自1956年人工智能作为大学的一个研究领域引入以来，人工智能经历了同等程度的乐观和悲观时期。毫无疑问，我们今天看到的是一种非常乐观的态度。数据科学是全球第三大最受欢迎的工作。事实上，在我们最近对西班牙边缘计算状况的研究中，数据科学家是西班牙公司中最需要的专业人士，这个市场正在经历指数级增长，预计到2025年将达到1900亿美元。市场行业的智能化使得它不再是单一的技术，而是针对不同行业服务于不同目的的众多分支。在被确定为最成熟且最接近生产阶段的趋势中，我们可以在日常生活中识别这些趋势。例子包括我们与越来越像人类的聊天机器人交谈时的简单语言处理、支持实时视频处理自动化的机器成像，以及导致更好搜索结果的语义搜索。在另一个极端，至少在10年内不会再有未来主义。一些有趣的例子是AITRISM（信任、风险和安全管理）技术，它可以调节AI模型，使它们更能抵御安全和隐私攻击，以及Transformers，它可以使AI模型适应环境，并将改进翻译等应用程序、自动文档创建或生物序列分析。介于这两个极端之间的是其他使能技术，它们从部署到市场成熟需要两到五年的时间，这可以称为“人工智能的不久的将来”。其中包括以人为中心的AI、生成式AI、AI编排和自动化，以及边缘AI（也称为边缘AI），在成熟度曲线上领先于所有其他人工智能。2021年，EdgeAI即将成为一项成熟的技术。EdgeAI和工业世界的分布式智能革命EdgeAI或AIontheEdge可以概括为在非常靠近数据源的设备（IoT设备、边缘设备）上执行AI算法的能力。这项技术呈指数级增长，并得到了一项令人生畏的统计数据的支持：超过60%的工业组织没有适当的云基础设施来帮助他们有效地创新。那么，如果我们用放大镜看EdgeAI项目，我们将在2022年和2023年看到哪些最具颠覆性的趋势？以下是我们的前5大总结：1.关键行业将成为关键驱动因素：从SCADA到边缘AI在BarbaraIoT，我们看到边缘AI前沿行业的重复模式：所有这些都处理许多关键的分布式资产。换句话说，这些行业面临着来自技术碎片化、可扩展性和网络安全的巨大挑战。这些可以通过在边缘执行人工智能算法来最小化。我们可以预测，这些行业将开发出雄心勃勃且具有变革性的用例。自80年代以来一直在使用的SCADA系统在数据捕获和处理方面具有类似的目的。然而，SCADA系统需要辅以更多现代技术，以便它们能够响应日益苛刻的互操作性、开放性和安全性要求。这就是EdgeAI可以提供帮助的地方：通过成倍增加这些系统的价值。2.细边补粗边当我们提到EdgeAI时，对于“边缘”的含义有不同的解释。传统上，边缘被认为是离用户最近的网络运营商基础设施。例如，当我们谈论5G网络时，我们的意思是运营商正在推出大量称为“多接入边缘计算”的节点，用于近距离数据处理。这些节点安装在服务器上，与设计用于托管云服务的数据中心非常相似，它们具有处理复杂人工智能算法的巨大潜力和能力。这就是一些分析师所说的“厚”边。然而，最近开始开发另一种类型的边缘节点：那些直接连接到传感器和交换机的节点，当安装在网关或集中器等低功耗设备上时，用于运行响应较低的更简单的人工智能算法times更短，更接近实时。这种称为“瘦”边缘的新型边缘将使我们能够快速灵活地处理包括远程位置或需要高安全性和数据隔离的大型项目。3.边缘网格作为实现分布式人工智能的新范式边缘人工智能传统上基于使用大数据训练的决策模型。该模型由一系列安装在边缘节点上的数学公式组成。从那里，每个节点都能够根据它接收到的数据和它安装的模型做出自己的决定。这种称为边缘网格的新范例使一个节点的决策受制于另一个节点的决策成为可能，就好像它是一个格子网络一样。理解这种新架构的力量的一个很好的例子是智能交通系统。边缘节点可以使用人工智能算法，考虑传感器检测到的汽车和人的数量来决定何时为交通信号灯计时。然而，这个决定可以由附近街道上的其他节点做出的决定完美地补充。EdgeMesh的目的是跨节点分布智能，以提供比传统架构更好的性能、响应时间和容错能力。4.使用MLOps的生命周期管理成为该技术未来越来越重要的关键。从这个意义上讲，将DevOps理念应用于人工智能算法开发、推广和维护的项目和公司将得到加强。这种工作方式称为MLOps，是机器学习和DevOps的结合。但它到底是什么？基本上，它旨在通过持续集成设备和开发环境、测试和操作来减少人工智能在边缘模型上的开发、测试和实施时间。5.边缘人工智能实现主权数据交换毫无疑问，数据共享对于改进价值链中有许多利益相关者的行业流程至关重要。让我们看看不久的将来的电网模型：智能电网。为了能够获得或提供更好的服务，供应商必须能够分析和处理来自许多利益相关者（例如产消者、运营商、分销商和集成商）的信息。如果没有透明、敏捷的数据交换，到2050年所需的电网优化将无法实现。有了边缘人工智能，集中式数据处理成为可能，这将有助于克服该行业目前面临的一些障碍，例如数据安全、隐私和主权。
