2019年，帶有人工智能技術硬件加速器（特別是神經網絡）的特定微型計算機得到普遍使用。所有關鍵的硬件廠商都陸續發布了AI軟件棧的邊緣優化版本，這進一步提高了性能。目前，一般使用的AI板有，谷歌的Edge TPU——使用專門的ASIC芯片制作而成用以處理AI的預測推理功能。價格低于100美元的英偉達Jetson Nano 配備了128個英偉達CUDA核心。瑞芯微發布的 RK3399 Pro——第一個帶有神經網絡處理器的開發板（其性能甚至略優于英偉達Jetson Nano）。

物聯網技術的大幅提高讓我們得以發展nBox——這款邊緣計算設備不僅能夠借助多達12個通道記錄高質量音頻，并且還可以通過邊緣計算實現人工智能。所謂邊緣計算，是指大多數處理過程將通過本地設備實現而無需交由云端完成。

隨著英特爾（Intel）以約4億美元收購Movidius，以及超過133.8億歐元收購自動汽車芯片制造商Mobileye，邊緣計算的重要性變得顯而易見。特斯拉汽車公司（Tesla Motors）在網上展示了他們為其自動駕駛汽車特意打造的AI高性能計算機——每秒能夠完成36萬億次浮點計算，這足以每秒處理汽車攝像頭中2000多張高分辨率圖像，特斯拉表示這它的性能完全能夠實現自動駕駛。

邊緣計算四個主要優勢1、安全：所有處理過的數據都可以存儲在本地，并且有嚴格的控制。2、速度：人工智能推理系統能夠以毫秒為單位處理輸入，這意味著最小的延遲。3、效益：嵌入式微型計算機功耗低，價格實惠。4、離線：由于人工智能算法部署位置的特殊性，不需要占用太多的網絡寬帶。

邊緣計算相對于5G，優勢何在？也許你會問為什么這么多的硬件廠家如此大費周章？為什么不坐等5G網絡或者利用豐富的云計算能力和基礎設施？以下是一些答案。

想象一下，你正坐在一輛自動駕駛汽車里，汽車突然斷開了5G網絡。這時，汽車不僅會“失明”，而且會喪失決策能力。當高帶寬和低延遲通信所需的計算能力實際上與一個額外的神經處理單元的成本相同時，為什么要冒這個風險呢？此外，它的總體耗能還會比利用特定硬件實現人工智能預測來的要高。

移動互聯網提供商希望將投資套現用于開發和部署5G網絡。盡管在技術上可能實現無限制大容量數據計劃，但它們并不會很快投入商業使用。例如，nBox有12個聲學傳感器，每個月可以產生多達1 TB的音頻數據。按照LTE目前每GB的價格，將這么多數據傳輸到云計算將花費一大筆錢。

網絡覆蓋將主要建立在城市，這意味著其他很多地方接受不到5G信號。與此相反，邊緣計算設備可以隨即部署到任何需要的地方，只需要一次性的成本投入，并且這通常不會顯著增加物聯網解決方案的成本。邊緣計算與人工智能相結合使得在本地處理大量數據成為可能。硬件加速器的額外成本其實微不足道。另外，神經網絡的計算性能正以每年10倍左右的速度提高，并且，由于數據可以并行處理，這一趨勢似乎沒有放緩。