边缘计算框架存存在不足之处。
目前 KubeEdge 等各类边缘计算框架存在的一些不足。例如可观察性与可管理性，在实际落地过程 中仍有较大改善空间，无法快速对数百台设备集中汇报与命令下发。而且，K8S 原生的 Token 生产 机制在面对高等级安全攻击时也差强人意，由于云边联网，也需要对云边间通讯与容器加载做进一 步改动方能满足现有的安全级别。 例如，物流中转场景中，在弱联网条件下如何根据物流线路质量做多路智能路由，邻近场地间的闲 置计算资源是否可以智能组网组成更大的算力池，以及弱联网条件下传统监控漏报与误报率增多等 诸多问题，仍需要在未来的发展中逐一解决。
数据稀疏和恶意数据： 边缘计算场景中，由于地理环境较偏远，边缘设备较少，或边缘设备较自私不愿意主动分享数据， 从而造成了数据稀疏的问题。第一次进入边缘场景的设备，没有任何交互记录，也会造成零信任问 题。在这种零信任环境中，任何设备和系统都可能会受到伤害。同时，一些边缘设备可能会上传恶 意数据或者不诚实数据，从而造成信任管理系统的误判。因此，如何解决数据稀疏问题，设计零信 任环境下的信任评估模型，以及减少恶意的信任数据。
边缘计算标准尚不健全： 技术标准方面，目前大部分边缘计算节点异构严重，在开放接口、数据格式、传输协议、网络接入 等方面各厂商差异性较大，缺乏标准化方式实现统一管理。此外，云边端在资源、数据、应用、调 度等协同方面也缺乏统一技术标准和方案，阻碍云边端一体化进程。
应用标准方面，一方面大部分企业尚处于加速“上云用云”阶段，在引入边缘计算架构，系统整体复 杂度提升，如何与现有 IT 基础设施融合，仍缺少指引。另一方面，不同行业场景对边缘计算部署 要求不一，如工业、园区、矿山等各业务现场对数据采集、管理模式、边缘 AI 算法、带宽、时延、 成本等要求各异，目前尚未建立各细分领域的标准参照体系，以满足不同行业的定制需求，往往需 要应用不同的解决方案进行大量重复验证和适配，导致投入成本高、复制推广效果差等问题。
大型制造业边缘部署难度大： 工业物联网平台的建设不是简单的单个系统改造，而是一系列复杂系统的整合重塑，再加上大型企 业，尤其是国有企业庞大的规模和复杂的体制，平台的建设仍然存在诸多挑战。 首先，大型企业所拥有数量众多的工厂，且地理分布广泛，存在明显的 OT 数据垂直集成问题；其 次，国有企业通常信息化建设开展较早，存量系统烟囱林立，缺乏统一的数据采集工具和平台；最 后，工业现场 OT 数据量巨大，产生的数据量将比过去企业的 IT 数据量高几个量级，且 OT 数据处 理对时效性的要求又相比传统数据要高。
边缘原生创新推动应用落地： 随着边缘计算的落地发展，业务应用逐步被部署在边缘节点，但由于边缘节点通常面临设备海量接 入、位置分散广泛、计算资源受限、网络环境复杂等挑战，需要与中心云协同构建云边端分布式计 算架构，满足应用分布式部署和运行需求。边缘原生聚焦在分布式异构环境下，软硬件架构设计和 开发充分利用边缘特性，包括物理位置、网络环境、轻量弹性等，帮助构建实时动态、弹性敏捷、 安全可靠的业务应用。 容器技术相较于集中式部署模式的物理机和虚拟机，具备轻量化、标准统一、异构兼容、弹性敏捷 等显著特点，但边缘原生容器资源占比依旧较大，在部分资源受限边缘设备上运行 docker 等容器 运行时依旧面临挑战。更轻量化的、基于二进制指令格式的运行时 WebAssembly 技术创新发展， 产业界也开始探索将 WebAssembly 作为边缘二进制的运行环境到。 目前为止，CNCF 已经正式接收包括 WasmEdgeRuntime、wasmCloud、Krustlet 等项目，OpenYurt、 SuperEdge 等国内开源边缘计算平台也开始支持管理 WasmEdge 应用，进一步拓展边缘计算在更 多场景落地。
行业大模型推进边缘智能： 传统的人工智能和大数据应用都存放在云端服务器和大数据中心，而边缘智能技术在边缘节点直接 从终端设备获取海量数据并实现智能计算，将有力推动人工智能应用的进一步普及与发展。当前大 模型的商业模式是“通用大模型+产业模型”，底层 AI 大模型的研发具有极高的研发门槛，面临高昂 的成本投入，不利于人工智能技术在千行百业的推广。
具有数据、算力、算法综合优势的企业可以将模型的复杂生产过程封装起来，通过低门槛、高效率 的生产平台，向千行百业提供大模型服务。以国内厂商为例，百度文心大模型涵盖基础大模型、任 务大模型、行业大模型的三级体系，打造大模型总量约 40 个；阿里通义大模型基于阿里云、达摩 院打造的硬件优势，可将大模型所需算力压缩到极致；华为训练出预训练生成语言模型，包括 NLP、 CV、多模态、科学计算大模型，目前已实现医学、气象、时尚等多个 AI 场景落地；中科院的紫东 太初是全球首个视觉-文本-语音三模态预训练模型，同时具备跨模态理解与跨模态生成能力。
2023 上海世界移动通信大会上，创通联达推出首款集成大模型的智能搬运机器人解决方案，方案 所采用的参考设计则是基于高通 RB5 机器人平台开发而成，该平台集成了 VSLAM 和计算机视觉算 法，可适用于自主导航和目标识别等功能型机器人的开发。用户可以通过自然语言与智能搬运机器 人交互，提出服务指令，机器人会按照要求提供拿取饮料、食物等服务。公司 Rubik 大模型作为首 个国产边缘 AI 大模型，有望建立类似安卓的应用生态，带动海量软件开发需求。 在涉及大计算的智能硬件中，一旦 AI 沉淀到边缘侧，意味着智能硬件变成机器人，就会形成场景 的中心。AIoT 星图研究院认为，边缘算力下，车和垂直行业弹性最具爆发性，我们认为边缘预处 理会最先落地，大模型转小模型是必须之路，模型嵌入需要硬算力支撑。
开源项目加速边缘计算生态融合： 开源技术有助于整合边缘计算碎片化生态，聚集产业各方力量，吸纳广大从业者参与到相关技术、 平台、社区、生态的研究和运营工作中来，将有力推动边缘计算技术快速发展，推进相关应用场景 规模化落地。例如，Linux 基金会下设 LFEdge 组织，旨在为独立于硬件、云或操作系统的边缘计算 建立一个开放的、可互操作的框架，促进物联网、电信、企业和云生态系统的跨行业协作、加快组 织对边缘计算的采用和创新步伐。 华为在 KubeEdge 社区开源了边缘协同 AI 框架项目 Sedna。基于 KubeEdge 提供的边云协同能力实 现了 AI 应用的跨边云协同，支持现有 AI 类应用无缝下沉到边缘，快速实现跨边云的增量学习、联 邦学习、协同推理、终身学习等能力。
