來源：雲雲眾生s
透過在邊緣和雲之間分配任務，我們可以最佳化 AI 應用程式的速度、效率、安全性和私密性。
譯自 The Future of AI: Hybrid Edge Deployments Are Indispensable ，作者 Luis Ceze。
選擇和可存取性的概念在最大化 人工智能 的影響中發揮著關鍵作用。
在人工智能的世界中，雲一直是傳統的動力源。它為復雜計算和訓練模型所需的大量 數據需求 提供了繁重的任務，並維持了大規模部署推理的極端計算需求。
但隨著人工智能的擴充套件和普及，延遲、私密問題、連線性和網絡頻寬限制了人工智能的全部影響。邊緣人工智能抵消了其中一些限制，特別是對於需要立即數據處理、具有嚴格延遲限制和可用性要求的應用程式。它還透過將敏感數據本地化來直接解決私密和 安全問題 。
這對於任何人來說都不應該感到驚訝。它讓人想起早期的雲時代，當時遠端托管數據和應用程式在成本、效能和更快地將產品推向市場的能力方面提供了效率提升。在那些日子裏，這個決定不是二元的；它是一種混合組合，為任何組織和專案提供了必要的靈活性。
從主要基於雲的 GenAI 轉向邊緣加雲選項類似於 Web 應用程式的演變。Web 最初主要是基於伺服器的，具有「啞」瀏覽器，這些瀏覽器主要與使用者互動，但隨著它們的發展，它們逐漸吸收了應用程式邏輯和 UI。
這種向人工智能邊緣計算的轉變，類似於 Web 向類似於作業系統的復雜瀏覽器的轉變，解決了這些限制，並為各種人工智能應用程式和專案提供了必要的靈活性。
生活在邊緣
人工智能應用程式中的邊緣部署 提供了許多好處，正在重塑技術格局。
其中最重要的是「始終可用」。本地部署人工智能模型消除了對外部網絡連線或遠端伺服器的依賴，最大程度地降低了因維護、中斷或連線問題而導致的停機風險。這種級別的彈性在醫療保健和其他敏感行業等領域尤為關鍵，在這些領域中，不間斷的服務絕對至關重要。
邊緣部署還確保了「低延遲」，因為光速是一個基本的限制因素，並且在存取雲基礎設施時可能會出現顯著的延遲。隨著邊緣處越來越強大的硬件可用，它可以處理物理上附近的數據。
另一個好處是能夠利用專門針對其需求量身客製的硬件，在繞過網絡延遲和頻寬限制以及雲提供商施加的配置限制的同時最佳化效能和效率。
最後，邊緣部署允許在安全環境中集中大型共享資產，這反過來簡化了儲存管理和存取控制，增強了數據安全性和治理。
將你的頭置於雲中
雖然邊緣部署在人工智能應用程式中提供了引人註目的特性，但基於雲的部署也是如此。
例如， 雲提供了更多計算能力 。雲環境通常提供大量的計算資源，使其成為需要大量計算能力的任務的理想選擇。復雜模擬、大規模數據處理和高效能計算是雲端運算擅長的領域。
雲提供了對線上資料來源的廣泛存取 。雲解決方案促進了對大量線上資料來源和服務的存取。當人工智能模型需要即時數據更新或存取托管在雲中的海量數據集時，這可以被證明是無價的。
雲環境也非常適合持續模型訓練。它們可以有效地管理和跨分布式資源分配訓練過程，確保人工智能模型始終與最新數據保持同步。
邊緣本身並不是萬能藥。雲端運算在處理需要大量計算能力和歷史數據分析的任務中發揮著至關重要的作用。
邊緣 + 雲 = 人工智能的民主化
邊緣和雲解決方案之間的協同作用不可否認，它創造了一個混合生態系，最大化了人工智能應用程式的潛力，同時滿足其獨特需求。它結合了邊緣部署的低延遲、數據私密和客製優勢，以及雲端運算的可延伸性和廣泛資源，為各種人工智能場景提供了一個全面的解決方案。
透過在邊緣和雲之間分配任務，我們可以最佳化人工智能應用程式的速度、效率、安全性和私密性。
但這遠不止於此——邊緣加雲的方法使人工智能民主化，使其即使在互聯網連線有限的偏遠地區也能有效執行。該解決方案可能會為欠發達地區的 AI 驅動進步開辟前所未有的機會，彌合數碼鴻溝，避免在人工智能革命中將許多人拋在後面。
本文在 雲雲眾生 （ https://yylives.cc/ ）正選，歡迎大家存取。
