近几年，随着边缘计算与AI的结合，边缘AI逐渐成为新的智能转型手段，因其流量占用小、时延低、隐私性强等特点，可以与传统云计算形成组合拳。
边缘端现场实时处理与响应，保留重要数据回传云端，这种组合方式可以加速传统行业智能化升级的落地，在各行各业具有广泛的应用前景。
智慧交通
随着城市交通智能化的发展，各种终端数量的增加，对海量信息实时处理的需求也显著增加。
比如交通监控摄像头，单个路口的高清摄像头每天就会产生几十G的视频文件，如果是一条街、一个区域、甚至一座城市，产生的数据量是无比巨大的，而这些视频中，真正有效的，需要捕捉的违法行为内容占比很少。
边缘AI计算机可在现场进行智能处理，直接在本地分析违法行为，筛选有价值内容上传，大大降低了无效内容产生的带宽和存储浪费。
智能交通正在从单一场景的交通管理，向融合场景的交通服务发展。V2X（汽车无线通讯互联）场景可以让道路驾驶更安，更多的道路智能设备加入，给予汽车如限速、恶劣天气预警、并线提醒、路口信号灯配时调度等数据。
智能汽车
具备智能驾驶辅助的汽车在行驶过程中会产生大量数据，这些数据可能是汽车自身数据、如时速、油门与刹车开度等，也可能是雷达、视觉等外部传感器探测的数据，在车路协同场景中，甚至还会有其他车辆的位置、速度，及电子路*设施的交互数据。
汽车在道路上行驶时，如果这些数据全部需要上传云端处理后再反馈车辆，就会产生严重的安全隐患，如果恰巧汽车行驶在无信号的山洞、隧道中，或信号故障、干扰的区域，云计算失联，汽车无法自主进行决断是非常可怕的。
所以要借助边缘AI计算机给予汽车相应思考能力，让汽车不需要云计算即可做出“潜意识”的正确反应。
智能家居
随着物联网的普及，家庭生活将引入越来越多的智能应用，如智能照明控制、智能电视、智能空调等。这些应用需要在家中部署大量的传感器和控制器。
为了保护家庭数据的私密性，数据处理可以使用边缘AI，使得大部分计算资源被限制在家庭内部网关，禁止敏感数据外流。
通过边缘AI优化室内定位和家庭安防检测，获得比云计算更高的精度和更低的延迟。家庭娱乐也将从边缘AI受益，无需将用户偏好上传到云端，系统可自行推荐个性化服务，让用户拥有更好的娱乐体验。
智慧农业
农业也将同样受益于边缘AI，我们曾为某畜牧企业提供了边缘AI计算机，通过客户业务需求，导入对应算法，将用户传统摄像头进行人工智能升级，边云结合，快速完成升级部署。
升级后的系统可以全天候自动完成人员、服装识别；猪只出入、转栏识别；外来生物识别、轨迹监控；区域异常监控等工作。显著节约了人力成本，提高了企业的专业化、现代化水平。
无人机
近年来，从自媒体到影视拍摄；从电力巡检到国土巡防；从农业喷洒到防汛抗旱，无人机的应用领域正在不断扩大。
但是无人机的痛点：控制距离受限、孤立飞行无法协同配合、依赖人工监控的问题依然突出。
边缘AI可以有效的解决这些问题，首先，通过区域边缘计算机节点，无人机与之通讯，实现超视距广域飞行。
其次，通过自身的边缘AI计算机，可以自主进行编队、多机协同配合。如近些年出现的无人机编队表演，农业组队喷洒，挂载不同设备协同巡检，甚至*事上进行无人机集群突防等。
最后，通过导入算法，可在现场自行分析拍摄的画面内容，如农作物病害、森林火情等场景，自动向云端上传汇报，降低人工监控的工作量，自主进行更远、更广、更长时间的巡检工作。
安防监控
实时视频分析也是边缘AI最重要的应用场景之一。人脸识别系统是监控摄像机的发展方向，它可以通过学习人脸来识别个体。
以前，视频分析通常是在云中进行的，存在数据消耗高、延迟大等问题。随着边缘计算技术的发展，部分视频分析工作可以转移到边缘节点。
边缘AI可以加强相机终端的计算和处理能力，它所携带的人脸识别功能可以不再依赖于云服务器，节省了大量的带宽资源和上传时间。通过在本地设备上直接完成人脸识别，缩短识别过程。
智慧物流
在智能物流系统中，将边缘AI应用于单元级物流终端，提高其智能化等级。如:智能分拣机器人、快递无人飞机、智能穿梭车、搬运车、无人装卸设备、物流配送机器人、智能堆垛机等。
随着物流行业步入智能化进程，这些设备需要与智能物流系统和智能物流服务平台相连接。此时，边缘AI平台成为智能物流终端设备智能觉醒的关键。
智慧城市
随着城市规模的不断扩大，数据呈现地理分布的特性，需要边缘AI提供对时延敏感设备的监控和智能控制。
通过边缘计算支撑智慧城市大规模基础设施的计算和服务，可以实现终端设备的低时延应用，也可降低带宽占用，这对城市中海量物联网设备是很有必要的。
通过AI来协同和调度城市基础设施，应用到公共安全、城市管理、交通出行、智慧社区等领域，实现整个城市的资源最佳利用。
制造业
在工业制造领域，边缘AI将在智能工厂的发展中发挥越来越重要的作用。在工业4.0模式的推动下，智能工厂将把先进的机器人和机器学习技术应用到软件服务和工业物联网中，提高产能，实现生产效率最大化。
边缘AI利用各种传感器来控制和管理指令，显著提高控制效率，减少误差。
边缘AI计算机可以独立自主的在几毫秒内对输入做出响应，要么进行调整以解决问题，要么立即停止生产线以防止严重的安全事故发生。
边缘AI所面临的挑战
近两年，边缘AI产业生态已逐步构建，但在良好态势的背后，边缘智能仍面临诸多问题。
1.由于云计算系统借助边缘计算不断下沉，部分流量直接通过本地边缘AI平台传输。如何对边缘AI平台服务的流量进行统计和收费是需要研究的问题。
2.服务的对象和场景比较多样化。如何将一套边缘AI平台适配到多元化的第三方应用，也是当前面临的问题。
3.由于业务的碎片化，边缘AI平台可能会需要分散部署在单个场景或两、三个场景中。不仅需要考虑整体部署方式，还要考虑如何进行灵活、智能的运维。
4.如何更深入的引入AI，让边缘计算发挥更高的应用优势值的研究。
5.此外，边缘AI平台的业务运营模式、部署位置、自我修复、自动扩容等问题还有待进一步研究解决。
目前，虽然边缘AI仍处于发展的早期阶段，但作为下一波计算浪潮，从通信、互联网行业到工业领域，人们普遍对边缘AI将发挥的重要作用寄予很高的期望。
边缘AI作为一种能够实现5G三大典型应用场景的计算范式，将IT服务环境和云计算能力延伸到移动网络的边缘，必将与云智能一起助力各行各业的数字化转型。