談到邊緣計算 (Edge Computing) 應用落地是硬件與系統商的大機會，但那些垂直市場與那些應用最有商業價值應優先關注，我們將嘗試來探討，但是不從邊緣計算的各種報告與新聞去尋找答案，可能落入爲科技而科技的樂觀預測。
全球人工智能 (Artificial Intelligence, AI) 公司數目在 2017 呈爆發成長，從 2017 Q2 之前到 2018 Q2爲止，家數從約 2800 成長到約 7000，剛過去一年(2017 Q2 ~ 2018 Q2)總共有 1,027 筆投資，總金額美金 105 億，而在 2017 Q1 往前的十年才累積總共 1,993 筆投資，總金額美金 141 億。AI 整合到各行各業的應用裏面去，是去年看到的主要趨勢，AI 將成爲與互聯網一樣的基礎科技(想像過去的互聯網+，現在是人工智能+)，未來各種應用可能都會配備 AI，只是時間的問題。[1]
創新落地的條件與時間
雖然 AI 與物聯網 (Internet of Things, IoT) 可以被應用在各個領域，不過商業組織的目的是營利，對于新投資開發的决策有幾個現實的考量：
- 是否有資金：對外募得到資金或企業過去賺的錢够多，自然有資金投資，另外，客戶有資金才能買單新産品，整體全球經濟或各國的環境也是影響因素；
- 市場與客戶買單的時間：從投入要能够堅持到回收才行，很多口袋不深的新創會死在因爲對時間點的預估不對，而組織與個人的行爲改變之緩慢都可能出乎科技狂熱者的預料；
- 新投資帶來的回報有多大：對客戶(to-B, to-C) 提出新産品與服務時，都需預估它能爲客戶帶來的ROI(Return on Investment) —可能來自營收/收入的提高、或者成本/風險的降低，它的本質是取代舊方案，還是新增功能，它的價值是滿足了剛需，還是nice-to-have；
- 誰買單：買單的是消費者個人，或營利組織，或公部門，其付費行爲都不相同；
- 數字化基礎：數字化建置較好的既有系統，在上面延伸出AI 與IoT建設難度較低，使用者對新系統接受較快，KPI明確 – 容易建立共識與反饋機制。
- 落地障礙的克服：落地的障礙其起因有各種層面，例如：因爲消費者對個人資料的隱私考量，無法取得數據，數據與應用孤島(Silos)，消費者或公部門對 AI 演算法的不瞭解而無法建立信任，或者執行落地需要許多把關者或合作夥伴的認同或協同，等等。
邊緣計算是 AI 應用解决方案的一環，幷非獨立存在，它的真正部署位置也視應用需求而异。所以我們先從整個 AI 帶來的價值來分析。
量化 AI 應用的價值
麥肯錫（McKinsey & Company）歸納 AI 可以爲産業帶來的效益分成以下幾方面：
- 取代人力
- 降低成本
- 增加銷售額
- 提升生産力/産出
- 提升服務或産品品質
- 提高安全性或降低風險
- 創造新的商業模式
- 提升執行改變(change)的規模(scale)與敏捷力(agility)
這些成效來自數字化、聯網化、自動化、智能化工作流程，與提升預測的準確性，以進行預防性維護、加速新方案發崛、優化營運資源規劃降低浪費。
麥肯錫對 AI 在不同領域與場景應用的效益(Impact Score)提出量化預估[2]，以下是一覽圖：
Impact Score 排名前幾名的是：行銷(零售)、優化與動態調整售價(零售) 、預防性維護(能源、製造) 、自動導航(車用電子) 、診斷疾病(醫療) 、優化臨床試驗(醫療) 、優化商品策略(零售) 、預測個人化健康方案(醫療)。
以下，我們來看看邊緣計算在這些較重要領域的應用：零售、製造、能源。
零售消費應用
富士康聯手亞太電信與英特爾打造了邊緣計算解决方案，幷將其應用到臺灣三創生活園區。邊緣計算的部署讓園區內的商家更貼近消費者，例如： 與 CRM系統整合，通過人臉識別，商場可以快速識別 VIP 客戶幷提供差异化和個性化的服務，也可以對出入人員進行黑白名單監控，通過優化的人臉搜索可確認人員身份，從而加速商場的反應時間。
隨著移動裝置普及，富士康基于室內定位技術實現移動端的商場室內導航、3D 導覽和導購可以快速讓消費者找到想要的商品。又如在室內定位導航方面，以往通過雲端的室內導航以及跨樓層導引通常需要數秒的時間完成路徑規劃，通過邊緣計算的支持，移動端室內定位和導航的速度可加快至近乎實時。
消費者使用手機掃描櫃檯産品，還可以輕鬆體驗基于AR技術的産品使用場景，讓消費者更快速地瞭解商品幷完成購買。由此可見，上述這些會大量消耗帶寬，或需要更短延時的應用場景，邊緣計算均可輕鬆滿足。[3] 這是零售業的實施場景。
個人化行銷廣告與顧客行爲跟踪技術，這些行銷技術(Marketing Tech.)，一直都是風險投資追逐的優先標的，這領域的AI 公司總共囊括投資金額也領先其它，利用數據優化與動態訂價、優化商品策略、甚至讓顧客客制商品、或AI 設計商品等等都是可能應用。另外，線上客服透過AI協助，可降低客服人員的負擔，提升回答的準確性。因爲銷售關乎事業體的營收高低，是個剛需的區塊。
智能製造
智能製造是將生産設備等資源連接到智能分布式系統中，實現生産設備在數字世界的虛擬化和模型化，通過邊緣計算和雲計算的協同完成網絡資源、生産設備、生産工藝的智能編排，使能製造過程的自感知、自决策、自執行和可預測性維護等。
邊緣計算在智能製造系統虛擬化和業務編排上的核心價值：
- 通過對邊緣側設備的實時聯接和感知，建立獨立、可重構的數字設備模型(Digital Twins)，使能生産資源的虛擬化、建模、關聯、檢索；
- 通過軟件定義網絡 (SDN) 技術實現網絡資源自適應分配，爲可重構設備提供有效信息傳遞手段；
- 通過業務Fabric定義加工、裝配環節的任務、工藝流程、路徑規劃與控制參數，實現業務策略的快速部署和多品種的快速加工。[4]
製造業是最適合自動化的領域之一，以工業物聯網 (IIoT) 作為運作骨幹，被稱爲工業 4.0 的智能製造是被寄以重望的。不像前述零售業需要與消費者大量互動後才能收到所需數據，服務這個領域的業者可利用這些工業客戶的既有數據，許多生産機器與裝配綫，早就在感測、收集、監控過程數據，這些數據可能在獲取整合仍存在挑戰，但因爲生産力提高、良率提高、故障避免都是製造業剛需，高資本的製造業更有資金來投資， AI 與邊緣計算可得以充分發揮。
智能製造可支撑小批量多批次、高度定制化的靈活生産綫，最適化産綫資源調配，設備靈活替換，生産計劃靈活調整，新工藝新型號快速部署，實現軟件定義的可重構製造系統。中國、美國、德國都將智能製造定爲未來十年的關鍵發展方向，中國的目標：到2025年，製造業重點領域全面實現智能化，試點示範項目運營成本降低50%，産品生産周期降低50%，不良品率降低50%。[5]
能源行業
一直以來，公共和企業設施的監測和維護消耗著大量的人力、物力成本；電力、製造等行業數字化轉型中對海量數據的實時、智能處理也有著强烈需求。據 BI Intelligence 報告預測：製造業、公用事業、能源和交通運輸行業將率先采用邊緣計算。
邊緣計算對整個能源行業與公用事業很有價值，特別是對于石油和天然氣設備的安全監控。例如，監控壓力和濕度傳感器，在故障發生前自我處理，因爲大多數這些設備位于偏遠地區。如果出現异常情况——例如油管過熱有沒有被發現，可能會發生灾難性的爆炸。
再者，以智能電錶爲核心，傳感器可以監控從電動車、空調到風電場的各種能源，在終端自動采集數據、處理、及决策，節省人力，更準確預測，幫助做出降低成本和提高能源效率，服務實時性業務需求，可支撑更廣泛的電網業務，降低對集中式數據中心的依賴，减少數據傳輸及處理成本，提升安全可靠性和隱私保護能力。
建築能效管理、智能路燈都是應用案例，澳大利亞墨爾本項目客戶提供的數據，樓宇能效管理方案實施後降低了60% 能耗，智能路燈降低了80% 的維護成本。[5]
根據Navigant Research的新報告，到2027年全球電網邊緣計算和分布式智能市場預計達65億美元。2017年，華爲發布了基于邊緣計算物聯網EC-IOT的配用電解决方案及Hi-Grid套件。
一直以來，公共和企業設施的監測和維護消耗著大量的人力、物力成本；電力、製造等行業數字化轉型中對海量數據的實時、智能處理有著强烈需求。
産業協同追求整體設計最適化
不同垂直領域的需求不同，例如：數據量與産生頻率、反應速度需求，各産業所需的系統，不一定都需最高的運算效能，通常主要規格指標，如：速度、耗能、成本、可靠度(reliability)、耐用度/年限、以及其它特性規格不可能兼顧，追求整體設計最適化(而非一味追求速度)，才是明智。AIoT與邊緣計算應用落地會走向高度客製化模式，設計出各領域的專屬系統。它的良好發展離不開開放的産業生態、深度協同的資源合作。
[1] Mapping the Future of Artificial Intelligence — Quid, Inc.
[2] WHAT’S NOW AND NEXT IN ANALYTICS, AI, AND AUTOMATION — McKinsey Global Institute
[3] 構建面向5G的邊緣計算 — 英特爾 (Intel)
[4] 邊緣計算參考架構2.0 — 邊緣計算産業聯盟（ECC）與工業互聯網産業聯盟（AII）聯合發布
[5] 邊緣計算産業聯盟白皮書 — 邊緣計算産業聯盟（ECC）