边缘计算要占有物联网 50% 的数据处理量？云计算怎么看
“物联网要实现发展，什么最重要？”
如果你说“人才最重要”，那么恭喜回答正确，比如众多高校近来新开设物联网等专业课程，都是在为行业输送人才力量。
但从产业链角度，物联网的重要发展本质还是数据，不仅是保护自家数据安全，企业也对数据能够带来的潜在收益心向往之。
于是，在何处、用什么手段对数据进行分析计算，成为了人们十分关切的问题。
边缘计算和云计算，
就这么被推上了比试场。
边缘计算暂处上风
边缘计算有三宝：高效、实时、安全好。
不是所有数据都要上传云端存储，更多数据可以在边缘侧收集处理，这是高效；
很多场景对时延要求较高，上传云端的反馈时间会让数据失去价值，在边缘可以保证实时性；
相对云端的数据集中上传，分散在边缘的计算可以大幅降低数据安全风险；
以上种种，都是边缘计算的独特优势。从新闻事件看，近来包括公有云提供商、网络通信提供商、视频监控提供商、CDN提供商以及工业设备/服务提供商等各方，都在边缘侧有所动作，更是证明边缘计算近来的崛起之势。
云计算不会被完全取代
对方来势汹汹，云计算“老江湖”岂会轻易败下阵来？凭借十余年发展的深厚积累，云计算也有自身的强项优势。
更通用：云计算具备按需使用、动态易拓展的特点，在IaaS、PaaS、SaaS三大范围的结构组成下，是物联网重要的基础设施；
更统一：当边缘侧呈现分布式时，为了实现统一的智慧管理运营体系，正需要具有中心化特点的云计算，以传达中心指令；
更智能：边缘侧负载海量数据喂食训练的能力有限，有效信息依然需要在后端云平台处进行分析汇总，以实现系统智能化。
将边缘计算比作人体的手脚，云计算就相当于大脑；将边缘计算比作具备自主战斗意识的士兵，云计算就相当于运筹帷幄的高级将领。坐守后方的云计算，亮出了以上特点以作应对。
不同场景的物联网部署方案
无论物联网场景多么碎片化，边缘侧都越来越需要数据处理与分析能力，方便在物联网部署中形成更简单的架构和更灵敏的系统。以下我们从3大场景出发，探寻边缘计算的魅力与云计算无法被完全取代的事实。
场景一 智慧城市
智慧城市应用种类繁多，以交通监控为例，智能摄像头可以实时跟踪行人和来往车辆，通过内置的机器学习系统，将采集到的数据信息进行处理分析，帮助规划人员了解交通状况。
不过，城市道路状况复杂多变，每个路口的摄像头所能接收到的信息不尽相同。真正的智慧城市系统并非是要形成数据孤岛，而是在等待一个协同协调的运营体系。在这一点，单独的智能摄像头无法负荷整体的计算需求，继而需要更强大的后端——云平台来给出有关任务指令。
按照Gartner研究副总裁Mark Hung的说法，先在终端进行初步处理分析，然后发送至云平台进行机器学习与人工智能系统训练，继而传达出反馈，这才会形成一种双向学习的高效运维环境。
场景二 工业物联网
在工业领域，PTC拥有工业物联网软件平台ThingWorx，此前其首席技术官Joe Biron曾表示，工业自动化、智能化建设最根本的目的，是希望借助预测性维护和其他自动化管理手段，帮助企业在降本节能上有所成就。
如何实现预测性维护？依赖“老师傅”的经验值这一手段已经稍显落后，真正的挑战是让工厂内更多与岗位相关的人，都能迅速了解设备将呈现的状态。所以工业智能化的要求是，工厂内的各类设备，无论是一个轴承、一台涡轮机、发电机，还是其他任何资产，都可以在传感器、在机器学习等模型的支持下，被赋予计算能力，用数字化形式体现设备运营状态。
而且正是工业环境对数据的时延要求较高，数据离开设备，经过复杂的网络拓扑后再以指令的形式返回所需时间太长，边缘计算在工业中愈发重要。
但是我们还常把AI与工业自动化联系在一起，我们期望工业系统能够在一定程度上做出自主决策。边缘侧这时难以满足机器学习、人工智能系统对数据的训练强度，成本上此种办法也不可靠，因此，当边缘侧将数据简单处理过后，更有效的信息依然要传回云平台系统进行喂食。
场景三 车联网
对车联网，Gartner研究副总裁Mark Hung指出，任何需要自主导航的东西，无论是无人机还是汽车或其他任何事物，都是物联网智能终端的绝佳选择。
所以也有越来越多的汽车制造商，将越来越多的智能功能构建到现代汽车之中，通过机器学习等算法在边缘侧的部署，获取了信息，有助了解汽车全生命周期的运行状况，优化汽车跟踪与维护方式。
当然，汽车作为边缘侧的重要智能终端，后台依然具有强大的平台系统进行指令发布与管理监控。
互相补充，融合并进
从以上应用场景我们可以发现，如果物联网部署需要在边缘计算和云计算中做出选择，一定不是一道单选题。
二者有各自的可取性，并呈现出对应的互补性。
从预测数据我们可以得知，未来超过 50% 的数据需要在网络边缘侧分析、处理与储存，所以边缘计算是当下趋势。但这仅是基于现状而产生的和云计算之间的比例协调平衡，最终，二者将形成比较稳定的状态，互为补充，为物联网大数据的处理分析贡献各自能力。