Download as PDF, PPTX
Uploaded byCollaborator
Junior新趨勢: 邊緣運算
边缘计算是在物联网发展背景下应运而生的一种分布式运算模式，能够在数据收集源附近实时处理与分析数据，解决传统云计算在延迟和带宽方面的不足。国际大厂正在通过提升边缘设备性能、优化处理器效率以及构建开发平台来布局边缘计算。边缘计算具有高频宽、低延迟的特点，适用于自驾车、无人商店等对即时数据处理需求较高的应用场景。
![[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰](https://cdn.slidesharecdn.com/ss_thumbnails/20190316jyh-horngchou-190315170336-thumbnail.jpg?width=640&height=640&fit=bounds)
Junior新趨勢: 邊緣運算
- 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.
- 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. MicrosoftAzure, 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 ofInformation 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(distributedcomputing)，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：Journalof 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：Journalof 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 ofInformation 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.
- 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.
- 16.
- 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 NVIDIAQuadro 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.
- 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(VisualProcessing 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AzureSQL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.
- 32.
- 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 DataTransaction 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.
- 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—MicrosoftHololens 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