万物互联时代，海量设备将接入网络，进行数据采集和用户交互。边缘计算常常与物联网联系在一起。物联网设备参与到越来越强大的处理中，因此生成的大量数据可以重新迁移到网络的“边缘”。这意味着数据不必在集中式服务器之间连续地来回传输来处理。因此，边缘计算在管理来自物联网设备的大量数据方面效率更高，延迟更低，处理速度更快，且可扩展。在5G和AI的乘数效应下，其扩展了无线数据传输的高带宽和低延迟能力，人们对边缘计算能够实现什么目标充满了期待。此科技将使边缘计算系统大大提高速度，并最终增强其支持实时应用的能力。

据IDC预测，2025年全球物联网连接数将增长至270亿个，物联网设备数量将达到1000亿台，全球数据总量预计2025年将达到163个ZB，而未来超过70%的数据和应用将在边缘产生和处理。

在云计算初期，很多人认为，终端的价值已经走到极限，通过网络所有的数据都会传输到云端处理和计算，再传回到用户的终端。可事实的发展却有些出乎意料，很多应用场景，对延时的要求非常严格，如果完全依赖云，势必会让效率降低。

2.边缘计算在智能交通的应用

智能交通的落地是一个庞大的系统工程，除了城市空间和道路的调整外，你还需要一套结合最新软硬件技术的、稳定可靠的管理系统，以应对形形色色场景中纷繁复杂的应用。根据麦肯锡的咨询研究报告，在边缘计算的行业应用中，交通运输所占比例最高。

随着城市交通数据量的增加，用户对海量交通信息的实时性需要也会随之提高。如果把数据全部传回云计算中心，将会出现带宽资源的浪费和延时等问题，但如果把数据在边缘服务器上进行实时分析和处理，便可根据路面实时状况和可用资源对用户做出相应指示。

边缘计算在交通的应用体在智慧城市运输和设施管理等基于地理位置的应用上，对于位置识别技术，边缘计算可以对基于地理位置的数据进行实时处理和收集，而不必再传送到云计算中心进行相应操作。

此外，在城市视频监控系统的应用上，可以构建融合边缘计算模型和视频监控技术的新型视频监控应用的软硬件服务平台，以提高视频监控系统前端摄像头的智能处理能力，进而影响预警系统和处置机制。

不难看出，“云计算”就相当于智能设备的大脑，处理相对复杂的进程，而“边缘计算”就相当于智能设备的神经末梢，进行一些“下意识”的反应，这为长期困扰行业发展的诸多难题迎来了解决的希望。

3.边缘计算在车路协同的应用

最典型的如智能汽车应用场景，无法做到数据传输到云端处理后再做出判断，而是需要让大量的实时数据，这就是边缘计算的价值。

例如，一辆自动驾驶的汽车在面临危险需要及时停止的时候，如果其还需把数据上传到“云端”，通过计算得出停止的命令，再传送到汽车，汽车再作出反应。那么就不如让车辆本身也具备一定的计算能力，来处理这一问题。同时，我们还可以预想这样一个场景，突发的自然灾害、信号干扰或技术故障使得某一区域自动驾驶的汽车、列车陷入无网络状态。那么，它们就只能依靠边缘计算赋予其的计算能力作出“下意识”的反应，才能确保其安全。

此外，智能交通正从单一场景交通管理向融合场景交通服务发展，V2X场景能帮助智能驾驶更安全、更高效、更经济、更便捷，例如限速预警、恶劣天气预警、并道提示、路口调度等，而V2X关键技术包括感知、高清制图和定位，高算力需求、高移动性、高可靠性和实时性带来了主要的技术挑战，而边缘计算在车路协同领域会有更多技术突破空间。