智慧边缘计算：万物互联到万物赋能的桥梁

王晓飞

【摘要】随着通讯、物联网及人工智能等技术的更新迭代，人类社会正从万物互联走向万物赋能的时代。边缘计算作为一种新兴网络技术架构，与传统的云计算形成了优势互补，与此同时，依托人工智能技术的交融使能形成了智慧边缘计算架构。在未来，智慧边缘计算能够有效地将人类从琐碎的脑力消耗中解脱出来，深度推进人类-社会-科技-自身的和谐关系演进，为未来科学技术哲学的发展提供了方向和动力。

【关键词】边缘计算  云计算  物联网  万物互联

【中图分类号】TP3                             【文獻标识码】A

【DOI】10.16619/j.cnki.rmltxsqy.2020.09.001

5G及后5G时代：万物互联到万物智能的黄金时代

万物互联的发展历程。创造是专属于人类的生产方式，科技则是人们在实践过程中产生的观念。马克思曾说过，这一观念包含着人与自然、人与人、人与自身的全部关系。[1]网络信息技术的发展无疑改变着这些关系，即时通讯、扫码支付、日推歌单、共享单车、智能定位……人们是客体也是主体，以数据的方式得到确认，又将享受着数据和算法带来的便捷与智能。从十九世纪八十年代诞生的仅支持语音信号传输的第一代通讯技术，到现在已成熟并广泛应用的第四代通讯技术，以及正在建设的第五代通讯技术，无线通信技术已成为构建智能世界的主要趋势之一，[2]成为了维系人与人、设备与设备、人与设备之间的纽带，打破了“数据（Data）困境”的壁垒，形成各种各样的信息（Information），万物互联正是科技发展驱动下的必然产物。

万物互联使得人们无需对每一个物品下指令就能够获得贴心的服务，对于工业和经济的发展更是一大推动力。报告显示，未来的无线通信系统将必须容纳约1000亿个连接设备，其中包括人类和机器通信设备。其主要目标是建立一个互联的社会，在这个社会中，无人机、汽车、传感器、医疗和可穿戴设备都将通过蜂窝网络相互连接，与终端用户交互，提供不同的创新型服务，如智能城市、智能家居、智能汽车、先进的安全和远程手术。[3]但实现这个全面互联的目标所必需的多设备连接、高速率、低延迟、少干扰也对网络提出了更高的要求。需求催生进步，5G技术带着颠覆世界的使命向我们走来，它具有超高速率（峰值速率大于每秒20 Gbit，相当于4G的20倍）、低时延（网络时延从4G的50ms缩减到1ms）、海量设备连接（满足1000亿量级的连接）、低功耗的特点。万物互联的发展离不开物联网的支撑，5G技术则为其提供了良好的保障。2019年9月，在世界物联网博览会上，中国经济信息社发布《2018-2019中国物联网发展年度报告》，[4]指出了我国对物联网发展的政策支持力度不断加大，阐述了我国物联网应用领域和产业规模。正是由于国家政策导向和支持，我国物联网技术取得了很大的进步，万物互联的时代正式形成。

万物智能时代到来：人工智能技术发展催化物联网应用落地。万物互联加速了信息的融合与联动，以物联网等技术作为载体，加持人类行为的驱动，不同维度下的信息边界正在消失，形成了具有时空性（Spatial-temporal）的知识（Knowledge），而第四次工业革命作为人类文明的一个新时代出现，不仅带来了5G技术，还促进了以人工智能为基础的技术领域不断地快速发展。如果说5G是物联网发展的坚实基础，人工智能则是物联网广泛应用的催化剂，成为了推动人类进入万物智能时代的决定性力量。人工智能在医疗、交通、教育、商业和信息安全等领域的发展已经影响到人们日常生活的许多方面。信息的高度互联，也受到了人工智能技术的加持。

人工智能技术、云计算和5G等各项技术的融入，赋予了机器“思考”的能力，打破了各类应用场景的边界，将万物互联推向了万物智能时代。智能物联网（见图1）落地应用越来越多，进入我们生活的方方面面。例如，2017年阿里巴巴推出了阿里云Link互联网平台，宣布正式进军物联网领域，预计未来5年实现100亿台设备的接入，这些产品涉及智慧城市、智慧物流、智能医疗等领域。其中包括：在外卖服务方面，阿里云对饿了么的配送流程进行优化，餐厅的厨师做好饭之后，点击一个集成IoT SDK的按钮，后台管理系统可以选择距离餐厅最近的配送员进行取餐，大大减少配送人员等餐时间，提高送餐效率;在城市管理方面，阿里云Link为无锡鸿山的每一个路灯、煤气管道、河流配备了传感器，使其可以互联互通，小镇的管理者可以轻松实现城市治理智能化。[5]

此外，很多公司在物联网应用方面也有很好的成就。例如，英特尔和福建升腾资讯合作完成的自助终端和金融服务机器人，提高了无人银行的客户体验;[6]在事故预防方面，英特尔推出了互联消防员，他将Quark处理器连接到消防员的呼吸面罩中，根据消防员的氧气剩余含量和所处环境作出最优的决策;在人际交往方面，IBM公司推出了一个物联网应用——智能泰迪熊，它可以长时间追踪孩子的情绪并向父母发送相应的文本消息，父母可以根据追踪得到的结果实时了解孩子的心情，并及时进行回复。[7]

物联网使得原本冷冰冰的物体成为人类意识的另一种显现方式，甚至能进行思维、判断，倾听和感知，如果说智慧是人类永远的向往，智能则是物联网的追求目标。设备的爆炸式增长也为数字孪生的发展奠定了基础。所谓数字孪生，就是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。[8]简而言之就是再创造一个系统或设备的数字版的“克隆体”。数字孪生主要运用于工业的产品设计、生产、维护及维修等环节中，如美国GE公司为每个引擎、核磁共振等创造了数字孪生体，利用仿真技术，在数字空间完成对机器的调试。除了在工业领域内的应用，数字栾生技术还可以应用于医疗行业和“智慧城市”的建设。如通过5G等传输技术，成功完成了全国首例远程人体手术——帕金森病“脑起搏器”植入手术和将雄安新区定位于绿色、智能的数字孪生城市，实现了物理空间与虚拟数字空间的融合共生等。[9]

万物智能中的变化和挑战。随着移动设备的普及，网络环境中的每个用户都已经从互联网内容的消费者成为了内容的创造者，实现人人智联。[10]随着互联网技术和电子设备的发展，移动设备的多样性增加，不仅仅是移动电话?个人电脑，其他现有的智能对象，如智能电表?传感器、识别阅读器和家用电器等也是物联网中的重要组成部分。能够介入到互联网中的设备将越来越多，数量呈指数级增长，[11]呈现出了一个多方合一的新局面，形成网络?设备?人工智能等各专业领域的知识融合，但在带来巨大变化的同时，也面临着更多的挑战。

首先，物与物的直接連接需要更多样稳定的接入方式。万物互联涉及到以太网、电力线通讯等多种通信方式，[12]大部分被连接的设备还是会利用无线通信来传输传感器和执行器的信息。无线网络的接入方式是多种多样的，比如，WiFi?蓝牙?LoRa（一种长距离无线通信技术）等。多网络的异构性与不同的接入网络和连接能力有关，随着网络技术和人类社会的发展，大部分区域将会出现多种无线通信方式共存的情况，[13]所以寻找更优的网络接入策略、解决物联网无线网络的接入问题将成为挑战之一。

其次，多领域多元素的网络框架，就像一个要同时处理多种事物的综合办公室。在这个框架中，用户?信息?过程和事务将被同时考虑，并允许其通过互联网技术进行扩展，实现智能管理、监控?定位?识别等功能，以一个更有效的方式满足人们的日常需求。在这个过程中，物联网既是环境也是桥梁，应推进所有内容的集成，并填补由内容演变带来的需求空白，让人与人、人与物之间的信息沟通更加通畅便捷，做到随时感知、随时共享、随时控制，以达到更深程度的人人互联、服务互联和最终市场所期望的万物互联。

再次，如何优化频谱资源的利用率是未来需要解决的问题之一。不同的传感器拥有不同的感知?处理和通信能力，在异构的无线环境需要可靠的通信链路来实现更高效的通信。与4G相比，5G应达到1000倍的系统吞吐量，10倍的频谱效率，以及更高的数据速率和更大的数据传输量，对频谱资源的利用也因此有了更高的要求，[14]同时，在真实的物联网场景中，存在着多种类型的传感器，来自于不同的制造商，并且涵盖多种协议，因而，许多问题解决方案的设计需要独立于设备类型和配置，以应对复杂多变的感知与传输环境。

最后，设备及基建设施面临巨大的能耗也是亟待解决的挑战。截至2019年底，我国已有超过13万个5G基站，而5G基站的耗电量是现有4G基站的数十倍甚至百倍，其中80%用于物联网[15]，同时，考虑设备电池的寿命，它取决于设备如何有效地利用各种空闲和休眠模式，在设计中需要合理地对这些模式进行安排。然而，物联网并不仅仅是建立多方的联系，而是进一步实现从连接到智能，除了设备的连接，设备的计算能力才是让这张网能够活起来的关键。[16]

无论是自然界还是在人类的生产生活中，需求和进化都是相辅相成的，随着技术的进步，需求也在不断升级。每一次技术的革新都影响着人类生活。高速无线通信互联网连接和更高的数据率在社会中有着很高的需求，是智能经济发展和社会与世界的数字化的一个重要因素，4G在很多时候可以满足当前大部分用户的上网需求，但在物理层和网络层的设计及其应用领域依然存在着无法满足当前许多需求的问题。5G时代的到来，在提供新机遇的同时，也有着更高的技术要求，海量设备的接入，对数据流量和服务的需求大大增加，与此同时，也需要更大的稳定性和更加广泛的覆盖性，这些需求无疑呼唤着更加成熟灵活的架构与算法。

边缘计算应运而生。随着移动通信技术的快速发展，边缘计算理论和技术越来越引起关注，在这个数据爆炸的时代，边缘计算就也是一种应对数据压力的有效方法。

设备的智能化和数据量的增加，对带宽?功率?延迟?隐私等方面的需求逐渐加深，将所有数据传送到云中是不现实的，因此，利用网络“边缘”对云端分流，能够有效减小云端的流量与计算压力。[17]例如，考虑设备的资源、任务量等约束条件，最小化所有设备执行任务的总能耗，被描述为，公式中的E表示能量消耗，与处理器模型在实践中的能源效率有关，是任务分配的二元决策变量，若值为1则表示任务在本地执行。任务可以选择在“边缘”分析、计算，无需传回云端，这样的方式可以极大减少由于大量数据的传输?计算和存储产生的功耗和时延，加快内容交付和提高移动服务的质量。人工智能促使边缘不仅仅是连接而是变得智能的同时，边缘端多种多样的应用场景，如车联网、智慧家居等，不断产生着大量的数据，边缘计算中的丰富数据可以支持人工智能。[18]边缘计算与人工智能是互补的，也是相辅相成的，与传统的算法相比，具有更加灵活的、可扩展的分布式计算的特性。[19]

边缘生态系统通过为人工智能带来海量的信息，将为人工智能提供许多新的应用场景，边缘计算与智能相结合，推动着物联网的持续蓬勃发展，也预示着万物赋能的基本趋势。每个人都被裹挟在时代进步的潮流中，无论你是享受着技术带来的便利，还是早早将目光聚焦于未来，都已经与之融为一体。未来的变化和挑战，是从万物互联到万物赋能必须要面对和经历的，但迎接它的更多是一片又一片“蓝海”。

万物赋能：边缘计算与人工智能交融使能

边缘智能：无所不在的智能协同。边缘智能依托于边缘计算的低时延、分布式的特性，实现了将人工智能的自主学习、智能决策能力进行下放。如图2所示，边缘智能基于边缘计算的运行机制和网络结构，为智能应用提供多层次的资源支持和性能优化，而边缘智能对智能应用的优化和保障主要体现在以下三个方面。

第一，优化智能应用请求的响应时延与资源供给。目前传统的网络架构采用了基于云计算的执行模式，通过将人工智能服务部署在云端，依托于云端服务器集群丰富的硬件资源来处理计算请求。[20]这虽然解决了硬件资源不足的问题，但云端服务器地理位置偏远的特性造成了额外的时延，导致基于云计算的架构无法满足实时服务的需求。可通过引入边缘计算技术来支撑人工智能服务，在网络边缘分布式部署大量的边缘节点，从而向资源受限的终端设备提供支持来实现边缘智能。[21]

边缘智能已经在许多应用领域有了优异的表现，如图3所展示的边缘智能在实时视频分析中的应用，实时视频分析在智能工厂、智慧社区、无人驾驶等场景中都是不可或缺的关键环节，借助边缘智能实时视频分析可以更加智能、更加高效。在实时视频分析服务的应用过程中，智能手机、智能摄像头等资源受限的终端设备在捕获视频数据之后，若无法支撑人工智能服务高额的资源消耗，智能终端可以仅执行数据压缩[22]、图像分割[23]等预处理，然后将数据传输至边缘节点处理。数量众多的边缘节点一旦接收到来自终端设备的服务请求后便立即开始处理，并且在边缘端还可以进行多个边缘节点之间的智能协作[24]以提供更好的服务。当边缘端无法满足应用的资源需求时，可以将数据传输至云端处理，但也会不可避免地造成额外的传输时延，这也是未来需要解决的问题之一。此外，云端除了提供强大的资源支持之外，还能为边缘端提供人工智能模型的聚合更新能力，[25]从而帮助边缘节点对全局知识进行学习和训练。

综上所述，基于边缘智能可以将视频分析服务部署在更接近请求源的边缘节点上，相对于云端的远距离连接，边缘节点低传输时延的特性可以实现视频分析请求的实时处理，促进应用服务的敏捷响应，而对于边缘智能中的计算密集型任务请求，则可以通过将其传输至云端来满足高额的资源需求。

第二，改进智能应用数据的通讯传输与隐私保护。由于在边缘计算平台中通常需要大量设备的协同运行，因而，不同设备之间不可避免地存在大量数据传输，这不仅会给通讯网络造成极大的流量负载，还会使得数据缺乏隐私性保护。因此，联邦学习被进一步提出，它使得人工智能模型在边缘计算架构中可以进行分布式训练，并且无需上传样本数据，只需将训练后的参数更新上传，之后再由边缘节点聚合参数更新并进行参数下发。比如，在周期t时有s个终端设备在本地进行训练，每个终端设备将会基于本地数据对模型参数进行训练，其中表示梯度下降步长，为损失函数：

在完成本地训练后终端设备将向边缘节点提交更新，这些设备的训练周期数之和表示为，而边缘节点在接收到更新后会对模型参数进行聚合更新并向下行链路的终端设备广播聚合后的模型参数：

联邦学习在边缘计算的应用赋予了人工智能模型分布式训练的能力，使得智能设备可以在本地对数据进行处理并仅对参数的更新信息进行传输，避免了集中式训练时需要将大量原始数据传输汇总的方式，从而进一步保障了人工智能模型的训练过程，在实现了减轻流量压力的同时，强化了数据的隐私保护。

第三，提升智能应用服务的应用拓展与部署保障。在人工智能服务的应用实践方面，目前国内外已经有多种边缘智能平台发布并投入使用，这进一步拓展了人工智能服务应用的广泛性，而多样化与有價值的人工智能服务能够拓宽边缘计算的商业价值，为边缘智能的实现提供了基础和保障。华为公司在2018年设计并推出了边缘智能平台IEF，[26]可以将云端服务器的处理能力延伸至边缘侧，从而就近提供实时的智能服务。此外，IEF还通过兼容kubernetes以及docker实现了轻量化的特性，并且依托于边云协同的特性在监控平台、智能工业等领域有着良好的前景规划。2019年，百度公司宣布开源了其边缘智能计算平台BAETYL，[27]能够提供身份制定以及规则策略制定、云端管理下发、边缘端部署运行等功能，并且平台采用了模块化思想，实现了用户按需使用的模式。此外，BAETYL还可以与百度边缘智能管理套件（Baidu-IntelliEdge）协同使用，进一步推进边缘智能的发展。AWS Greengrass[28]是由亚马逊公司在2017年发布的边缘智能平台，它使得设备可以在本地对数据进行处理以及数据筛选，从而只对必要信息进行传输，极大地提高了信息传输效率。此外，AWS Greengrass还具有优异的鲁棒性（Robustness），可以在设备间歇性网络连接的情况下使用，能够适应更加复杂的网络环境。2018年，微软公司将其边缘智能平台Azure IoT Edge[29]作为开源项目开放提供，这一平台采用了容器的方式运行，容器中不仅支持微软提供的相关服务，也支持用户提供的代码并且提供了对容器的监控管理功能。

智能边缘：无所不能的数字演进。智能边缘的目的即是将人工智能算法融入边缘以支持动态的、自适应的资源分配与管理。如图4所示，智能边缘通过使用人工智能的学习和决策能力来实现对边缘计算平台中的资源、设备、请求的智能化管理，来优化提升边缘计算平台的运行效率，而智能边缘对于边缘计算的优化主要包括以下三个方面。

第一，实现边缘计算平台的动态管理与高效运行。网络中往往包含大量异构设备以及种类繁多的应用请求，因此，如何针对不同的应用请求特性，实现异构设备的自适应协作处理就成为了一个棘手的问题。目前有许多处理这类问题的传统算法，如贪心算法[30]、蚁群算法[31]等。然而，这些传统算法却存在许多弊端：一是对网络环境变化以及异构硬件参数的适应性差;二是缺少对长期收益的考虑;三是优化指标相对单一。因此，传统算法已经无法适应边缘计算平台的性能发展需求，要实现性能瓶颈的突破就必须探索和应用具有高效性、实时性、动态性的决策算法，而人工智能技术出色的决策能力可以帮助边缘计算平台实现智能化管理。

边缘计算平台往往采用端—边—云的多层组织架构，所以如何在不同组织层面中的异构设备之间进行高效的计算卸载调度成为必须考虑的问题，而人工智能技术可以通过计算卸载决策实现将不同层面的异构设备牢牢结合在一起[32][33]。智能决策模型一般通过与网络环境的不断交互进行反复迭代来不断提升决策的准确性，但网络环境的复杂性和动态性会导致规模庞大的状态空间。对此通常使用一个参数为w的神经网络来对决策的评价函数值进行相似计算：

其中s表示智能决策模型对网络环境的观测值，a表示所采取的的决策动作。之后我们就可以进一步定义模型在训练学习时的损失函数：

其中为常量参数，r为对应的奖励函数值。基于上述分析，智能决策模型就可以基于梯度下降法来更新参数：

因此，随着智能决策模型与网络环境的交互迭代，可以不断优化模型决策的准确性，提升边缘计算平台的运行效率。

第二，决策边缘计算任务的计算卸载与协同处理。如图5所示，智能边缘可以依据计算任务不同的特征和属性来自适应地选择执行模式。对于计算需求较小的任务可以直接在终端设备执行，从而避免数据传输所导致的时延以及资源消耗。然而，对于资源需求较大的计算任务，可以通过人工智能模型对边缘计算平台中进行智能化管理，从而充分整合利用平台中异构设备的资源实现任务的协同高效执行。

对于任务卸载可以划分为整体卸载与部分卸载两种模式。整体卸载会将传输至单一边缘节点或云端执行，这可以避免对任务进行分割整合所造成的资源消耗，但当计算任务规模较大时，将任务传输至单一设备执行会导致执行效率低下，可以选择对任务进行分割再交由不同的设备执行处理，通多不同设备的协同处理实现异构设备资源的利用整合。

此外，根据边缘计算平台中的协作方式还可以进一步分为纵向协作与水平协作。纵向协作将会联合端—边—云三层的异构设备来协同处理计算任务，由于不同层级的设备资源存在差异会导致人工智能服务性能的差异，通过多层级的协作可以实现对计算任务的各个环节按需供应。水平协作则通常将任务交由若干个边缘节点处理，通过在单一层级中对计算任务进行协同处理，可以在充分利用设备资源的同时，减少通讯传输造成资源消耗。

第三，降低边缘计算数据的冗余传输与低效存储。无论是现在还是未来，数据传输的压力只增不减，但不是所有的数据都是有用的，所以为了减少应用服务中的冗余数据传输、实现应用服务的敏捷响应，边缘缓存的设计也加入了边缘智能化的大集体。

边缘缓存方案可以通过在边缘节点缓存热点内容，实现在出现相关请求时能够快速响应。[34]因此，基于边缘缓存技术可以对同一地区中的相似请求进行快速响应，从而避免了对请求的数据进行多次冗余传输的情况。

然而，边缘缓存却面临着一个严峻挑战，由于边缘节点的存储空间具有局限性而且其服务范围内的热点内容难以预测，因此，无法实现缓存的高效命中。这时，人工智能依然发挥着重要作用，它可以依据每个边缘节点的服务内容进行定制化的策略设计，并可以追踪热点内容的实时变化来对策略进行智能化调整[35]，从而确保缓存内容的有效性和准确性。因而，借助人工智能技术自主化的决策设计边缘缓存方案，可以避免相似请求的冗余数据传输以及促进存储空间的高效利用，实现缓存命中率的大幅提升。

总结与思考

世界每时每刻都在产生数据，就像每天的温度、湿度，甚至于一棵不起眼的草的颜色深度……这些诞生于物理世界的数据，本身只是一堆冰冷的数字，在我们使用相关的工具、（如温度计、傳感器等）对其测量之前，这些数据对我们人类而言没有任何的价值。世界上产生的数据每年都在以指数规模增长，最好的处理方法就是将70%的数据都在网络边缘进行处理，通过分散的方法减轻计算压力;另外，这些由设备产生的数据中有太多对我们无用的数据了，据思科统计，到2021年结束，全球每年产生的数据将会达到847ZB，而在这样海量的数据中仅有约10%的数据才是有用的。

这些数据在还没有与人类世界产生联系时，它本身还不能算作是信息。但通过打破数据算力壁垒，将物理世界中冰冷无意义的数字、冗余海量的数据抽取出来，映射到数字空间，形成可演算的、对生活进行调整与反馈的知识，信息就由此诞生。算力边界的突破需要借助一系列的智能算法如特征工程和知识整合的支撑。数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。这些原本复杂冗余的数据被精简为一条条的知识进而映射到数字空间，知识的相互作用关联，形成真正有价值有意义的信息，开始与人类世界产生联系（见图6）。

当有人类行为参与到信息鉴别与利用时，这些信息才终算突破了智力边界，在人类与信息的交互过程中，通过智力来选择这些对我们有利的信息，让有用的信息及时反馈到我们的行动中去，避免进行不利的活动。例如，从事同样的农耕活动，古时的完全靠人力耕作，后来依托工具以及使用耕牛，再到如今的机械化智能化的农业。虽然都是同等的工作，但这中间缺隔着巨大的智力鸿沟，这就是智力边界。所以，认知层边缘计算所面临的主要任务是如何更好地将人的智能与边缘算法相结合，从而提升边缘侧的算法效率、算法适配性，优化信息组合的结构，使这些信息更高效、快速地为人类所用，同时将作用的结果反馈给人类，辅助人类进行决策，形成人类认知层的边缘计算。

当智力边缘被突破，数据与信息随着人类的认知被更好的利用，激增的有益信息随着人类的社交网络被不断传播，如个人向朋友分享自己喜爱的事物可以增进朋友间的友谊等，当个人的分享需求越来越多，这种聚集的需求突破了应用边界，就形成了我们所熟知的社交网络应用。应用边界的突破一定程度上依赖于人的社交关系，主要存在两个相关的现象：社会信任（social trust）与社会互惠（social reciprocity）。社会信任是指人与人之间的信任关系，普遍存在于亲人、朋友、同学之中。社会互惠是指在人类社会中存在的多个个人或团体通过相互合作从而达成目标最大化，各方都有收益的现象，普遍存在于同事、公司之间。一般来说存在这两类社会关系的人群更容易在用户与用户之间形成直接的内容分享，人类的这种行为就在社交边缘边界上搭建了一座沟通的桥梁，使得这些个人社交的边缘计算需求聚集形成了一种边缘计算应用从而达到智能边缘。

最终在实现这样的边缘智能应用场景之后，可以继续对这些边缘计算应用的场景进行优化与结构调整，通过模型共享、迁移学习等，用从一个环境中学到的知识帮助完成新环境中的学习任务，做到举一反三。在模型分享过程中我们将不断地调整原来应用的架构，进行持续的更新与发展，最终突破架构边界的限制。那时，我们将能够最大限度地去探索这一类人的社会行为背后的最大价值与意义，这些本质的价值与意义一方面作用于互联网服务提供商，他们可以在此基础上调整他们的边缘计算的服务核心，另一方面这些本质的价值也反馈于用户自身，实现自身的价值，展现最终价值层边缘计算的核心要义。

从算力世界中数据的海洋，到集合着成千累万信息的数字空间，再到人类智力对信息处理的参与，最终到达智慧边缘计算，用智能的、高效的方式最大限度地处理信息并反馈给人类，这条路似乎还有着无尽的绵延。但无论技术怎样发展，这些数据都会从人类和世界中来，最终也必然被运用于人类对世界的认识和改造中。从万物互联到万物赋能，科技的发展带来了人与世界、人与人、人与自身关系的改变，还带来了对科技发展进行哲学思考的要求。在未来，既然智慧边缘计算将人类从琐碎的脑力消耗中解脱出来了，那么人类就需要用思维完成更重要的任务：既需要研究在科学发展的历程中人类如何认识科学，还要反思处于发展潮流中的人们是如何存在和认识自己的，从而推进人类—社会—科技—自身的和谐关系，这也为未来科学技术哲学的发展提供了方向和动力。

（本文系2018年度科技部重点研发计划“社区风险监测与防范关键技术研究”和2019年度科技部重点研发计划“基于边缘智能协同的物联终端系统与应用”的阶段性成果，项目编号分别为：2018YFC0809803、2019YFB2101901;天津大学智能与计算学部博士生王晨阳对本文亦有贡献）

注释

[1]《马克思恩格斯选集》第1卷，北京：人民出版社，1972年，第30页。

[2]Hong， W.; Baek， K.-H. and Ko， S.， "Millimeter-wave 5G antennas for smartphones： Overview and experimental demonstration"， IEEE Trans. Antennas Propag， Dec 2017， 65（12）， pp. 6250–6261.

[3]Olwal， T. O. ; Djouani， K. and Kurien， A. M.， "A survey of resource management toward 5G radio access networks"， IEEE Commun. Surveys Tuts， 3rd Quart 2016， 18（3）， pp. 1656–1686.

[4]余偉婷：《2018-2019中国物联网发展年度报告》，《物联网技术》，2019年第9期，第3页。

[5]阿里云：《三个物联网案例，看懂阿里巴巴为何布局最难的物联网道路》，http：//news.rfidworld.com.cn/2017_10/4dbde5ad0730344a.html，2017年10月13日更新。

[6]半导体行业观察：《英特尔物联网的三大战略》，https：//www.sohu.com/a/254267717_132567，2018年9月17日更新。

[7]智能硬件前沿：《关于英特尔物联网你不可不知的10个最新动向》，https：//www.sohu.com/a/113230704_381605，2016年9月2日更新。

[8]中科院物理所：《什么是数字孪生？》，https：//baijiahao.baidu.com/s？id=1654063032229950736&wfr=spider&for=pc，2019年12月27日更新。

[9]OFweek工控：《数字孪生技术的应用价值，数字孪生可以应用到哪些方面？》，http：//www.elecfans.com/d/916589.html，2019年4月23日更新。

[10]顾嘉：《万物互联之前请先做好人人互联》，《通信世界》，2017年第21期，第9页。

[11]Jara， A. J.; Ladid， L. and Gómez-Skarmeta， A. F.， "The Internet of Everything through IPv6： An Analysis of Challenges"， Solutions and Opportunities， 2013， 4（3）， pp. 97-118.

[12]Sharma， S. K. et al.， "Physical layer aspects of wireless IoT"， International Symposium on Wireless Communication Systems （ISWCS）. IEEE， 2016， pp. 304-308.

[13]Wu， D. et al.， "UbiFlow： Mobility management in urban-scale software defined IoT"， IEEE conference on computer communications （INFOCOM）. IEEE， 2015， pp. 208-216.

[14]Afzal M.K.， et al.， "Unlocking 5G spectrum potential for intelligent IoT： Opportunities， challenge，  and solutions"， IEEE Communications Magazine， 2018， 56（10）， pp. 92-93.

[15]新浪财经综合：《我国5G基站已超13万个 未来80%应用放在物联网》，https：//finance.sina.cn/2020-01-20/detail-iihnzhha3773436.d.html，2020年1月20日更新。

[16]Keshavarzi A. and van den Hoek W.， "Edge intelligence—On the challenging road to a trillion smart connected IoT devices"， IEEE Design & Test， 2019， 36（2）， pp. 41-64.

[17]Chen， X. et al.，"Exploiting massive D2D collaboration for energy-efficient mobile edge computing"， IEEE Wireless communications， 2017， 24（4）， pp.  64-71.

[18]Zhou， Z. et al.， "Edge intelligence： Paving the last mile of artificial intelligence with edge computing"， Proceedings of the IEEE， 2019， 107（8）， pp. 1738-1762.

[19]Wolf， M.， "Machine Learning+ Distributed IoT= Edge Intelligence"， 2019 IEEE 39th International Conference on Distributed Computing Systems （ICDCS）. IEEE， 2019， pp. 1715-1719.

[20]朱珺辰、高俊杰、宋企皋：《大数据、人工智能与云计算的融合应用》，《信息技术与标准化》，2018年第3期，第45～48页。

[21]施巍松、孙辉、曹杰等：《边缘计算：万物互联时代新型计算模型》，《计算机研究与发展》，2017年第5期。

[22]Ren， J. et al.， "Distributed and efficient object detection in edge computing： Challenges and solutions"， IEEE Network， 2018， 32（6）， pp. 137-143.

[23]Liu， C. et al.， "A new deep learning-based food recognition system for dietary assessment on an edge computing service infrastructure"， IEEE Transactions on Services Computing， 2017， 11（2）， pp. 249-261.

[24]Li， D. et al.， "Deepcham： Collaborative edge-mediated adaptive deep learning for mobile object recognition"， IEEE/ACM Symposium on Edge Computing （SEC）. IEEE， 2016， pp. 64-76.

[25]Wang， S. et al.， "Adaptive federated learning in resource constrained edge computing systems"， IEEE Journal on Selected Areas in Communications， 2019， 37（6）， pp. 1205-1221.

[26]華为：《智能边缘平台—IEF》， https：//www.huaweicloud.com/product/ief.html，2018年更新。

[27]百度：《Beatyl，将计算、数据和服务从中心无缝延伸到边缘》， https：//baetyl.io/zh/，2019年更新。

[28]亚马逊：《将本地计算、消息收发、数据管理、同步和 ML 推理功能引入边缘设备》 ，https：//aws.amazon.com/cn/greengrass/，2017年更新。

[29]微软：《在 IoT Edge 设备上本地部署的云智能》，https：//azure.microsoft.com/zh-cn/services/iot-edge/，2018年更新。

[30]张海波、李虎、陈善学等：《超密集网络中基于移动边缘计算的任务卸载和资源优化》，《电子与信息学报》，2019年第5期，第183～190页。

[31]杨仕豪：《移动边缘计算环境下资源放置与分发问题》，《中国新通信》，2017年第21期，第126～128页。

[32]Mach， P. and Becvar， Z.， "Mobile edge computing： A survey on architecture and computation offloading"， IEEE Communications Surveys & Tutorials， 2017， 19（3）， pp. 1628-1656.

[33]Chen， X. et al.， "Optimized Computation Offloading Performance in Virtual Edge Computing Systems via Deep Reinforcement Learning"，  IEEE Internet of Things Journal， 2018， 1-1.

[34]Wang， S. et al.，"A survey on mobile edge networks： Convergence of computing， caching and communications"， IEEE Access， 2017， 5， pp. 6757-6779.

[35]Xiao， L. et al.， "Security in mobile edge caching with reinforcement learning"， IEEE Wireless Communications， 2018， 25（3）， pp. 116-122.

责 编/肖晗题