边缘计算技术能够延伸云端计算触角到边缘侧，利用边缘侧的存、AI 算法和算力就近处理数据，释放云端压力。
边缘计算与云计算并非替代关系，而是协作配合，形成云计算、边缘计算的“云边协同”解决方案。云边协同以云侧的云计算中心、边侧的边缘设备节点、端侧的传感器和视频终端为核心组件构成计算架构，提供更高效精确的业务数据处理能力。以AI模型的训练和推理为例，边缘节点可以负责自己范围内的数据计算和存储工作，解决边缘设备大量的数据上传对云端造成巨大压力的问题。同时，部分经过处理的数据仍从边缘节点汇聚集中到中心云，通过云计算实现大数据分析挖掘、数据共享，进行算法模型的训练和升级，此后将升级后的算法推送到边缘侧，完成设备的更新和升级，实现自主学习闭环。与传统的云计算和边缘计算相比，云边协同具有以下优势：
数据分析更高效：线性增长的集中式云计算能力无法匹配爆炸式增长的海量边缘数据，云边协同可实现数据贯通，高效合理地配置算力资源，提升数据分析的灵活性。
数据处理更实时：云边协同支持在靠近物或数据源头的网络边缘侧就近提供边缘智能服务，减少传输时延，提高网络效率，增强业务分发传送能力，优化用户体验。
数据储存更安全：云计算的数据安全与应用软件、平台、操作系统、多段网络、权限管理等多方面因素有关，边缘数据的安全隐私受到极大关注。云边协同有助于隔离边缘应用和云端的系统性风险，保障数据安全。
物联网终端数量和应用部署的快速增加，产生了海量的物联数据，在“云计算+物联网”方案中，网络传输带宽、时效性、安全性等方面面临日益严峻的挑战，通过边缘计算和物联网融合应用，可以有效解决上述问题。
从架构上看，边缘计算和物联网融合应用是由感知层、网络层、平台层和应用层四个关键模块构成的。感知层负责采集物理世界的数据，利用边缘节点提供的多种物联接口，将各类传感器和终端连接起来，实现大规模终端设备入网。网络层承担着协议转换的功能，以便在各个层级间进行信息传输，通过边缘计算实现服务本地化处理。平台层为终端设备提供统一的云端管理，实现与其他行业应用的灵活对接，统一处理边缘节点提供的数据，并将处理结果提供给应用层。应用层为物联网的不同应用场景提供最终服务，建立广泛的行业适应性，开发出更多与行业场景相匹配的物联网应用。
边缘计算和物联网融合应用能够为行业数字化转型提供强有力的支撑，与传统“云计算+物联网”相比具有以下优势：
满足安全要求：在传统的云计算、物联网应用中，用户在获取各种服务前，必须先将数据传送至云计算中心，这大大增加了数据安全的风险。边缘计算和物联网融合应用能够避免用户将敏感数据传送到云端，从而充分满足用户和监管部门的安全要求。
降低交互时延：物联网应用场景需要处理海量数据，如果将这些数据全部传输到云端，需要耗费较高的时间成本，不能很好地满足用户的时效性要求。利用边缘计算技术，在网络边缘侧对数据进行处理，能够迅速地为用户提供决策支持，提升用户体验。
减少带宽成本：将海量的物联网传感数据完全汇集到云端数据中心，需要占用极高的带宽资源。通过边缘计算在边缘端处理大量数据，只需将少量必要数据传送至云端，不仅可以减少带宽成本，还可以为用户提供优质的本地服务。
提升自治能力：边缘计算实现了边缘设备的自主决策，即使云端或传输网络发生故障，边缘设备依然可以自主运行。这样既能保证用户的基本需求，又能在发生故障时迅速采取相应措施，减小损失。
