边缘云创新实验室：2021年边缘AI研发落地生态挑战调研报告（21页）.pdf

1、 边缘 AI研发落地生态挑战 调研报告 zhengzimu 摘要 随着边缘设备的广泛使用和性能提升，将机器学习相关的部分任务迁移到边缘，也即边缘 AI 技术，已成为必然趋势。但仅凭技术是不足够完成落地和产业转化的。近日我们启动了边缘 AI 研发落地生态挑战调研。我们发现，当前学界业界在落地过程已经遇到各式各样的困难，重点生态挑战包括数据集和配套算法难以获取、通用方案无法满足特定业务需求、缺乏商业成功案例等。边缘 AI 研发落地生态挑战调研报告 Edge AI ecosystem challenge report for solution landing 摘要：随着边缘设备的广泛使用和性能提升，

2、将机器学习相关的部分任务迁移到边缘，也即边缘 AI 技术，已成为必然趋势。但仅凭技术是不足够完成落地和产业转化的。近日我们启动了边缘 AI 研发落地生态挑战调研。我们发现，当前学界业界在落地过程已经遇到各式各样的困难，重点生态挑战包括数据集和配套算法难以获取、通用方案无法满足特定业务需求、缺乏商业成功案例等。关键词：边缘 AI，研发落地，生态挑战 作者简介：郑子木，19 年博士毕业于香港理工大学，后加入华为云边缘云创新实验室作为算法专家。研究方向为边缘智能、多任务迁移学习及 AIoT。发表 AI 算法与系统、分布式计算等领域国际顶级会议及期刊论文十余篇，多次获得最佳会议论文奖项及华为公司技术贡

3、献奖项。目前正带领团队参与云原生计算基金会 KubeEdge SIG AI 的开源工作。作者联系方式：广东深圳坂田华为基地 E1，518129，15889941925， 本文已刊登于 CSDN、开源中国、今日头条、ACM SIG BED CN、AI 数据派、AI 科技评论、容器魔方、知乎专栏、博客园、51CTO、掘金等，欢迎在各媒体阅读相关内容。0.绪论 随着边缘设备的广泛使用和性能提升，将机器学习相关的部分任务迁移到边缘，也即边缘 AI 技术，已成为必然趋势，甚至能够同时结合云侧算力和边侧数据来完成机器学习任务。机器学习服务将边缘产生的数据转换为知识的过程中，需要在边缘快速响应并处理本地产生

4、的数据。在落地过程中，我们发现，在连接海量边缘节点的边缘云时代，随着 AI 服务与边缘用户的距离缩短，通用 AI 原本部分挑战在边缘场景下变得更加尖锐。基于一些落地经验，华为云边缘云创新实验室（ECIL，Edge Cloud Innovation Lab，Huawei Cloud）系列文章中曾介绍过数据异构等四大技术挑战。针对这些挑战，各个技术方案落地与成果转化到产业的进程正在紧锣密鼓地进行。但仅凭技术是不足够完成落地和产业转化的。当前学界业界很多团队已经遇到各式各样的困难，比如数据集难以获取、通用方案无法满足特定业务、缺乏商业成功案例等。因此除了技术挑战外，我们一直密切关注边缘 AI 的生态

5、挑战*。为了让更多边缘 AI 领域的朋友多快好省地完成技术研发落地和商业闭环，我们启动了边缘 AI 研发落地生态挑战调研。此次调研通过问卷发放的方式，希望进一步了解边缘 AI 方案落地与产业落地过程中遇到的生态挑战。截至 2021 年 11月 29 日，已回收有效答卷 175 份，问卷开放选项采集到 49 条补充意见和 8 条补充建议。对答卷中共计 20 项量表题项进行分析，信度 Cronbach.*为 0.975。*比如研发资源难获取、工具链不完备等主要依赖社区分工与共享的非技术挑战，在本文中定义为生态挑战。*信度指同一问卷对同一组对象重复测量时所得结果的一致性程度，用于测量样本回答结果是否

6、可靠。如果在0.8以上,则该测验或量表的信度非常好；如果低于 0.6,量表就需要重新设计题项。根据调研结果，对边缘 AI 各角色而言，当前阻碍研发落地首当其冲的生态挑战分别是 算法开发者：“真实业务数据集及其基线算法、预训练模型难以获取”服务开发者：“通用方案整体性能不一定满足特定业务需求”技术布道者：“缺乏商业成功案例”具体调研报告结果请见下文。1.调研对象 调研对象职业主要是工业界从业者（53.45%），其次是在校学生（31.03%）和学术界研究者（25.86%）。调研对象的技术方向主要是边缘 AI 及其应用（55.75%）、AI 及其应用（49.43%）、边缘计算及其应用（42.53%）