2030年代将由边缘计算驱动：为什么下一个十年的计算从现在开始

如果你想看到人工智能的未来，请忘记弗吉尼亚州北部的服务器农场或旧金山的创业孵化器。去佛罗里达州劳德代尔堡郊外的一家洗车公司看看吧。

这家公司的智能运营来自一家你可能没听说过的公司，除非你在洗车行业，否则他们是行业领袖——Sonny’s The CarWash Factory。Sonny’s 是世界上最大的输送式洗车设备制造商——这是一项传统上由刷子、肥皂和皮带定义的业务，但他们正在用计算机视觉取代几十年的声纳技术，以毫秒为单位来测量车辆大小，并使用车牌识别技术进行即时忠诚度注册，并在驾驶到自助服务亭时测试对话式人工智能。

尽管数十亿美元正在追逐下一个类似 ChatGPT 的产品——许多分析师警告说，这些投资已经超过了实际的采用率——一场安静的革命正在停车场、工厂车间、海上船只和医院地下室发生。

我们正在见证一场分裂。 一方面是消费者人工智能：华丽、补贴和运营昂贵。 另一方面是物理人工智能：不光彩、植根于硬性投资回报率，并且已经在无法容忍延迟或停机的行业中改变了运营。

这种分裂将定义即将到来的十年。 如果 2010 年代是关于连接设备（物联网），2020 年代是关于在数据源自的地方处理数据（边缘计算），那么 2030 年代将是关于即时对数据采取行动。 这是边缘人工智能的时代。

创新发生在意想不到的地方

对于根植于物理商品的行业，云端往往太远——无论是字面上还是运营上。

以零售市场为例。 每家商店都在与库存记录和现实之间的差距作斗争。 衣服被移动、试穿和误放，传统数据库在几分钟内就变得过时。 但是有些公司正在转向一种商店本身就是数据库的模式。 天花板上的 RFID 扫描器实时跟踪服装——识别进入试衣间的服装、未离开的服装和特定尺寸的服装最终落在哪里。 他们不仅更新记录；他们正在实时数字化物理空间——这只有本地处理才能实现。

医疗保健行业也正在遵循类似的路径。 现代 CT 和 MRI 扫描为每个患者生成了数千兆字节的数据——这些数据太大、太敏感，无法不断地传输到云端。 解决方案不是更大的管道，而是将人工智能带到扫描仪。 医院开始在本地运行推理，保持患者数据在现场，同时在几秒钟内提供诊断见解。

航运行业面临类似的约束。 集装箱船从发动机、导航系统和货物传感器生成了数千兆字节的运营数据。 但是，海上连接的成本每千兆字节高达数千美元。 航运公司正在船上部署边缘服务器来处理这些数据，运行预测性维护模型，以防止船只在到达港口之前发生发动机故障。 人工智能伴随着船只，因为云端根本无法到达那么远的地方。

这些不是研发实验。 这些是通过边缘计算解决的运营问题。

三层架构

要了解企业基础设施的发展方向，请看你口袋里的电话。 Apple Intelligence 将三层计算模型引入主流：设备上的处理用于速度，私有计算层用于更重的任务，云用于广泛的知识。 工业环境正在采用这种确切的架构——不是为了方便，而是为了物理学。

考虑新一波的人形机器人。 这些机器运行在电池上；它们不能携带超级计算机，也不能依赖云端进行分秒必争的安全决策。 相反，它们依赖于一个关键的“中间层”：

• 设备（机器人）：处理本地的立即运动和安全。

• 私有边缘：工厂车间上的本地服务器处理重型推理和机器人协调。

• 云端：保留用于训练和全局软件更新。

2010 年代是云端第一。 2030 年代将是边缘第一——如果需要的话，云端其次。

这种架构解决了真正的约束。 机器人运行在电池上，无法承载重型计算负载。 工厂车间需要毫秒级的响应时间，云端延迟无法提供。 医院中的患者数据必须保持在现场以满足监管合规性。 中间层处理重型推理工作，协调设备群，并作为本地运营和全局系统之间的缓冲区。 将其视为压缩到单个服务器机架中的本地数据中心，处理数千兆字节而不触及公共互联网。 当机器人需要执行安全操作时，它会在本地处理。 当它需要根据当天的运营更新其导航模型时，边缘服务器会处理。 当制造商发布新功能时，云端会将其推送下来。 每个层次都做它最擅长的事情。

“拨号”时代的终结

尽管出现了这些架构转变，现实情况仍然很混乱。 物理人工智能目前处于“拨号”时代。 运营领导者被“黑盒子”所困扰——用于人数统计、视频分析或传感器的专有设备，它们无法相互通信。 这相当于携带单独的设备用于电子邮件、地图和照片。

我们现在看到拥有 20,000 多个地点的组织用统一的边缘平台取代这种拼凑的方式，使他们能够以软件更新的形式推出新应用程序，而不是硬件项目。

同时，LEO 卫星网络（如 Starlink）正在消除连接死区。 就像新兴经济体跳过了固定电话直接进入移动电话一样，航运、采矿和铁路等行业正在跳过集中式云架构，直接转向分布式边缘人工智能——因为他们的运营物理学要求如此。

投资悖论

物理人工智能永远不会有“ChatGPT 时刻”。 它不可能。 生成式人工智能中的错误可能会导致病毒式截图；物理人工智能中的错误可能会导致安全隐患。

这就是为什么这里的进展是稳定的，而不是爆炸性的。 Waymo 花了十多年时间进行测试和模拟，然后才扩展到主要城市。 在医疗保健领域，分析扫描的 AI 是一种需要 FDA 批准的医疗设备。 你不能下载安全性或成熟度。 你必须通过努力获得它。

投资悖论很简单：华丽的消费者人工智能占据了头条新闻，但运营人工智能占据了经济。 2030 年代不会属于拥有最具病毒性模型的公司，而是那些能够在需要的地方部署智能的地方。

当你在世界任何地方开车进入由 Sonny’s 技术驱动的洗车场时，系统会识别你的车辆并自然地与你交谈，不要把它看作是一个魔术。 把它看作是一个蓝图。 那是基础设施。 而今天铺设这些基础设施的公司正在为下一个十年打造竞争护城河。