2023年是边缘计算的重要节点！

随着生成式AI的不断演进,大模型在图片、音视频等多模态领域的表现展露了其在产业端应用的巨大潜能。大模式在行业落地需要本地化推理与部署，在边缘节点把大模型分拆，将部分大模型的能力部署到小模型或行业模型中，可以在边缘节点处理本地数据驱动的模型。

因而2024边缘计算报告我们把重心放在AI上，以边缘视觉AI为主。对于当下边缘视觉AI的行业现状，业内皆有共识：

落地难：一方面是定制化需求多，每个项目都或多或少要重新定制开发，大部分客户在细分需求面前很难承担过多的开发费，落地成本高，客户不愿买单，厂商也赚不到钱；二是AI算法精准度不够，因为精准度不够，用户体验不好，后期服务和调优的成本也变得很高。所以需要更多的项目去分摊成本，这样带来市场竞争的加剧。

碎片化：边缘AI高度依赖于场景，其应用场景非常广泛，智能安防、智慧水务、智能建筑、智能制造等等各个场景都能应用到，但是碎片化严重，在当下各个细分场景的体量都很小，作为从业者来说，什么场景都去做，显然不太现实，一方面是不够聚焦对场景需求理解不够，很难做出真正好用的产品，包括硬件与算法；另一方面精力也有限，很难覆盖太多场景。因而选择什么场景去深耕是边缘计算厂商当下需要做的重要抉择，厂商还得根据自身能力、自身优势还有资源去选择最适合自己的场景。

量升价跌：目前边缘AI还处于行业发展初期，项目大多由政策驱动，以政府项目居多，疫情加上经济下行，让各级政府财政也比较吃紧，在项目上投入预算就更加有限。综合来看虽然需求上升，但是预算降低、成本高、市场竞争加剧等因素让市场利润明显萎缩，目前形成了一个量升价跌的趋势。

那么行业什么时候能够破局？最大的难点在AI算法上，2023之所以称之为重要节点，是因为业内人士皆认为AI大模型能够改变行业现状。

随着行业应用的深入，场景变得多元化、复杂化，算法领域面临以下几个问题：

泛化能力不足：例如，一个仅使用白天采集的车辆数据训练出来的检测模型，在夜晚使用时性能就会大打折扣。传统的深度学习往往难以兼顾这些场景差异性，导致不得不为每一个场景量身定制模型。

传统结构出现性能天花板：传统深度学习结构，如 CNN、RNN、LSTM 等，关注于感知输入信号的局部信息，对知识的容量有限，数据规模和模态种类持续增加带来的边际效益下降。

缺乏推理与认知能力：传统深度学习以监督学习方法为主，其基本原理是训练神经网络来拟合监督标签，无法形成逻辑认知。对于没有见过的新任务或复杂的业务逻辑均需要重标重训或手工排程。

AI 1.0准确率只有50-80%，系统误报多，200路系统每天几百上千起误报，无人工不智能，需人工复核传统AI一场景一算法，系统研发成本居高不下，客户需求响应慢，在传统AI 1.0 体系的基础上，利用多模态大模型技术，服务多场景，实现系统性能提升， 降本增效。

更多内容详见《2024边缘计算市场调研报告》，报告于8月28日下午在由视觉物联举办的“IOTE 2024深圳·边缘计算产业生态大会”上已经正式发布，现提供电子版本免费下载，欢迎行业人士多多交流与指正！！

扫码免费下载报告