駕車、無人商店等場景，以偕同雲端運算之模式，解決上述場景對於即時影像傳輸的高度需求。至於國際大廠在邊緣運算上的布局及發展趨勢，IP廠多以提升邊緣端裝置效能為主要發展方向；晶片廠則在硬體上持續優化處理器效能，同時串連不同類型的IT業者打造邊緣運算開發平台；雲端運算廠則是從既有的雲端運算平台業務中向外拓展，提供使用者自主性更高的開發環境。

1. 新趨勢: 邊緣運算
1
政大統計二 柯敦瀚 台大工管三 李昇翰 台大財金二 楊紫涵 台大財金三 梁品萱 台大財金三 李采芸
2020/02/15

2. Agenda
• 結論
• 邊緣運算相關簡介
• 邊緣運算國際大廠布局
• 邊緣運算應用場景
• 結論
2

3. • 隨著物聯網概念興起，行動資料的流量需求大幅增長，既有雲端運算架構已無法滿足大量數據之即時
傳輸需求，使相對而言距離終端裝置較近的邊緣運算因而興起，並協同雲端運算實時處理資訊。
• 邊緣運算相對於傳統雲端運算而言，具有高頻寬、低延遲之優勢，可滿足對即時影像傳輸要求較高之
應用場景，如自駕車、無人商店等。
• 在國際大廠布局方面，IP廠多以提升邊緣端裝置效能為主要發展方向；晶片廠則在硬體上持續優化處
理器效能，同時串連不同類型的IT業者打造邊緣運算開發平台；雲端運算廠則是從既有的雲端運算平
台業務中向外拓展，提供使用者自主性更高的開發環境。
3
結論

4. 邊緣運算相關簡介1
4

5. 雲端運算是一種能透過無所不在的網路，以便利且隨選所需的方式存取共享式運算資源池（例如網路、
伺服器、儲存空間、應用程式與服務）的運作模式，運算資源的提供只需要最少的管理作業與供應商涉
入，就能快速配置與發布運算資源。
邊緣運算的協同夥伴—雲端運算
5
公有雲(public cloud)
針對大眾提供的雲端運算服務，使用者可以是一般消費者或是企業用戶。
價格低，能節省維護成本，安全性較不足。
Eg. Microsoft Azure, Google Docs, Dropbox, Evernote等等
私有雲(private cloud)
企業或組織為了自己而建立的雲端運算架構，只服務企業內部或受到信任的人員。能同時
擁有雲端運算的運算資源調度彈性高和安全問題，但經濟效益及規模擴張方面不如公有雲
。
混和雲(hybrid cloud) 公有雲及私有雲的結合體。
社區雲(community
cloud)
由一群擁有特定任務目標的組織所建立的雲端服務，最常見的是針對單一產業的服務
Eg.電子病歷交換雲端平臺
資料來源：Microsoft, wikipedia
雲端運算部署模式
▼表1-1

6. 邊緣運算的協同夥伴—雲端運算
SaaS
PaaS
IaaS
用戶端的控制程度
高
低
終端用戶
Gmail, Trello, Google
Docs, Office 365, etc.
軟體開發者
Heroku, AWS Elastic
Beanstalk, Google
App Engine, etc.
信息技術管理員
AWS EC2, Microsoft
Azure, Google
Compute Engine
On Premises Iaas Paas Saas
Application Application Application Application
Data Data Data Data
Runtime Runtime Runtime Runtime
Middleware Middleware Middleware Middleware
OS OS OS OS
Virtualization Virtualization Virtualization Virtualization
Servers Servers Servers Servers
Storage Storage Storage Storage
Networking Networking Networking Networking
▲圖1-1：不同服務模式分層示意圖 ▲表1-2：不同服務模式比較
資料來源：Microsoft, IBM
雲端運算服務模式
6

7. 5G時代流量需求增長 需求朝向終端裝置
7
行動資料流量需求增長
資料來源：Journal of Information and Communication Technology、Cisco
進入 5G 世代後，網路速率、容量等諸多效能將大幅提升
，為了打造完全移動和物聯網的社會，伺服器流量暴增已
能預見，4K/8K、超高畫質、VR 等新興業務的快速普及
，思科預估到 2022 年，全球每月的行動資料流量將達到
77 Exabytes，2017～2022 年 CAGR 為 46%。
46%CAGR
雲端運算無法滿足物聯網需求
在IoT（物聯網）和IoE（萬物互聯）的情況下， 新興應
用如：AR、VR、車聯網、智慧工廠IIOT4.0需要具有最
小延遲的網路來實時處理大量數據，以目前雲端運算的
架構下，網路傳輸延遲時間仍大於10毫秒，無法完全解
決延遲性的門檻。
資料運算、處理全部
需在雲端上完成
新應用需求：
更高頻寬
更低延遲性
雲端運算無法滿足，
邊緣運算概念提出
▼圖1-2

8. • 邊緣運算(edge computing)為一種分佈式
運算(distributed computing)，部分數據
運算與存儲不需經過雲端，直接在數據收
集源附近的邊緣節點實時處理和分析數據
，在物聯網(IoT)有很高的應用性。
邊緣運算簡介
8
▲圖1-3: 邊緣運算( edge computing )示意圖
資料來源：阿里雲
邊緣運算並不會取代雲端運算，
兩者是相輔相成的。
“Cloud didn’t disappear, cloud is coming to
everyone.”
大型電腦
(mainframe)
主從式架構
(client – server
model
雲端運算(cloud
computing)
邊緣運算
(edge
computing)

9. 邊緣運算能解決的問題
問題類型 描述 案例
延遲(latency) 終端數據通過網路傳輸到雲端，雲端再將計算結果
返回終端，這一過程存在時長不等的延遲，邊緣技
術能一定程度改善此問題
線上遊戲、自駕車、語音助理等等
頻寬
(bandxidth)
與功耗
與雲端進行大量的數據傳輸將產生極大的功耗，限
制終端設備的應用，且未來頻寬的拓展速度將遠低
於智能互聯產品的增長速度，無法滿足需求。邊緣
運算能協助處理部分數據。
辨別及保留行車紀錄器及監視器畫面
之過程
安全及隱私 傳輸至雲端的路徑較長，增加資安風險，而邊緣運
算的分散特性能使其較不易受大規模攻擊。
個人化 與大多中小企業目前使用的公有雲由提供者經營管
理，較無個人化空間，邊緣裝置較能調整貼合需求
資料來源：BI Intelligence、ICA League、廣證恆生, the verge 9
▲表1-3

10. 百家爭鳴的邊緣運算技術 — MEC
10資料來源：Journal of Information and Communication Technology
多接取邊緣運算MEC
MEC技術為邊緣運算最常見的技術類型，MEC的運算平台可被部署於無線網路節點（Radio Node）、匯
流節點（Aggregation Point）、或是核心網路端（Core Network）。
以MEC運算平台部署在基地平台端為例：
1. 終端使用者利用行動裝置存取網路上的服務
2. 基地台接受到行動裝置訊號
3. 部署在基地台端的MEC運算平台先行判斷該服
務封包是否可由MEC運算平台提供服務
1. 是，直接由MEC運算平台提供服務
4. 否，須經過後端骨幹網路及電信核心網路以存
取雲端服務。
MEC技術的流量卸載（Traffic offload），不僅可提供使用者更快速的服
務回復時間，更可以減少需要經過後端骨幹網路及電信核心網路的服務封
包所佔用的大量頻寬，進而可減少網路建置的成本。
▼圖1-4

11. 百家爭鳴的邊緣運算技術 — MCC
11
行動雲端運算MCC
資料來源：Journal of Information and Communication Technology
行動雲端運算（MCC）是計算領域另外一項趨勢：
終端用戶習慣在手持移動設備上運行相關服務，然而多數的智能移動設備都受到能量、存儲和計算資源
的限制，各式應用程序的耗頻也各異；
MCC透過設置輕量級的雲端伺服器，又稱為（cloudlet）「小雲片」，支持這些靠近終端用戶的移動應
用程序在遠程執行。
一般來說，在「移動設備以外的地方運行加強的應
用」，比「在本地執行這些應用」要更加的靈活。
▼圖1-5

12. 百家爭鳴的邊緣運算技術—Fog Computing
12資料來源：Journal of Information and Communication Technology
霧運算Fog Computing
霧運算，是一種分布式的計算模型，作為雲端數據中心和物聯
網（IoT）設備/感測器之間的中間層，它提供了計算、網路和
存儲設備，相對於MCC的「小雲片」伺服器來說，位於邊緣網
路的霧運算組件（霧節點）離物聯網終端設備和感測器更近。
和前述兩種邊緣運算模型不同的是，霧運算可以將基於雲的服
務例如IaaS、PaaS,、SaaS等等，拓展到網路邊緣，故霧運算
相對於MEC、MCC來說，是適應物聯網結構的最佳選擇。
▼圖1-6

13. 從邊緣運算（EC）到邊緣智慧（EI）
13資料來源：BI Intelligence、ICA League、廣證恆生
邊緣運算的下一發展階段即為邊緣智慧，將邊緣
運算與人工智慧相結合，讓每個邊緣運算的節點
都具有計算和決策的能力，即邊緣智慧。
邊緣智慧使得邊緣運算、人工智慧與應用場景結
合，是邊緣運算最好的實踐形態。
邊緣智慧有助於企業進一步縮減數據處理成本
邊緣智慧與邊緣運算相比：安全性更高，功耗
更低，時延更短，可靠性更高，頻寬需求更低
，更大限度的利用數據，縮減數據處理成本。
▼圖1-7
▼圖1-8

14. 邊緣AI晶片 — 邊緣智慧的靈魂
14
邊緣智慧就是在業務層、終端側部署人工智慧，而 AI 晶片則是人工智慧的核心，是人工智慧唯一的物理
基礎，邊緣AI晶片的發展將可解決雲端AI的限制，有效實行邊緣智慧。
iPhone 的 FaceID、Pixel 的音樂識別、Google 的
Clips 等，都是 AI 功能在消費電子產品上的體現。
而終端的 AI 晶片在其中扮演十分重要的角色。
資料來源：BI Intelligence、ICA League、廣證恆生
智慧型手機備受關注，AI 晶片滲透率逐年提升
▼圖1-9

15. 邊緣運算應用場景2
15

16. 邊緣運算應用場域涵蓋交通、零售等五大面向
16
註：其他(others)包含媒體娛樂(1%)、化學與農業(5%)、金融保險(1%)等應用領域
• 部分需要即時傳輸與辨識高解析度影像的應用場景可望由邊緣運算高頻寬、低延遲的特性，解決其嚴格的性
能需求；而上述特定場景又可歸類為交通運輸、零售、公共建設、能源產業、醫療服務等五大領域。
資料來源：McKinsey、ResearchGate
▲圖3-2
▲圖3-1

17. 深入分析簡易分析
交通運輸—自駕車
17
廠商運用實例
Edge Server
分析附近街區
交通情境提出
預警
Edge Cluster
負責城市層級
資料分析
整合Edge端深
入分析資料，
進行建構調整
應用即時資料
執行演算法做
出停車或改道
反應
車上感應器擷取
即時路況資料
自駕車行駛過
程遇到事故發
生時
快速反應與執行
• 百度智能雲與 Intel 聯手發布 BIE-AI-BOX，通過其提供的車載視覺能力，廣泛應用於其他領域各種類型車的車外路面識
別、車外特種設備監控、車內駕駛員行為識別、車內境監控等。
資料來源：工研院、Gartner、百度
▼圖3-3：自駕車運用邊緣運算之示意圖

18. • SKT提供液態瓦斯(LPG)之
遠端監測服務，利用LoRa
網路掌握瓦斯使用量等資
訊，進行用戶管理、系統
管理及訂單收費管理等。
• ARM 也與南韓電力廠商
KEPCO 合作儀表系統升
級，利用 Mbed Edge 讓
KEPCO 部署各類智慧閘
道器，連結電網和公共事
業服務，以及對各種家用
電器進行資料即時分析，
協助優化能源的消費狀況
• 德國電信於波昂運用
NBIoT網路及Park and
Joy app，提供停車位搜
尋及線上支付服務，預計
2019年安裝於所有公有停
車位。
• 中國移動與江西省龍虎山
旅遊發展公司合作，於風
景區171個停車位提供即
時查詢停車位、車位預定
、停車引導等功能。
• 光寶採用AWS
Greengrass，打造邊緣運
算閘道器以建置智慧IoT路
燈共桿，使資料能夠先在
本地端運算，經處理過後
再回傳至雲端。
• 研揚的Atlas智能影像解決
方案，搭載Intel
Movidius VPU模組，整
合邊緣端感測器數據，可
連接多達200盞的智慧路
燈，達到控制的目的。
公共建設—傳輸量小與移動性低之城市智慧設施
18
應用場景一：智慧路燈 應用場景二：智慧停車 應用場景三：智慧讀表
資料來源：經濟部工業局、科技新報、光寶科官網、研揚官網

19. 零售—無人商店
19
廠商運用實例
資料來源：新通訊
• SAP 與 Intel 於2017年共同推出MEC解決方案，採
用Intel處理器的智慧型連線裝置，Intel零售感測平
台(Retail Sensor Platform, RSP)透過感測器蒐集貼
有RFID標籤商品數據，將數據資料經過Intel IoT閘道
傳輸至邊緣運算平台，來執行SAP即時分析和Intel資
料處理解決方案。
• 以色列廠商Saguna於2017年推出MEC零售商場
解決方案，其Open-RAN平台採用Intel Xeon處
理器與MEC核心技術，藉由布建在商場內的小基
站(Small Cell)，可實時辨認移動中的行動裝置，
並將RAN-based資訊(如消費者位置相關數據等)
傳輸到網路伺服器。
商品貼上RFID標籤
店內感測器
蒐集商品數據
店內數據傳輸至SAP
動態邊緣處理伺服器
串聯並整合
感測數據及
商務數據
零售商可利用任何裝置或
瀏覽器介面進行資料存取與解讀
→有利庫存管理、提高存貨追蹤精確度
▲圖3-4：SAP與Intel共同推出之零售商MEC解決方案示意圖

20. 醫療服務
20
• 凌華科技與NVIDIA合作推出搭載NVIDIA Turing架構與
NVIDIA Quadro RTX的嵌入式GPU(MXM GPU模組)，
解決嵌入式應用在功耗和尺寸上的挑戰，適用於智慧醫療
這項需要高效能運算的應用領域上。
• NVIDIA Clara Federated Learning 應用程式將在NVIDIA
EGX邊緣運算平台上運行，利用分散式合作學習技術來訓練人
工智慧模型的同時，也能將病患的資料留在醫療服務提供者這
端加以妥善保管，解決隱私權爭議。
資料來源：MoneyDJ、凌華官網、NVIDIA官網、researchgate
廠商運用實例應用架構
圖3-6：
NVIDIA
Clara
運行架構
數據收集
檢傷分類
檢查
診斷
邊緣裝置
中央雲端伺服器
排程系統
任務指派
搜尋邊緣端資源
註：資源池為雲端計算數據中心中所涉及到的各種硬體和軟體的集合，按其類
型可分為計算資源、存儲資源和網路資源。
醫生端
護理師端
病患運送者端
▼圖3-5：邊緣運算於醫療服務之應用架構

21. 能源產業
21
人工輸入
、分析
人工秒表
、監測
開採 運輸 儲存
開採 運輸 儲存
分析結果雲端
邊緣
匣道器
對原始
數據行進
實時分析
攝像頭
傳感器
芯片
資料來源：Tech2real、Azure官網
廠商運用實例
• Microsoft Azure邊緣運算平台，通過
AIoT連接邊緣端的水錶、電錶、燃氣
表、熱能表等設備，實時採集並處理
設備數據，可以於終端設備進行安全
預警；同時，將分析後的數據上傳到
雲端進行用量分析、需求量分析等大
數據處理，並將其儲存，以供用戶隨
時查詢歷史記錄。
傳統模式 雲端協同模式
▲圖3-7

22. 邊緣運算國際大廠布局3
22

23. • Arm推出Arm Neoverse，驅動
未來覆蓋核心數據中心到邊緣基
礎設施發展
1. Neoverse N1 平台
較前一世代提升 60% 整數運算效能
，並在關鍵雲端作業負載效能提升
2.5 倍， 也導入包括伺服器級虛擬化
、尖端 RAS 功能支援，並具備功耗
與效能管理，與系統層級分析。
2. Neoverse E1 平台
處理量效能較前一代提高2.7倍、超
過2.4倍的處理量效率、以及超過2倍
的運算效能，並針對終端到核心資料
傳輸提供可擴充的處理量，支援從低
於35瓦的基地台一路涵蓋到100
Gigabit 及以上等級的路由器。
• Arm為實現將AI運算從雲端移至
邊緣，推出包含可高度擴充處理
器的Arm IP套件 – Project
Trillium機器學習平台，包含兩
大產品組合：
1. Arm機器學習處理器
針對行動裝置，提供每秒超過4.6兆
次運算，透過智慧資料管理，每秒兆
次運算（TOPs）的有效處理量可望
提升二至四倍。
2. Arm物件偵測處理器
可有效辨識人物與其它物件，Full
HD即時偵測處理達每秒60幀，與傳
統DSP相比，效能最高可達80倍。
• Arm推出 Mbed Edge，新增
三項技術，以擴充 Mbed
Cloud 的裝置管理功能：
1. 通訊協定轉譯
將舊型連網裝置的通訊協定轉譯
成IP，使非IP協定的裝置也能在
Mbed Cloud一同接受管理。資料
2. 閘道器管理與診斷
提高 IoT 閘道器的復原能力，並
降低停機時間。其關鍵功能包括
發送警報通知、程序等管理。
3. 邊緣運算
提供一個在本機內運行應用程式
的環境及相關運算資源，並使閘
道器在斷線後仍能獨立運作。
IP廠—Arm：強調提升邊緣端的處理效能
23
Mbed Edge(2017) Project Trillium
(2018.02)
Neoverse(2018.10)
資料來源：Arm官網、DIGITIMES、數位時代

24. 晶片廠—NVIDIA：與跨平台業者合作建立EGX生態系
24
NVIDIA EGX平台
(2019.10)
NVIDIA EGX平台策略
資料來源：NVIDIA官網、iThome、科技新報
• 憑藉易於部署的雲端原生軟體堆疊、一系列經過驗證的
伺服器和設備，以及在其產品和服務中提供 EGX 的廣泛
合作夥伴生態系統，將加速 AI 計算的強大功能引入邊緣
伺服器。
• NVIDIA EGX 是雲端原生、邊緣端優先且可擴充的平台
，使企業能快速擴展邊緣作業。
• 由 Nvidia 主導的 EGX 平臺，串連許多不同類型的IT廠
商，在底層的部份，眾多伺服器供應商是主力，也有大
型雲端服務業者與系統軟體商。
廠商類型 系統軟體商 雲端服務廠商 電信業者
公司 紅帽 微軟 愛立信
合作內容
Nvidia的Edge
Stack軟體堆疊
架構，整合到紅
帽的OpenShift
，並且進行最佳
化調校。
→加速 AI、機
器學習在邊緣的
作業
微軟旗下Azure
IoT Edge、Azure
ML等雲端服務，
都能以最佳化的方
式，支援執行在
EGX平臺的影像分
析應用程式框架。
→推動從邊緣到雲
的AI運算
結合愛立信
RAN網路領
域的專業以
及Nvidia的
GPU加速平
臺技術。
→建立高效
能的虛擬化
5G網路
▲圖2-2：NVIDIA EGX平台架構圖
▼表2-1

25. • 針對邊緣運算需求，Intel推出新一代 Movidius視覺運算處理器(Visual Processing Unit, VPU)。
• 專為深度學習(Deep Leaning)、視覺(Vision)和媒體(Media)所設計，並透過OpenVINO來加速。
• 具備低功耗(4~15W)的高效能邊緣推論(Edge Inferencing)，可運用在小型裝置內部。
晶片廠—Intel：重視視覺與邊緣端的應用結合
25
為邊緣運算推出的開發工具
資料來源：EET Taiwan、T客邦、Xfastest
OpenNESS
此套件可在安全的多重存取邊緣雲端運算，無縫地橫跨網路邊緣或就地部署，以進行開發、佈建和管理網路服務
與其他應用。該工具套件支援以3GPP規格為基礎的5G佈建以及在雲端原生環境上跨網路邊緣的端至端部署。
Open Visual
Cloud
為開源程式碼專案，提供可視化雲端服務的核心要素，協助縮短包括媒體處理、媒體分析、沉浸式媒體、雲端繪
圖和雲端遊戲等服務中的現有產業科技差距。
OpenVINO
是一個快速開發高性能計算機視覺和深度學習視覺應用的套件，具有異構推論(Heterogeneous Inferencing)，
可加快Intel加速器和彈性運用異質架構(CPU、GPU、FPGA和VPU)的深度學習效能，協助開發者快速將邊緣裝
置和物聯網裝置收集到的影像資料轉換成有價值資訊。
新一代 Movidius VPU (預計2020 1H 上市)
在硬體產品之外，Intel也推出許多開發工具和新計劃，讓開發人員能夠在5G、人工智慧和
媒體下進行產品原型開發與生產，以滿足邊緣運算的獨特需求
▼表2-2

26. • 在Azure IoT 套件中和邊緣運算關聯性最高，導入在處理雲
端及裝置間溝通的IoT中樞之前，主要將雲端分析結果或自
定義邏輯演算置入裝置，讓裝置不再只是收集或管理資料
的管道，而是能確實將 AI 應用落地。
• 於2018年升級，內容可分為以下三部分:
1.開源釋出Azure IoT Edge Runtime
釋出Azure IoT Edge服務的Runtime程式碼，讓客戶可自行
修改 Edge 端應用(修改、新增自己的功能)，提高掌控度。
2. Custom Vision 服務
存在於既有 Azure 認知服務中，能夠使無人機和工業設備等
邊緣端裝置不需連網就能進行關鍵決策。
3.新版AKS容器調度服務
Microsoft的雲端容器服務 Azure Kubernetes Service（AKS
）大幅整合開發工具、工作空間、DevOps 功能、網路與監
控工具等功能，並支援邊緣運算叢集的容器調度管理，讓開
發者可專注於編程而非工具的學習和轉換，更直接且即時地
管理。
雲端運算廠—Microsoft：從Azure IoT Edge佈建生態圈
26資料來源：Microsoft官網、科技新報、mashdigi、iThome、科技產業資訊室
Azure IoT Edge(2017)
除前述和NVIDIA的合作以外，其他案例如下:
• DJI(無人機大廠)
以 Azure 做為雲端平台，和DJI合作拓展商用無人機
與 SaaS 解決方案，實現更佳的飛行控制和即時資
料傳輸能力。
• 高通
和高通共同打造執行於 Azure IoT Edge 的 Vision
AI 開發套件，為基於攝影鏡頭的物聯網解決方案提
供關鍵軟硬體支援，讓這些攝影鏡頭能於 Azure 平
台上執行進階服務，例如機器學習、串流分析與認
知服務，並載入於 Edge 端運行。
跨領域合作案例
和AT&T 合作包含Azure雲端基礎架構服務和
Office 365 的運用，目標在2024年前將大部分非
網路工作移至公共雲端，以及5G網路互相合作，
並將在邊緣運算上展開更先進科技產品的研發及
服務。
• AT&T

27. • 讓物聯網裝置更容易與雲端服務連接運作，無需
搭配特別撰寫軟體系統進行串接，加快物聯網裝
置佈署效率。
• 加強邊緣裝置端的資料存取效率，使邊緣裝置運
算也能銜接Azure SQL資料庫與SQL Server運算
能力。
雲端運算廠—Microsoft：提升邊緣端開發便利與相容性
27
Azure SQL Database Edge(2019) IoT Plug and Play應用項目(2019)
資料來源：Microsoft官網、科技新報、mashdigi、iThome、科技產業資訊室
▲
圖2-3：
Azure SQL Database
Edge部署模型

28. • AWS IoT 四項服務中最貼近邊緣端的服務。
• 由雲端服務和三個用於 IoT 裝置的軟體所組成：AWS IoT
Greengrass Core、AWS IoT 裝置軟體開發套件和 AWS IoT
Greengrass 軟體開發套件。
• 執行 AWS IoT Greengrass Core 的裝置可當作中樞，與執行
Amazon FreeRTOS 或已安裝 AWS IoT 裝置軟體開發套件的
其他裝置彼此進行連接，將不同類型的裝置與雲端連接。
• 連線裝置可執行 AWS Lambda 函數、保持裝置資料同步，若
裝置與雲端的連線中斷，AWS IoT Greengrass 群組中的裝置
可繼續透過本機網路彼此通訊。
• 使用 AWS Lambda，Greengrass 可確保 IoT 裝置能夠快速回
應本機，以及盡量減少將 IoT 資料傳輸到雲端的成本。
雲端運算廠—Amazon：將 AWS 無縫延伸到邊緣端
28
AWS Greengrass
資料來源：Amazon 官網
AWS IoT
Greengrass
提供預建的連
接器。 ▲圖2-4：
AWS Greengrass 基本架構
AWS Wavelength是基於5G的邊緣運算服務，與Verizon、
Vodafone、SK Telecom、KDDI等電信業者結盟，推動客戶打造透
過5G網路傳遞給行動用戶與裝置的各式應用程式。

29. 針對電力、運
算力有限的閘
道器提出對應
的人工智慧加
速晶片。
物聯網閘道器必然
得執行的軟體，為
物聯網的連線通訊
加密，更新閘道器
上的韌體、軟體，
同時也用來管理與
交換資料。
將 Google Cloud 資料處理和機器學習功能
擴展到閘道器、相機與和邊緣裝置的軟件
29
Cloud IoT Edge
Androidthings
or
Linux OS
作業系統 Edge IoT CoreEdge ML
Edge TPU
雲端運算廠—Google : 整合雲端服務到邊緣端
即時分析跟機器學習
由Google 開發，
用於機器學習的軟
體，應用在人工智
慧的推論執行。
資料來源：Google research
▲圖2-5：
Google Cloud IoT Edge
基本架構

30. 30
結論
• 隨著物聯網概念興起，行動資料的流量需求大幅增長，既有雲端運算架構已無法滿足大量數據之即時
傳輸需求，使相對而言距離終端裝置較近的邊緣運算因而興起，並協同雲端運算實時處理資訊。
• 邊緣運算相對於傳統雲端運算而言，具有高頻寬、低延遲之優勢，可滿足對即時影像傳輸要求較高之
應用場景，如自駕車、無人商店等。
• 在國際大廠布局方面，IP廠多以提升邊緣端裝置效能為主要發展方向；晶片廠則在硬體上持續優化處
理器效能，同時串連不同類型的IT業者打造邊緣運算開發平台；雲端運算廠則是從既有的雲端運算平
台業務中向外拓展，提供使用者自主性更高的開發環境。

31. 附錄
4
31

32. AI晶片種類與特性
32
AI晶片大致上可區分為CPU、GP-GPU、FPGA、ASIC
、NE SoC等不同架構，各種架構各有優缺點，但一般
來說GPU在雲端運算仍具有優勢，在邊緣運算方面如
FPGA是演算法未定型前的最佳選擇，ASIC因功耗低及
量產成本低將是多數應用長期發展的最終目標。

33. 邊緣運算可望滿足特定場域對高頻寬及低延遲之需求
33
Industrial
IoT
Health
Care
Smart City
Agriculture
Intelligent
Transportation
Smart
Homes
Gaming
Cashierfree
Store
Frequency of
Data Transaction
Wearable
Latency of Data Transaction
Drone
AR
VR
Autonomous
Car
High
Low
Low Sensitivity High Sensitivity
• 自駕車、AR/VR等應用場域需即時傳輸與辨識高解析度影像，對網路頻寬與延遲要求極高(網路傳輸
延遲時間需小於10ms)，而目前既有的雲端運算架構不易滿足其即時反應需求且成本高。
資料來源：經濟部工業局

34. AR/VR應用面向多元
34資料來源：researchgate

35. 其他應用—AR/VR頭戴式裝置
35資料來源：DIGITIMES、T客邦
工業應用場景—BMW TSARAVision智慧眼鏡 醫療應用場景—Microsoft Hololens 2
• BMW為其維修技師配備TSARAVision智慧眼鏡，技
師可利用其與服務中心連線，與專家進行視訊或語
音對話，或直接將維修步驟傳送至智慧型眼鏡並投
射至前方螢幕。
• Philips與Microsoft透過前者的醫學成像引導治療平
台Azurion，共同開發AR技術，進行微創手術時可
看見患者即時生理數據和3D醫學影像。
• Microsoft HoloLens 2可結合Azure雲端服務
→開發者能藉由HoloLens2銜接邊緣運算與雲端協
作應用模式的使用體驗。
▼圖3-9：Microsoft Hololens 2 使用情境
▼圖3-8：BMW TSARAVision智慧眼鏡使用情境