何为"边缘"，指的是一个相对概念，可以在传输网中，也可以在智能设备内部。常见的边缘计算载体可以是具有一定运算能力的边缘网关/智能路由器，或者是具有较强运算能力的部署于场景一侧的服务器，亦或是具有数据收集与分析功能的边缘云平台。
这些载体帮助就近处理智能设备产生的数据，而不用上传至云计算中心，归纳下来大致有4点优势：
1）降低时延以提高数据分析及操作的实时性；
2）减少传输的数据量以降低带宽成本；
3）本地化存储以确保数据隐私及安全；
4）能够适配弱网环境以提供持续性高可用服务。
从更商业化的角度看待，边缘计算对于垂直行业的吸引力体现在两大方面：一是为企业旧业务运营提升效率，二是加大了传统行业在5G时代创造新收入的机会。
比如在工业制造场景，考虑传统人工目视全检或抽检的手段容易出现错检、漏检等状况，为保证出货良品率，往往需要同工位安排数量较多的质检员进行培训及操作，这不仅增加了人力成本开支，在当下制造业招工难的形势下更是一项挑战。
时下，不少技术服务提供商在推出基于边缘计算的机器视觉无人质检解决方案，公众号《上海通信圈》日前披露一项中国联通在上海金智达复合材料有限公司落地的5G+AI工业质检解决方案，其方案架构具有5G接入能力、本地/边缘识别能力、边云协同、融合图像处理、多种部署模式等特点，以机器换人，满足客户提升质检效率的要求，未来规模化后有望显著降低质检投入成本。
又比如在高速收费稽核场景，早前随着省界收费站的取消，关于提升我国高速公路通行效率，减少收费站人工和管理节本的需求被摆上台面，但与此同时，从省域路网转变到到全国一张网，如何降低收费稽查和追缴的难度是众多技术服务提供商要着眼解决的问题。
根据云计算服务提供商青云QingCloud早前披露的智慧交通解决方案，其中描述了高速公路车流量日益增长，一个大的高速收费站，每天有400万辆车经过，每个通道5个摄像头，一张图片500k，如果使卡口图片上传到云端再进行AI模型识别，识别结果返回到计费系统，计费结果再返回给卡口，不仅系统压力大、带宽成本高昂，而且整体链路太长，若再遭遇网络不稳定的情况，将很容易造成车辆拥堵的困境。
为此，使AI能力下沉，在边缘节点侧进行车牌识别、卡口计费是整个方案的重点之一，这不仅将大幅降低带宽成本，确保在离线状态下业务保持稳定，此外云边一体，边云协同将更有利于简化运维架构，提高系统运行效率。
再比如自动驾驶场景需要边缘计算降低时延；医疗健康场景需要边缘计算以保护隐私信息，坦白说，边缘计算众多的应用场景其实也像物联网一样呈现碎片化特性，这其实给不同属性的公司提供了多种扩展商业模式的机会。
回想2010年，云计算被认为是没价值，新瓶装旧酒的事物，可十年后，全球云计算的市场规模已经达到千亿美元，且仍将保持稳定态势继续增长。而云计算的商业意义，是贡献了亚马逊公司全年三分之二的利润来源；是助力微软公司成功转型，市值超过万亿美元；是谷歌宁愿花大价钱投入也要奋起直追……
边缘计算受到关注的时间比云计算稍晚几年，甚至目前被认为存在炒作的嫌疑，这与云计算的早期遭遇如出一辙。那么在未来，在技术演进、商业模式、成本投入等方面的问题得到解决时，从边缘计算中是否也会诞生新的头部玩家呢。
这个正在发展初期的产业，其实是无法被忽略的。
