随着人工智能（AI）快速发展，具备感知、认知功能的智能终端产品不断出现：智能助手、智能终端、智能可穿戴设备、智能家居等一系列消费级产品日新月异。

另一方面，无人驾驶汽车、智能服务机器人等具备复杂系统的综合型人工智能产品，也在加速研发和产业化进程中，正逐渐走进人们的生产生活，带来全新的产业和应用。  AI作为一种通用型技术，在自身发展的同时也推动着其他技术和产业的发展，而其他相关技术和产业的发展反过来又加速了AI的进步。其中，5G就为AI数据的传送速度和质量提供了有效保证。

边缘计算让AI驶入“快车道”

虽然AI现在已经取得了非常大的突破，但同样还面临着很多挑战。最大的就是，AI在进行分析处理时，需要消耗大量的计算资源和存储资源。

尤其是在物联网时代，随着智能终端产品的爆发增长，大量数据通过有限的网络连接传输至位于集中式数据中心的分析引擎进行数据分析，而这却是适得其反，因为分析引擎可能出现响应不足，也可能导致额外的延时并浪费宝贵的带宽。

而现阶段，能够这些复杂工作的正是来自于5G技术之一的边缘计算。边缘计算靠近物理设备或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，来满足AI快速连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求技术，使得AI应用的性能、整体可靠性大大提升。

同时，边缘计算的另一大优势也在AI领域得以发扬光大，就是实时性。例如AR/VR，互联汽车，无人驾驶、远程医疗，以及智慧城市，上述这些智能终端产品及解决方案，都是无法容忍超过数毫秒的时延，并对于抖动或时延变化极其敏感的。 举例来说，互联汽车要求低时延、高带宽，并基于接近于用户计算和内容存储，这些条件都使得边缘核心成为了必备项。在很多场景下，尤其是使用封闭式自动化操作来维护高可用性的场景，响应时间必须保证在几十毫秒内，而这种条件除边缘计算外是无法达成的。

AI时代数据安全问题加剧

遗憾的是，人工智能时代，数据的收集、使用等各个环节都面临着新的风险。在数据收集环节，大规模的机器自动化地收集着成千上万的用户数据，涉及到个人姓名、性别、电话号码、电子邮箱、地理位置、家庭住址在内的方方面面的数据，这些数据海量收集形成对用户的全面追踪。

另外，在数据使用环节，大数据分析技术广泛使用，数据经挖掘能分析出深层信息，不仅可以识别出特定的个人，还能分析出个人的购物习惯、行踪轨迹等信息，进一步扩大了隐私暴露的风险。此外，在整个数据的生命周期中，由于黑客攻击、系统安全漏洞等原因，个人数据始终面临着被泄露的潜在安全风险。

而边缘计算能够使得安全部件更接近于攻击源，启动更高效的安全应用并增加分层数量以抵御针对核心的侵犯和风险。

来源：《通信世界》杂志2018年第13期