通信行业动态：边缘智能—铺平人工智能的“最后一公里”

起源于云计算，主要为应对海量数据需求。云计算的处理方式是将所有数据上传至计算资源集中的云端数据中心或服务器处理，任何需要访问该信息的请求都必须上送云端处理。但随着互联网、物联网数据量增加，传统云计算架构已无法满足庞大的计算需求。传统云计算模式下，物联网数据被终端采集后要先传输至云计算中心，再通过集群计算后返回结果，这必然出现较长的响应时间。边缘计算则可就近在网络边缘侧完成数据分析与处理，降低传输时间的同时也加强了安全性。 数据已愈加在边缘侧集中。作为推动人工智能发展的关键驱动力，数据源已经历了从超大规模云数据中心到日益广泛的终端设备（如移动设备、边缘设备和物联网设备）的彻底转变。过去，在线购物记录、社交媒体内容及商业新闻等大数据主要产生并存储在超大规模的数据中心。然而，随着物联网与AI的出现，这一趋势正在逆转。根据IDC及Statista预测，2025年全球将有近800亿个物联网设备及传感器，数据中心侧产生约175 ZB数据流量。根据思科全球云指数，2021年云外总共生成近850 ZB的数据，而全球数据中心流量预计仅为20.6 ZB。即数据来源正在从大规模的云数据中心向边缘设备迁徙；另一方面也印证了云计算逐渐无法处理大规模分布的计算能力。 AI大模型已从“玩具”走向“工具”，数据进一步刺激边缘计算需求。我们认为如何让大模型渗透进入各类垂直场景，如何更低成本的使用大模型，如何让更多场景与用户接触AI，成为了发展的下一个重点。目前AI已同边缘计算结合催生了“边缘智能”这一新领域，其可利用规模化的边缘节点资源驱动AI应用，而非完全依赖云计算能力。我们认为边缘智能类似于：在终端设备上本地运行人工智能算法，并使用在设备上创造的本地数据。 边缘智能多集中在推理阶段。我们认为未来的边缘智能主要侧重于提升模型推理阶段同用户间的交互性能，模型训练依旧主要交由云上数据中心完成。但我们认为不同于边缘计算的是，边缘智能并非必须强调模型已拥有完全的训练能力，因为边缘智能本身可以通过获取设备终端、网络节点资源进行自我推理更新。 一定程度上，边缘智能更像是当下流行深度神经网络中的计算节点。 投资建议：我们认为AI大模型下不仅需要提升训练侧精度与准确度，对于边缘端的快速响应、数据隐私也同样重要。看好AI规模化应用下的应用场景多点开花，同时建议关注在边缘智能与数据安全侧具有先发优势的公司。 风险提示：边缘计算商业化落地速度不及预期；产业供应链风险。 重点公司盈利预测、估值与评级 1为什么当下需要重视边缘计算？ 1.1边缘计算：云计算2.0 边缘计算核心在于分散式计算架构。Gartner将边缘计算定义为"分布式计算拓扑结构的一部分，其中的信息在靠近边缘的地方处理，设备和人在边缘处生成或使用该信息。"我们认为边缘计算可使计算更靠近设备本身而非依靠远在千里之外的数据中心，如此可使得实时数据延迟尽可能降低。 起源于云计算，主要为应对海量数据需求。云计算的处理方式是将所有数据上传至计算资源集中的云端数据中心或服务器处理，任何需要访问该信息的请求都必须上送云端处理。但随着互联网、物联网数据量增加，传统云计算架构已无法满足庞大的计算需求。传统云计算模式下，物联网数据被终端采集后要先传输至云计算中心，再通过集群计算后返回结果，这必然出现较长的响应时间。边缘计算则可就近在网络边缘侧完成数据分析与处理，降低传输时间的同时也加强了安全性。 图1：边缘计算VS云计算 1.2数据愈发集中于边缘侧，未来行业增速CAGR约30% 数据已愈加在边缘侧集中。作为推动人工智能发展的关键驱动力，数据源已经历了从超大规模云数据中心到日益广泛的终端设备（如移动设备、边缘设备和物联网设备）的彻底转变。过去，在线购物记录、社交媒体内容及商业新闻等大数据主要产生并存储在超大规模的数据中心。然而，随着物联网与AI的出现，这一趋势正在逆转。根据IDC及Statista预测，2025年全球将有近800亿个物联网设备及传感器，数据中心侧产生约175 ZB数据流量。根据思科全球云指数，2021年云外总共生成近850 ZB的数据，而全球数据中心流量预计仅为20.6 ZB。即数据来源正在从大规模的云数据中心向边缘设备迁徙；另一方面也印证了云计算逐渐无法处理大规模分布的计算能力。 2022年全球边缘计算市场已达到2546亿美元，服务器行业占大头。根据Precedence Statistics统计预测，2022年全球边缘计算市场规模约2546亿美元，2032年有望超36056亿美元，2023年~2032年CAGR约30.4%。2022年，服务器市场占边缘计算总市场比重约45.5%；边缘传感器/路由器占比约25%； 能源和工业占比超18.6%；工业物联网应用占比约33%。 图2：全球数据中心数据流量 图3：全球边缘计算市场规模 图4：全球边缘计算市场结构—按下游行业 图5：全球边缘计算市场结构—按地区 2边缘智能，更懂AI的边缘计算 AI大模型已从“玩具”走向“工具”，数据进一步刺激边缘计算需求。我们认为如何让大模型渗透进入各类垂直场景，如何更低成本的使用大模型，如何让更多场景与用户接触AI，成为了发展的下一个重点。目前AI已同边缘计算结合催生了“边缘智能”这一新领域，其可利用规模化的边缘节点资源驱动AI应用，而非完全依赖云计算能力。我们认为边缘智能类似于：在终端设备上本地运行人工智能算法，并使用在设备上创造的本地数据。 图6：AI模型催生边缘智能 生成式AI能够自生产数据，对传输等环节有更高要求。当下AI模型的繁荣不仅为生活方方面面带来了便利，但我们认为最本质的变化核心在于数据量的不同。传统AI或机器学习下，数据更多来自下游设备/终端产生的实时数据，这也是边缘计算兴起的充分条件。但生成式AI不仅让终端设备产生更多数据，更是会通过自生成源源不断生产新的数据要素，对云端有更高要求的同时也更强调了传输交互、终端处理能力的全方位升级。 从数据生成—处理环节拆分看，传统云计算较难解决以下几个问题： 成本：深度学习模型在云端的训练和推理需要设备或用户将大量数据传输到云端。这会消耗大量的网络带宽。 延迟：通常无法保证访问云服务的低延迟需求。 可靠性：大多数云计算应用程序依赖无线通信和骨干网络将用户连接到服务。对于很多工业场景来说，即使在网络连接丢失的情况下，智能服务也必须保持高可靠性。 隐私：深度学习通常涉及大量的私人信息。AI隐私问题对于智能家居、智能制造、自动驾驶汽车、智慧城市等领域至关重要。在某些情况下，甚至可能无法传输敏感数据。 我们认为边缘智能有望将生成式AI尽可能从云端推向边缘侧，并具备以下优势： 低延迟：深度学习服务部署在靠近请求用户的位置。这显着降低了将数据发送到云进行处理的延迟和成本。 隐私保护：由于深度学习服务所需的原始数据本地存储在边缘设备或用户设备本身而不是云端，因此隐私得到了增强。 提高可靠性：去中心化、分层的计算架构提供更可靠的深度学习计算。 可扩展的深度学习：边缘计算凭借更丰富的数据和应用场景，可以促进深度学习在各行业的广泛应用，推动人工智能的采用。 商业化：多元化、有价值的深度学习服务拓宽了边缘计算的商业价值，加速其部署和增长。 图7：云计算、边缘计算、边缘智能各项能力比较 2.1不同于边缘计算，边缘智能是什么？ 边缘计算同AI具有天然适配性，二者结合的边缘智能可加速AI发展。一般情况下，边缘计算旨在协调海量终端设备与服务器处理就近生成数据，而AI则通过挖掘数据中相关性来模拟人的行为。我们认为从AI算法演进角度看，驱动因素主要有以下4种：算法、数据、硬件及应用场景。我们认为虽然算法和硬件对于AI的发展是最为直观的，但数据及应用场景的作用却大都被忽视。应用场景的不同会使数据格式千差万别，传统边缘计算具备一定的基础数据处理能力，但仍对模型准确性有所依赖，大量数据仍然需要依靠云数据中心完成训练。 边缘智能多集中在推理阶段。我们认为未来的边缘智能主要侧重于提升模型推理阶段同用户间的交互性能，模型训练依旧主要交由云上数据中心完成。但我们认为不同于边缘计算的是，边缘智能并非必须强调模型已拥有完全的训练能力，因为边缘智能本身可以通过获取设备终端、网络节点资源进行自我推理更新。一定程度上，边缘智能更像是当下流行深度神经网络中的计算节点。 图8：边缘智能与AI神经网络层级联系 2.2边缘智能下将更加强调数据安全性 我们认为未来随着边缘智能的兴起，数据安全和隐私保护成为了重要议题。边缘设备由于分布在网络边缘，可能面临更多的安全威胁。为了应对这些挑战，边缘智能需要采取更加严格的安全措施，包括数据加密、访问控制和安全更新等。同时，边缘智能的安全管理也需要集成到整体的网络安全架构中，确保从云端到边缘的全方位保护。 我们认为边缘智能相对传统云计算与边缘计算更加“去中心化”，面临更多安全隐患。边缘智能环境下，数据更加集中于终端设备，不仅无法受益于云数据中心安全保护，相反由于边缘智能本身也在实时产生新数据集，终端设备或许面临更大安全威胁。 “零信任”是应对边缘智能安全的较好选择。零信任通过验证每个访问资源的请求确保终端设备安全性能，主要包括身份和访问管理、威胁检测与响应等。通常对于中型边缘智算系统而言，零信任软硬件系统成本约1~5万美元/年。 3相关公司梳理 3.1网宿科技 公司正加速向边缘计算时代迈进。公司CDN业务已从最初的静态内容加速，升级为动态加速、安全加速。公司正逐步将CDN节点升级为具备存储、计算、传输、安全功能的边缘计算节点，在战略层面做好长期的技术积累，为产业成长提供基于边缘的基础设施能力、应用服务，以及行业解决方案。目前，公司已推出网宿边缘计算平台ECP，基于全球广泛分布的节点资源，融合计算、网络、存储等核心能力构建的边缘计算平台，就近为用户提供边缘算力等服务。包括： 边缘云主机：基于公司边缘节点和网络，在靠近用户侧为客户提供弹性、稳定、安全的边缘计算服务，帮助客户便捷高效地实现业务下沉，显著降低计算时延和成本。适用于视频直播、视频监控、在线教育等场景。 边缘云容器：基于公司边缘计算平台推出的分布式Serverless容器运行服务，配备海量带宽和优质网络传输等基础资源，利用基于kubernetes的无服务器容器技术，为客户提供边缘一站式服务托管。适用于边缘数据预处理、弹性服务（比如电商促销）等场景。 边缘存储：基于公司丰富的边缘节点资源打造，在靠近用户侧提供稳定可靠的分布式存储服务，为客户提供实时可靠的数据存储和访问。满足互动直播、视频监控、车联网等场景下数据量大、低时延、低成本的存储需求。 边缘应用：致力于为用户提供更快、更丰富的计算能力。基于公司全球分布的边缘节点提供算力服务，用户将自己的业务逻辑运行在边缘侧，减少负荷和延时，满足业务下沉的诉求。 边缘智能平台（ECC，Lite）：基于公司强大的节点管理和调度能力，打造的一体化边缘算力管理运维系统。ECCLite支持对各类架构的边缘算力设备进行极轻量纳管，可将云上智能应用、算法模型批量下发到业务现场，满足用户在边缘侧进行数据处理、分析决策、远程管控等需求。 2024年Worldometers预计东南亚“网红”营销市场规模将达到25.9亿美元。根据海外社交媒体营销机构INSG.CO统计，截至2022年6月16日，东南亚社媒用户高达4.82亿人，占据总人口的70%以上，87%的东南亚人在社媒上花费的时间超过2小时，其人均上网时长已经超过全球平均水平。其中菲律宾、马来西亚、印尼的人均上网时长均超过9小时。根据INSG.CO统计调研，越来越多的东南亚品牌将TikTok作为继Instagram之后的各品牌计划加大投入的平台。 截至2022年4月，印尼共拥有9900万TikTok用户，成为仅次于美国的用户第二多的国家。 投资建议：我们看好公司在海外市场竞争力以及国内短视频巨头出海潜力，同时我们认为公司CDN节点正逐步实现全球化布局，并具备边缘GPU计算能