1. 边缘计算基础：定义、特征与典型场景
各位同学好，我是老张。在嵌入式系统和AI加速领域摸爬滚打了十几年，今天咱们来聊聊边缘计算。
说实话，我第一次接触“边缘计算”这个概念，是在一个工业质检项目里。当时客户要求把人脸识别做到门禁终端上，数据不能出设备。嗯，那时候我才真正意识到——云计算不是万能的。
1.1 边缘计算到底是什么？
边缘计算，说白了就是在靠近数据源头的地方做计算。不是把数据传到遥远的云端，而是在摄像头、传感器、网关这些设备上就地处理。
我习惯用一个比喻来解释：
- 云计算：像中央大厨房，所有食材送过去，做好再送回来。效率高，但来回跑腿费时间。
- 边缘计算：像每个餐桌上配一个小厨师，就地取材、就地做菜。速度快，但厨师能力有限。
核心定义：边缘计算是一种分布式计算范式，将计算和数据存储靠近数据源（如传感器、摄像头、终端设备）进行，以减少延迟、节省带宽、提升隐私安全。
1.2 边缘计算的核心特征
我在项目中总结过，边缘计算有四个逃不开的特征。你想想看，少了哪一个，它都不叫边缘计算。
| 特征 | 说明 | 我踩过的坑 |
|---|---|---|
| 低延迟 | 数据在本地处理，毫秒级响应 | 曾经有个门禁项目，云端识别延迟800ms，用户直接投诉“门开得太慢” |
| 带宽节省 | 只上传关键结果，不上传原始数据 | 一个工厂有200路摄像头，全传云端？网络先炸了 |
| 本地自治 | 断网也能独立运行 | 有一次客户机房光纤被挖断，边缘设备照样跑了3天 |
| 隐私安全 | 敏感数据不出设备 | 人脸数据一旦上传云端，合规风险就大了 |
注意：边缘设备资源有限（CPU、内存、功耗），不是所有算法都能直接搬上去。我曾经把一个云端模型直接部署到ARM开发板上，结果帧率只有0.5fps——根本没法用。
1.3 边缘计算 vs 云计算：到底差在哪？
很多新手会问：有了云计算，为什么还要搞边缘计算？
我直接给你一张对比表，看完就明白了。
| 对比维度 | 云计算 | 边缘计算 |
|---|---|---|
| 响应延迟 | 50-500ms（网络传输+排队） | 1-30ms（本地处理） |
| 带宽需求 | 高（原始数据全量上传） | 低（只传结果或特征） |
| 计算能力 | 几乎无限（GPU集群） | 有限（ARM、NPU、低功耗GPU） |
| 存储容量 | PB级 | GB级（SD卡、eMMC） |
| 网络依赖 | 必须在线 | 可离线运行 |
| 部署成本 | 高（服务器+带宽+运维） | 低（单设备几百到几千元） |
| 数据隐私 | 数据出设备，合规风险高 | 数据本地化，隐私保护好 |
我个人习惯这样选型：实时性要求高、数据敏感、网络不稳定的场景，优先边缘计算。反之，海量数据训练、复杂模型推理，还是交给云端。
1.4 典型应用场景
这些年我经手的项目，边缘计算人脸识别主要集中在以下几个场景：
- 智能门禁考勤：本地人脸比对，毫秒级开门。我做过一个园区项目，200个门禁点，全部边缘部署，云端只做日志汇总。
- 安防监控：摄像头端实时抓拍、比对黑名单。有一次客户要求在断网环境下抓逃犯，边缘设备本地存储了5000张人脸库，照样跑。
- 智慧零售：顾客进店识别、VIP提醒。数据不出店，合规又高效。
- 工业质检：生产线上的工人身份核验+操作合规检测。延迟超过100ms就会影响产线节拍，必须边缘处理。
- 车载边缘：司机疲劳驾驶检测、身份认证。车联网场景下，网络信号不稳定，边缘计算是唯一选择。
经验之谈：选场景时，先问三个问题——延迟要求多高？网络稳不稳？数据能不能出设备？三个问题里有两个指向“本地”，那就果断上边缘计算。
1.5 边缘计算知识体系总览
下面这张图，是我自己梳理的边缘计算知识体系。咱们这门课，就是围绕这个框架展开的。
1.6 本章小结
这一章咱们把边缘计算的基础打牢了。记住几个关键点：
- 边缘计算的核心是就近计算，不是替代云计算，而是互补
- 四个特征：低延迟、省带宽、本地自治、隐私安全
- 选型时先问三个问题：延迟、网络、数据合规
- 人脸识别是边缘计算的典型场景，也是咱们这门课的主线
一句话总结：边缘计算不是新技术，而是新思路——把计算放到最需要它的地方去。