2023年是邊緣計算的重要節(jié)點！

　　隨著生成式AI的不斷演進,大模型在圖片、音視頻等多模態(tài)領域的表現(xiàn)展露了其在產(chǎn)業(yè)端應用的巨大潛能。大模式在行業(yè)落地需要本地化推理與部署，在邊緣節(jié)點把大模型分拆，將部分大模型的能力部署到小模型或行業(yè)模型中，可以在邊緣節(jié)點處理本地數(shù)據(jù)驅動的模型。

　　因而2024邊緣計算報告我們把重心放在AI上，以邊緣視覺AI為主。對于當下邊緣視覺AI的行業(yè)現(xiàn)狀，業(yè)內皆有共識：

　　落地難：一方面是定制化需求多，每個項目都或多或少要重新定制開發(fā)，大部分客戶在細分需求面前很難承擔過多的開發(fā)費，落地成本高，客戶不愿買單，廠商也賺不到錢；二是AI算法精準度不夠，因為精準度不夠，用戶體驗不好，后期服務和調優(yōu)的成本也變得很高。所以需要更多的項目去分攤成本，這樣帶來市場競爭的加劇。

　　碎片化：邊緣AI高度依賴于場景，其應用場景非常廣泛，智能安防、智慧水務、智能建筑、智能制造等等各個場景都能應用到，但是碎片化嚴重，在當下各個細分場景的體量都很小，作為從業(yè)者來說，什么場景都去做，顯然不太現(xiàn)實，一方面是不夠聚焦對場景需求理解不夠，很難做出真正好用的產(chǎn)品，包括硬件與算法；另一方面精力也有限，很難覆蓋太多場景。因而選擇什么場景去深耕是邊緣計算廠商當下需要做的重要抉擇，廠商還得根據(jù)自身能力、自身優(yōu)勢還有資源去選擇最適合自己的場景。

　　量升價跌：目前邊緣AI還處于行業(yè)發(fā)展初期，項目大多由政策驅動，以政府項目居多，疫情加上經(jīng)濟下行，讓各級政府財政也比較吃緊，在項目上投入預算就更加有限。綜合來看雖然需求上升，但是預算降低、成本高、市場競爭加劇等因素讓市場利潤明顯萎縮，目前形成了一個量升價跌的趨勢。

　　那么行業(yè)什么時候能夠破局？最大的難點在AI算法上，2023之所以稱之為重要節(jié)點，是因為業(yè)內人士皆認為AI大模型能夠改變行業(yè)現(xiàn)狀。

　　隨著行業(yè)應用的深入，場景變得多元化、復雜化，算法領域面臨以下幾個問題：

　　泛化能力不足：例如，一個僅使用白天采集的車輛數(shù)據(jù)訓練出來的檢測模型，在夜晚使用時性能就會大打折扣。傳統(tǒng)的深度學習往往難以兼顧這些場景差異性，導致不得不為每一個場景量身定制模型。

　　傳統(tǒng)結構出現(xiàn)性能天花板：傳統(tǒng)深度學習結構，如 CNN、RNN、LSTM 等，關注于感知輸入信號的局部信息，對知識的容量有限，數(shù)據(jù)規(guī)模和模態(tài)種類持續(xù)增加帶來的邊際效益下降。

　　缺乏推理與認知能力：傳統(tǒng)深度學習以監(jiān)督學習方法為主，其基本原理是訓練神經(jīng)網(wǎng)絡來擬合監(jiān)督標簽，無法形成邏輯認知。對于沒有見過的新任務或復雜的業(yè)務邏輯均需要重標重訓或手工排程。

　　AI 1.0準確率只有50-80%，系統(tǒng)誤報多，200路系統(tǒng)每天幾百上千起誤報，無人工不智能，需人工復核傳統(tǒng)AI一場景一算法，系統(tǒng)研發(fā)成本居高不下，客戶需求響應慢，在傳統(tǒng)AI 1.0 體系的基礎上，利用多模態(tài)大模型技術，服務多場景，實現(xiàn)系統(tǒng)性能提升， 降本增效。

　　更多內容詳見《2024邊緣計算市場調研報告》，報告于8月28日下午在由視覺物聯(lián)舉辦的“IOTE 2024深圳·邊緣計算產(chǎn)業(yè)生態(tài)大會”上已經(jīng)正式發(fā)布，現(xiàn)提供電子版本免費下載，歡迎行業(yè)人士多多交流與指正！！

掃碼免費下載報告