要讓運行的效能與使用的體驗有所提升，邊緣運算是最關鍵的一環。

邊緣運算很清楚明瞭，就是要增加終端設備與服務的運行效能。

同時降低5G網路系統的負載，進而提升整體的運作效率。

業界普遍的看法，多認為5G是智慧物聯（AIoT）應用的最後一哩。然而5G是個大概念，涵蓋的內容十分寬廣多元，其中當然有很大的成分與AIoT有關聯，但若要讓運行的效能與使用的體驗有所提升，則邊緣運算（Edge Computing）就是最關鍵的一環。

不同於4G時代，5G所要實踐的願景是相當的「服務吃重（Service-heavy）」，例如智慧4K串流、智慧建築、無人駕駛等，都是以提供終端服務應用為導向。而既然是服務，最終的使用者體驗就是成敗的關鍵，而要達成優異的體驗，光靠5G本身的技術其實力有未逮，終端裝置本身也要有所應對才行，也因此邊緣運算的需求就開始被提出。

在這個基礎下，邊緣運算所要解決的問題也就清楚明瞭，就是要增加終端設備與服務的運行效能，進而改善使用者的體驗，同時也透過增加端點裝置的能力之後，降低5G網路系統的負載，進而提升整體的運作效率。

而一般的邊緣運算多屬於硬體解決方案，也就是在裝置中增加特定的運算晶片或模組，讓過往需要在雲端處理的功能，轉移到裝置端處理，一方面可以增加運行的效率，另一方面也可以降低雲端的負擔。

尤其目前是講求AI應用的時代，數據的收集與分析多是在終端發生，因此各個末端節點都必須要具備一定的運算效能，才能實現最佳的使用者體驗，所以邊緣運算的在目前的AIoT架構中的重要性也日益提升，同時更多的系統商在推出產品時，也都必須具備相關的功能。

邊緣運算不僅裝置端 網路架構也需考量

不過邊緣運算除了在裝置端的硬體上發生外，在網路布建上也須思考相關的作法，才能更全面的發揮效益。因為就網路應用流程來說，使用者仍須經過基地台（Base station）、骨幹網路（Backhaul），再到電信核心網路（EPC），若要提升體驗品質，如何增進這之間的效率就是必要的工作。

也因此，一個名為「多存取邊緣運算（Multi-access Edge Computing，MEC）」技術就漸漸被運用在未來的5G應用服務中。該技術的目標是讓電信服務與IT系統有更佳的協同運作效能。它是透過與行動核心網路整合的方式，讓其運行的環境能夠具備超低延遲與超高頻的效能，進而提升用戶的使用體驗。

不同於其它的虛擬雲端和行動邊緣技術，MEC具有更高的彈性與靈活性，電信運營商只要透過開放其無線接取網路(Radio Access Network，RAN)邊緣，就可以快速的布建先進的無線應用程序和服務。包含影像分析、區域型服務、物聯網、擴增實境、區域型內容配送與優化和資料庫快取等。

目前MEC仍再發展中，也持續進行各種實場的測試，例如英特爾就與中國聯通、Nokia 和騰訊雲合作，進行MEC技術的演唱會與體育賽事的高畫質轉播。而透過採MEC的架構，能讓這影片儲存在會場當地的雲端，避免經過網路骨幹（backhaul）進而造成延遲。

採用該應用程式能讓用戶觀看架設在會場各處的攝影機所串流的HD影像，不僅直播影片的延遲大幅降低，還能讓在現場的網紅透過社群媒體進行直播，直接結合來自會場攝影機的影像資料和自己裝置端所拍攝的視訊。

此外，該服務也提供地理位置功能，讓會場中的人能夠找到自己的朋友，或者與頻道關注的粉絲互傳訊息。而所有傳送至會場內手機的訊息都只在當地路由，因此減輕了雲端網路的負擔。

而台灣的工研院也正在研究MEC相關的解決方案，且其研究成果也獲得IEST協會的認可，收錄為其概念驗證（PoC）的範例。該範例為工研院資通所與Linker Network、遠傳電信所共同開發，一種專門針對RAN頻寬管理的服務感知MEC平台。

圖一 : MEC定位在RNA邊緣，是5G核心網路與區域終端使用者的切換點。（CTIMES製圖）

提供洞察力

物聯網裝置正在爆炸性的成長，這些裝置的運算能力不斷增加，已產生出前所未見的資料量。而隨著5G網路使得行動式裝置的連結數量暴增，未來的數據資料量也將持續成長。

在過去，雲端與人工智慧（AI）意義在於透過資料來提出可行的洞察，以進行自動化並加速創新。然而，連接的裝置所建立的資料規模與複雜性，已超越網路與基礎架構的能力。

將所有裝置產生的資料傳送至集中式資料中心，或傳送至雲端，將導致頻寬及延遲問題。對此，邊緣運算可提供更有效率的替代方案，資料的處理及分析將更接近建立資料的位置。因為不會透過網路將數據資料傳輸到雲端或資料中心進行處理，所以大幅減少延遲問題。邊緣運算，以及逐漸成型的5G網路行動式邊緣運算，將提供更快更全面的資料分析、產生更深入的洞察、具有更快的回應時間，以及改善客戶體驗。

發揮機器潛力

從IBM的調查資料可以發現，從連接的車輛，到工廠的智慧型機器人，世界從裝置中產生的資料量比以往任何時候都要高，然而這些龐大的物聯網資料卻沒有被充分開發利用或使用。例如，麥肯錫公司的研究發現，一個離岸石油鑽機從3萬個感測器產生資料，但目前只使用不到1％的資料來制定決策。

邊緣運算利用裝置內運算能力，近乎即時地提供深度洞察與預測分析。在邊緣裝置中提高分析能力，可以驅動創新來提升品質並提升價值。它還提出了重要的策略問題，在增加運算容量的情況下，決策者如何管理執行這些類型之行動工作負載部署？如何使用裝置中內嵌的智慧能力，以更快應對影響員工、客戶及企業的作業流程？為了從所有這些裝置中擷取最有價值的資訊，必須將大量的計算移動到邊緣。

行動裝置邊緣運算

Nvidia認為，邊緣運算就跟甜甜圈一樣，擺放在愈靠近消費者的地方愈是理想。想吃點的時候，不必再走到街角的甜甜圈店，要是甜甜圈在桌子上，一伸手就能拿到，馬上就能心滿意足。邊緣運算就是這樣的道理。如果在處理資料的過程中，還要再把資料傳到雲端的人工智慧應用程式來執行，勢必會慢一點才能拿到答案。但要是傳到鄰近的邊緣伺服器，就像是直接從桌上的盒中拿起一個甜甜圈一樣簡單方便。

圖二 : 邊緣運算就跟甜甜圈一樣，擺放在愈靠近消費者的地方愈是理想。

在這個當下，就能享受到邊緣運算帶來的便捷，而這種體驗就自來於口袋裡的智慧手機。存在於電信網路「邊緣」的款智慧手機，能夠以更聰明的方式處理語音應答內容，並拍攝出更好看的照片。邊緣運算概念就是在盡量靠近來源處，取得並處理資料。邊緣運算會收集到幾GB甚至是幾TB的巨量串流資料來進行處理，像是自駕車、工廠機器人、醫院的醫療影像機器、零售商店的收銀台攝影機等應用領域，都需要仰賴邊緣運算技術。

結語

圖三 : 最好的邊緣運算體驗就來自口袋裡的智慧手機。

估計到2025年時，會有1500億台機器感應器及物聯網裝置源源不絕傳輸各項資料，而這些資料都需要加以處理。屆時5G網路已經成熟，其速度較4G網路快上百倍，將開啟更多人工智慧服務數量的可能性，而這也進一步推動對於邊緣運算的需求。