边缘计算——在更靠近终端用户而非集中式数据中心的地方进行运算的实践——多年来一直是IT领域的热门话题。由于边缘架构能够降低延迟并提升性能,企业已经广泛采用这种架构来解决速度、安全性和效率方面的挑战。
虽然这些优势长期以来都很重要,但在实时数据分析和人工智能时代,边缘计算变得更加关键。这些工作负载需要近乎瞬时的处理能力,使得传统网络架构变得不太可行。
但是,关于边缘计算的讨论有多少只是纸上谈兵,又有多少反映了真实的应用情况?企业在多大程度上积极部署边缘工作负载?他们面临哪些挑战,又看到了哪些好处?
为了回答这些问题,ITPro Today对IT专业人士进行了调研,了解他们所在组织的边缘计算策略和投资情况。本报告详细介绍的调研结果,为边缘计算的现状以及企业在网络边缘的下一步投资计划提供了宝贵见解。
主要调研发现包括:
o IT专业人士对边缘计算的认知仍然有限,55%的受访者表示他们对这一概念只是"有一定了解"。
o 边缘计算投资差异很大:21%的企业在IT预算中分配不到5%,而33%的企业至少将10%的预算投入到边缘相关项目中。
o 性能改善和安全性是采用IT边缘计算的主要驱动因素。
o 分析和数据缓存是主要用例,而更先进的应用——如AI/ML推理和智慧城市基础设施——仍然不够普及。
o Microsoft Azure IoT Edge是使用最广泛的边缘平台,尽管组织采用的解决方案各不相同。
o 混合云-边缘模型是主流架构,36%的组织都在实施这种架构。
o 成本是边缘计算采用的最大障碍。
o 企业正在部署各种策略和解决方案来降低边缘数据安全风险。
如需深入了解调研数据及其对现代IT策略的影响,请立即下载我们的《2025年边缘计算趋势报告》免费副本!
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
西安交通大学团队提出Fast-LeWM,用动作前缀并行预测替代逐步推演,将AI世界模型规划速度提升近4倍,同时平均成功率从85.8%提升至90.5%。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
CoffeeBench是Sakana AI与毕马威联合构建的多智能体经济基准测试,让六个AI企业在90天咖啡供应链模拟中自主经营,评估大语言模型的长期商业决策能力。