动机
把所有数据传到云端处理，在某些场景下不再合适。
延迟：自动驾驶、工业控制、AR/VR 这些场景，端到端延迟要求可能低至几毫秒。数据往返数据中心（几十到上百毫秒）根本来不及。
带宽：一个工厂可能有上千个传感器，一个城市可能有数十万路摄像头。把原始视频流全部传上云，带宽成本难以承受。
隐私与合规：医疗影像、人脸数据、工业工艺参数，很多法规要求数据不出本地。
可靠性：网络中断时，本地业务仍需继续运行。
边缘计算是什么
边缘计算（Edge Computing）把计算资源部署在靠近数据源的地方——工厂车间、基站机房、零售门店、车载设备，甚至在摄像头内部。
它的定位不是替代云，而是与云协同：
- 边缘：处理实时性要求高、数据量大、隐私敏感的任务；
- 云：处理需要全局视图、大数据分析、模型训练的任务。
这与前文提到的"端—边—云协同"是同一个思路在不同层次上的体现。
典型架构
设备层：传感器、摄像头、PLC、车载单元。产生原始数据。
边缘层：边缘网关或边缘服务器。做数据预处理、实时推理、本地控制、协议转换。
云端：汇聚各边缘节点的数据，做全局分析、模型训练、统一管理。
模型训练与推理的分离
这是边缘 + 云协同最典型的模式：
- 云端训练：用海量数据训练模型（需要大量算力，集中在数据中心）；
- 模型下发：把训练好的模型裁剪、量化后部署到边缘设备；
- 边缘推理：在本地完成实时推理，只把结果或异常上报云端；
- 数据回流：边缘收集的新数据回传云端，用于下一轮训练。
挑战
异构性：边缘设备的硬件架构、操作系统、算力差异极大，统一管理困难。
运维复杂度：设备分散在各地，物理访问困难，远程运维能力要求高。
安全：边缘设备往往部署在物理安防较弱的环境，容易被物理接触，需要防篡改设计。
算力与功耗约束：边缘设备通常功耗受限，无法运行复杂模型——这正是模型量化和轻量化架构的价值所在。
一个判断标准
什么时候需要边缘计算？可以问：
- 延迟要求是否低到云端无法满足？
- 数据量是否大到传输成本不可接受？
- 是否因合规要求必须本地处理？
- 网络不可用时业务是否必须继续？
只要有一个答案是肯定的，边缘计算就值得考虑。
说明：本文为分布式计算架构的公开知识整理。