随着更多的制造企业希望利用人工智能(AI)工具访问数据并实时响应，预计将不断推动边缘AI市场的增长。通过采用边缘AI技术，企业可以获得更高的性能，如实时数据处理、效率和准确性，减少工作时间，并实现更好的能源管理和性能优化。
边缘AI市场预计将迎来强劲增长
根据 Future Market Insights的一项最新市场调查显示，到2032年，边缘AI市场价值将从2022年的 59 亿美元增至396.1 亿美元，复合年增长率(CAGR)将达到 20.8%。
此外，5G 技术在 IT 行业的应用日益广泛，预计将加强现有的技术网络，扩大边缘AI的市场潜力。自动驾驶车辆、无人机、loT 网关和远程设备等智能边缘设备的发展，以及各个行业对智能制造和数字化转型的持续深入，也将不断推动这一市场的增长。
该调查按照硬件、软件和服务部分对边缘AI市场类型进行划分。硬件组件所占份额最高，达到 45%，在这些类别的市场中占据主导地位。在预测期内，由于对安全性和大数据文件存储的需求，对边缘AI硬件组件的需求预计将上升。此外，在整个预计期内，内部存储器的存储、程序的执行和通信都会增加对硬件组件的需求。
边缘AI在工业环境中的应用
虽然“边缘”经常被讨论为架构中的单个点，但在实际系统中，物理世界和企业之间实际上有许多多层级的边缘设备。“令人兴奋的是，我们现在看到了这些不同层级的创新。”研华欧洲IIoT业务发展经理Jim ten Broeke说。
他讨论了使用边缘服务器这一日益增长的趋势，在边缘服务器中，企业云功能可以透明、无缝地引入企业内部，从而减少通信开销、加快响应速度并提高弹性。“这既体现在内容交付服务器应用上，也体现在向高级应用边缘服务器的转变上，即在区域、楼宇甚至单个流程级别上运行。”
如今，在通信边缘，人们对网络安全有了更深刻的认识。虽然我们仍然收到很多关于传统边缘网关功能的询问，例如协议转换、通信媒体转换、数据聚合和事件检测，但市场现在同样关注边缘设备的安全功能——它们如何防止未经授权的个人访问，或防止未经授权或被黑客入侵的代码安装和运行。与此同时，用户意识到，这些设备的远程管理对于在整个安装基础中实现对安全补丁部署的最快响应以及通过减少上门服务来提供拥有成本优势至关重要。
Broeke认为，最令人兴奋的领域是最接近物理资产和运营的低端边缘层。在这里，一个重要的趋势是在边缘设备中嵌入人工智能(AI)和机器学习(ML)。直到最近，AI的实施还依赖于昂贵的高带宽计算机和专业数据科学家团队来创建和完善所需的数据模型。最新的技术进展降低了实现的价格，机器学习的进步以及许多常见应用程序的预训练模型的可用性，意味着实施时间通常以天或周为单位，而不是几个月或几年。
通过在边缘嵌入的AI和ML，以及连接的摄像头来进行自动化光学检查，可提供更快、更准确的质量检测，并解决劳动力老龄化的问题。在生产线上，AI可以优化多台机器的效率，分析不同操作场景的产量。同样，使用连接的摄像头，边缘AI通过对移动机械周围的安全区域进行智能、24/7 监控来为工人提供保护。
在系统架构中各个层级采用边缘计算的爆炸式增长意味着需要多样化的硬件和软件解决方案。“人们仍然认为AI和ML需要大量的处理能力，但对于某些应用程序，我们已经在像蜂窝路由器这样小的设备中实现了。”Broeke说。
与边缘计算的其他领域一样，没有放之四海而皆准的解决方案，即使在同一应用中，安装的拓扑结构也可能决定是安装几个小型分布式边缘设备更好，还是将信号和数据引入一个更大、更集中的单元更好。
能源管理和性能的持续改进
艾默生EMEA应用工程总监Steve Ward表示：“边缘解决方案已经部署在广泛的行业和应用中，例如在石油和天然气行业收集与井口运行相关的数据，在水行业，从远程泵站收集数据。“这些解决方案有助于提供有关远程或分布式资产的可操作信息，这些信息可用于优化性能，减少维护并消除计划外停机。
边缘技术正在不断扩大应用范围，例如用于监测和控制分布式可再生能源发电，包括太阳能农场、风力涡轮机和微电网。边缘控制器可以通过将高速工业控制与互联网连接相结合来提供这种智能。
此外，边缘技术也在能源管理和其他工业功能的监控中得到应用。例如，压缩空气系统现在正在采用边缘解决方案来监测气动气压和气缸效率和磨损。这有助于识别泄漏并支持预测性维护策略，从而有助于降低能耗和提高机器可用性。所提供的信息还可以支持持续改进项目。
Ward认为边缘技术正在以多种方式发展和实施。网络网关的边缘允许连接难以连接的设施和设备并将其集成到企业网络中，从而允许实时收集资产使用情况和性能数据，以支持数字化转型和持续改进工作。从这种类型的资产中，集中报告可用于通知用户操作参数，但对于异常事件，边缘设备可以直接向用户或用户组发送 SMS 消息或电子邮件，以便立即采取行动。
边缘解决方案也可以提供本地分析，使本地实时控制能够利用比以前的控制策略更多的数据。这可以包括基于过去操作的优化，以及使用外部数据。这将需要新的业务角色，例如能够了解影响机器或流程操作的因素以及如何实施的数据工程师。Ward说：“ML和AI正在迅速发展，我们应该期待看到ML/AI模型很快在边缘实施，以优化性能。”