英特尔副总裁兼物联网事业部中国区总经理陈伟博士
带宽、存储、延迟和安全性是边缘计算的驱动因素，预计2018年50％的物联网部署将受到网络瓶颈的限制，到2019难45％的数据将在边缘进行存储、分析和处理，因此深度学习的采用率不断增长，2016年深度学习收入为6．55亿，预计到2025年将增长到350亿美元。
在边缘进行数据处理也同样需要人工智能算法，现在来看这一条件已经成熟。英特尔中国区物联网事业部首席技术官兼首席工程师张宇博士分析，“从人工智能演进过程中可以看到，从最早的人工智能计算，不管是训练还是推理都发生在数据中心，这是因为深度学习需要大量的计算，只有在数据中心运用一些通用的处理器才能够提供如此巨大的计算量，以及提供这些计算所需要的能耗。近年来随着人工智能技术的发展，无论在算法方面还是在芯片方面，人工智能都达到了一个很高的水平。在算法方面，很多网络压缩的算法已经被广泛使用，从而降低了人工智能的计算量，同时用于人工智能专用的芯片以及FPGA，使一些深度学习的运算可以从云端推送到边缘，所以市面上出现了智能摄像机、智能网络视频存储器、NVR等产品。”
注重视频，OpenVINO助力边缘侧实现深度学习开发
英特尔将视频称为“眼睛AI”，也就是眼见为实，是因为视频的数据量最大，也最复杂，浓度也最高，确实挤压到了端到端的架构，人脑就在不断处理通过眼睛看到的视频内容，在AI领域就是机器视觉处理。对比边缘设备和云端设备，边缘设备能够承载的功耗，能够支持的操作系统，能够提供的内存容量都不同，所以在边缘运行的算法要进行特定优化，因此对工具也有特定的要求。英特尔收购了 Movidius和Altera将FPGA等产品引入进来，性能和功耗比通用处理器表现更好。从硬件的角度来讲，可以勾勒出一个功耗、成本最优化的解决方案。有灵活、有多元、有高质量的硬件是一个必要的条件，但是要将这些硬件直接应用到人工智能的应用上，还有很多的壁垒。
