AI简报20210730期黑芝麻A1000 Pro自动驾驶芯片流片成功地平线征程 5 芯片发布...

Posted 2021-08-30 RT-Thread物联网操作系统

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了AI简报20210730期黑芝麻A1000 Pro自动驾驶芯片流片成功地平线征程 5 芯片发布...相关的知识，希望对你有一定的参考价值。

超级盛会！哈哈，不是奥运会，不过同样激动人心~

1. RT-Thread首届全球技术峰会开放报名！

原文:

https://mp.weixin.qq.com/s/VA1EkB9zfkx3vZMRwWE-QA

经过多年的努力，在多方的支持和倡议下，RT-Thread决定发起RT-Thread IoT OS首届全球技术大会，让世界认识中国开源实时操作系统！

时间定为9月16号-17号，RT-Thread IoT OS首届全球技术大会开启，为期两天的线上英文峰会，分享前瞻观点、展示最佳实践、邀请国内外合作伙伴探讨开源社区生态，一起探索IoT的发展！

同时，我们也呼唤更多议题，技术报告，工程实践，学术讨论都欢迎你来分享给大家。

同时也希望越来越多的嵌入式AI方面的开发者不断的加入到RT-Thread大家庭，为整个社区添砖加瓦，共创美好的开源社区！

我们诚挚的邀请您的参加

????报名链接

https://forms.gle/8W1j2ZhCSLKFfyFQ8（请科学打开）

Call for Speakers

https://forms.gle/ZFB3zww5spUWuziY6

嵌入式 AI

2. 黑芝麻智能华山二号A1000 Pro自动驾驶芯片流片成功

原文链接：

https://www.163.com/dy/article/GG0B63UT05509EKV.html

日前，黑芝麻智能宣布A1000 Pro自动驾驶芯片流片成功。A1000 Pro已经能够正常运行各项功能，下一步计划给客户送样，预计最快将于2022年底实现车型量产上市。

此次A1000 Pro流片成功也让黑芝麻智能成为国内唯一已经推出两款满足ISO26262车规功能安全标准的高算力自动驾驶芯片厂商，在提供更高算力芯片产品的同时，工艺和技术也更加成熟稳定。

国产最强芯流片成功，性能比肩英伟达

今年4月，黑芝麻智能发布了2021年国产最强车规级自动驾驶芯片A1000 Pro，A1000 Pro是黑芝麻智能继A1000之后推出的第二款高性能大算力车规级自动驾驶计算芯片。

基于两大自研核心IP -- 车规级图像处理器NeuralIQ ISP以及DynamAI NN车规级低功耗神经网络加速引擎打造，得益于DynamAI NN大算力架构，A1000 Pro支持INT8稀疏加速，算力达到106 TOPS，最高可达196 TOPS，继续保持国内最高算力自动驾驶算力芯片的位置。

3. 地平线征程 5 芯片正式发布

原文链接：

http://www.myzaker.com/article/61027a7c8e9f095b3707efae

7 月 25 日，地平线征程 5 重磅发布。伴随着全新一代全场景整车智能中央计算芯片征程 5 的到来，基于该芯片打造的全场景整车智能解决方案和全场景整车智能计算平台也同时发布。地平线表示，将以开放开源战略、以先进技术携手产业链合作伙伴共赴整车智能新时代。

据悉，征程 5 芯片 AI 性能跑分更强，超越 Nvidia Orin，是国内唯一支持快速量产的整车智能计算平台芯片。

征程 5 是继征程 2 和征程 3 中国车规级人工智能芯片量产先河之后的第三代车规级产品，兼具大算力和高性能，单颗芯片 AI 算力最高可达 128 TOPS，支持 16 路摄像头感知计算，毫秒必争高效协同，能够支持自动驾驶所需要的多传感器融合、预测和规划控制等需求。

此外，征程 5 芯片已成为国内首颗完全符合 ISO 26262 功能安全流程开发的车规级 AI 芯片。

4. 欧比特：公司的YULONG810芯片目前处在排队量产阶段

原文链接：

http://www.nbd.com.cn/articles/2021-07-21/1849154.html

7月20日，欧比特在与投资者互动时表示，公司的YULONG810芯片目前处在排队量产阶段。

据了解，YULONG810C是一款嵌入式人工智能处理器芯片，主要面向智能安防、机器人、AloT、智能制造、智慧交通等应用场景，YULONG810A是一款高等级嵌入式工智能处理器芯片主要面向航空航天智能制造等应用场景。

欧比特融合自身强大的芯片设计能力，与铂亚信息智能图像分析处理技术、人脸识别技术、智能视频分析技术全面融合，结合深度学习、神经网络等人工智能技术，研发出第一代人工智能图像处理AI模块、人脸识别智能终端等人工智能产品，可为广大人脸识别设备提供商和系统集成商提供安全、高效的核心部件。该模块可应用于教育、医疗、司法、交通、金融等领域，特别适用于黑/白名单控制、人脸采集、人证核验等应用场景（如：门禁机、考试刷脸机、会议点名系统、小区安防等）。

同时，欧比特正在加紧研制的新一代人工智能芯片可适用于航空航天计算机平台的高速数据处理，星上智能化信息提取，自动进行地物识别等业务领域。研究GIS人工智能软件系统，人工智能自然语言处理、图像说明等算法实现地理信息的关联分析、知识发现、认知理解等。

5. 瑞萨电子与Syntiant共同开发结合先进视觉与语音技术的语音控制多模态AI解决方案

原文链接：

https://www.ednchina.com/products/7532.html

2021年7 月28日，日本东京和美国加州尔湾讯 - 全球半导体解决方案供应商瑞萨电子集团（TSE：6723），和致力在边缘设备领域推动低功耗智能语音及传感器处理技术的深度学习芯片技术供应商Syntiant今日宣布，共同开发出一款语音控制的多模态AI解决方案，在基于视觉AI的物联网和边缘系统（如自助收银机、安全摄像头和视频会议系统）以及智能家电（如扫地机器人等）中实现低功耗、非接触式的图像处理。

全新解决方案结合了瑞萨RZ/V系列视觉AI微处理器（MPU）和低功耗多模态、多功能Syntiant NDP120 Neural Decision Processor™，以提供先进的语音和图像处理功能。该解决方案具备常开功能，可从待机模式快速通过语音激活，以执行物体识别、面部识别等视觉任务，以及其它安防摄像机等系统的关键功能。如当用户定义的语音提示激活并运行系统时，视觉AI将识别跟踪操作员的行为，并控制操作或在检测到可疑行为时发出警告。

6. 英飞凌和IDEX Biometrics推出生物识别智能卡平台

原文链接：https://www.ednchina.com/products/7562.html

近期，一份由ABI Research*发表的研究报告预测，在乐观的条件下，全球生物识别支付卡市场在2025年将达到3.53 亿张。为能够帮助支付卡制造商满足不断成长的新兴市场，全球智能卡支付解决方案领导厂商英飞凌科技股份有限公司（FSE: IFX/OTCQX: IFNNY）携手先进指纹识别与验证解决方案领先供应商IDEX Biometrics ASA（OSE: IDEX/NASDAQ: IDBA），推出新一代生物识别智能卡架构的参考设计。

这项参考设计运用外加/额外配备通用型输入输出（GPIO）接口的新款英飞凌 SLC38BML800 安全控制器，以及IDEX Biometrics的最新一代TrustedBio™解决方案，可实现低延迟、高精度且节能省电的指纹验证。指纹传感器、安全元件、电源管理和通信功能的集成可降低卡片制造的复杂性，进而缩短上市时间并降低成本。

AI新闻

7. 英伟达CUDA太难，OpenAI出手要取代它，新语言性能相当但编程更简单

原文链接：

https://www.thepaper.cn/newsDetail_forward_13798621

为了让没有CUDA编程经验的人写出和专家效率相当的GPU代码，现在OpenAI推出了一种新的语言和编译器——Triton。

它的难度比CUDA低，但是性能却可与之相媲美。

OpenAI声称：Triton只要25行代码，就能在FP16矩阵乘法shang上达到与cuBLAS相当的性能。

OpenAI的研究人员已经使用Triton，来生成比同等Torch效率高出1倍的内核。

Triton项目的负责人Philippe Tillet说：“我们的目标是使Triton成为深度学习CUDA的可行替代方案。”

25行代码实现最佳性能

Triton起源于Tillet在2019年学术会议MLPF上的一篇论文，当时他还是哈佛大学的一名研究生。

Tillet解决的问题是如何开发一种cuDNN更具表现力的语言，既能够处理神经网络中涉及的矩阵的各种操作，同时兼具可移植性且以及和cuDNN相媲美的性能。

现代GPU大致分为三个主要组件——DRAM、SRAM、ALU，对这些资源进行调度管理十分复杂，即便是熟悉CUDA的程序员。

8. 美国2.2亿美元砸向人工智能，再建11个国家AI研究中心

原文链接：

https://baijiahao.baidu.com/s?id=1706686390478886870&wfr=spider&for=pc

2.2亿美元资助11个新成立的国家人工智能研究中心。

美国国家科学基金会（NSF）刚刚宣布，在2020年首轮资助7个人工智能研究中心基础上，这一次将覆盖范围扩大到了美国40个州。

此次新增研究中心主要覆盖以下几个领域：

人机交互与协作、人工智能优化进步、人工智能和高级网络基础设施、计算机和网络系统中的人工智能、动态系统中的人工智能、农业和食品系统中的人工智能创新。

我国人工智能研究中心建设情况

人工智能显然已经成为各国重点建设的大热领域，我国在人工智能方面的建设也在不断发力。

2017年7月，国务院印发了《新一代人工智能发展规划》，人工智能正式上升为我国国家战略。

今年，武汉人工智能计算中心正式投入运营。

据不完全统计，目前我国涉及人工智能领域的国家级实验室至少有6家。

分别是认知智能国家重点实验室、深度学习技术及应用国家工程实验室、类脑智能技术及应用国家工程实验室、智能技术与系统国家重点实验室、视觉与听觉信息处理国家重点实验室、模式识别国家重点实验室。

9. 马斯克创立的脑机接口公司Neuralink完成2.05亿美元C轮融资

原文链接：

https://www.163.com/dy/article/GG5IF5PK0511RIVP.html

集微网消息，由埃隆·马斯克创立的脑机接口公司Neuralink宣布完成2.05亿美元C轮融资，本轮融资由Vy Capital领投，Google Ventures、DFJ Growth、Valor Equity Partners、Craft Ventures、Founders Fund和Gigaffund参与。

公司还宣布一批具有战略重要性领域的高管和企业家也加入本轮融资，包括Robert Nelson (ARCH Venture Partners联合创始人)、Blake Byers （Byers Capital）、Sam Altman (YC group董事长兼OpenAI首席执行官)、Fred Ehrsam (Paradigm和Coinbase联合创始人)和Ken Howery (PayPal和Founders Fund联合创始人)。

Neuralink表示，在过去四年里，公司建立了首个医用的高通道计数脑机接口。其首款产品N1 Link计算机芯片有连接到其上的1024股线和电极。每个96股螺纹线的阵列都附有3072个电极，从而可以发送和接收大量信息。这轮融资的资金用于将Neuralink的首个产品推向市场，并加速未来产品的研发。

image-20210730170012113

10. 李彦宏：AI进入快速应用期，八大技术将引发“质变”

原文链接：

https://www.163.com/dy/article/GG3NN9S6055004XG.html

7月29日，百度在京召开2021智能经济高峰论坛。百度创始人李彦宏在演讲中表示，百度智能云将正式启动战略升级，并发布“云智一体”架构2.0、云智新产品。

资料显示，智能云业务、移动生态业务、智能驾驶及其他增长业务已成为百度营收的“三大支柱”。近年来，百度研发投入比例始终在15%以上，智能云业务便是核心的投资方向之一。本次高峰论坛上，李彦宏透露2021年企业“上新”或有重要升级的智能云产品多达80余款。升级后的智能云战略，也将以“云计算为基础”支撑企业数字化转型，以“人工智能为引擎”加速产业智能化升级，云智一体“赋能千行百业”，持续促进经济高质量发展。

当前，全球正迎来新一轮创新红利期，以人工智能为核心驱动的智能经济，正在成为经济发展的新引擎。“得益于产业和社会越来越认识到AI真正的价值，AI技术在经历了长期的投入和积累后也进入到快速应用期。”

李彦宏预测，未来十年，人工智能领域将有八项关键技术会实现从“量变”到“质变”，从而深刻地改变社会。这八大技术分别是自动驾驶、数字城市运营、机器翻译、生物计算、深度学习框架、知识管理、AI芯片和个人智能助手。

“很多技术发展的过程都是这样，前面是漫长的投入，甚至伴随着内外部的悲观情绪和摇摆不定。而一旦技术跑通，进入落地应用，它发展的速度可能会非常快。”

聊点技术

11. 开着挖掘机发Science！百度全新无人挖掘机作业系统登上国际权威期刊《Science Robotics》

近日，由百度研究院机器人与自动驾驶实验室（RAL）团队牵头开发的全新无人挖掘机作业系统（AES）这一最新技术成果，登上了国际顶级期刊《Science》子刊《Science Robotics》，并获得了评审专家与期刊编委的高度评价。

该研究融合了感知、运动规划和控制系统，可驱动挖掘机自主完成挖装任务，进行24小时连续无人化作业，并成为全球首个实际落地的、可长时间作业的无人挖掘机系统，在工程机械自动化、无人化作业领域具有重要价值和影响。

随着新型基础设施建设的大力推进，工程机械行业乘风而上，并不断向数字化、智能化方向演进。挖掘机被誉为工程机械“皇冠上的明珠”，在资源开采、工业生产、建设施工和抢险救灾等领域应用广泛，且拥有十分可观的全球市场份额。

为什么要将挖掘机无人化？实际上，由于工作环境和能力要求等原因，挖掘机行业普遍存在招工难的人力短缺问题；挖掘机操作手还会遇到塌方、恶劣天气等问题，这些问题为工业生产带来巨大挑战。基于此，百度无人挖掘机作业系统（AES）应运而生。

挖掘机恶劣工况和作业环境

通用型无人挖掘作业系统

百度RAL实验室牵头提出了百度无人挖掘机作业系统（AES）的研究，并联合马里兰大学和百度智能云事业部合作开发。AES包含一套以三维环境感知、实时运动规划、鲁棒运动控制为核心的AI算法,可在不同工作情况下进行无人化作业。

无人挖掘机系统（AES）硬件系统

技术上，AES实现了三个方面的提升：使用多种传感器融合和感知算法，感知模块可以支持无人挖掘机在不同的工况和恶劣环境下进行无人化作业，保证了AES系统的作业效率、鲁棒性和泛化能力；作业和运动规划模块融合了数据驱动的学习算法和优化算法，可以有效计算挖掘位置和挖掘机铲斗轨迹，确保作业效率；高精度运动控制系统，有效实现挖掘机各机构的精准运动控制。

无人挖掘机系统（AES）框架图

具体而言，首先，感知系统利用低成本相机和激光雷达，实时生成高精度的三维环境地图，通过计算机视觉和深度学习等算法，AES可以检测作业环境中的运输卡车、障碍物、石块、标识和人员等，并对卡车、障碍物等物体进行准确的三维姿态估计，同时也可以识别作业物料材质等信息。其次，基于感知系统的信息反馈，通过学习和优化算法，AES能够快速进行作业规划和多自由度的挖掘机各关节运动路径规划，确保提升作业效率的同时降低机械损耗。最后，通过高精度运动闭环控制算法，AES能够实现挖掘机各机构的精准运动控制，解决了传统工程机械中运动控制无法闭环、轨迹难以跟踪、跟踪精度差等难题。此外，AES还包含一整套软件和界面设计，协助终端用户完成系统的操作、部署和使用。

AES视觉感知系统功能模块

以石块操作任务为例，AES系统的操作流程如下。感知系统以“从粗到细”的方式对场景信息进行处理。首先对图像进行增强处理，消除粉尘对整个识别系统的影响；之后对作业区域的物料进行材质识别；然后将图像中石块所在区域进行语义和实例分割算法处理。通过融合二维实例分割结果和LiDAR三维点云，确定石块的精确三维位置。感知模块最后将石块三维位置反馈给规划和控制模块，AES最后通过挖掘机多自由度运动规划和运动闭环控制，实现移除石块的任务。

AES石块操作示例

目前，AES已在多种复杂的室内和室外不同工况下进行了挖装测试、石块操作及挖沟任务等，充分显示了AES系统具备处理多种挖掘机任务的能力，证明了AES系统的技术先进性、作业任务兼容性、系统稳定性和鲁棒性。

AES测试场景

实现落地应用百度AI助力工业生产智能化

AES已经落地工业废料处理相关领域，在实际的无人化、自动化应用中发挥重要作用。AES实现了工业废料连续24小时自动上料功能，助力工业废料处理产线实现全程的无人化处理。在工业废料上料过程中，AES感知模块首先进行工业废料的地形三维重建，确定待挖掘区域；运动规划模块根据感知模块的信息反馈设计运动轨迹，控制模块根据运动轨迹进行工业废料处理。目前AES赋能的无人挖掘机系统已在工业废料处理产线上无故障作业了数千小时，充分显示了AES系统的稳定性和鲁棒性，有效减少了工业废料对挖掘机操作手的损害，并为客户大幅节省人力成本。

AES连续24小时无人作业

在AES系统的基础上，百度RAL联合百度智能云事业部开发的“盘古工程机械无人作业平台”，已成为国内首个基于智能云平台、软硬一体、技术领先的工程机械无人作业平台。基于盘古平台的挖掘机，在没有驾驶员操作的情况下，自主感知作业环境、规划任务并完成作业。

目前，百度盘古团队和徐工等工程机械头部厂商打磨合作，优化和落地无人化作业系统，帮助工程机械用户提升生产安全性、降本增效，推动工业生产向数字化、智能化、安全化、绿色化的目标迈进。

“百度盘古”赋能工程机械无人化作业

建设与发展是人类社会的主旋律，工业生产的自动化和智能化是未来的主流趋势。百度将继续创新与迭代AI技术，瞄准工业生产细分领域，为工业生产真实场景技术转型突破赋能，持续推动技术落地产业实际应用。

12. 如何选择边缘AI设备？

原文链接：https://www.eet-china.com/news/202107300700.html

边缘计算在当下是最受关注的技术趋势之一。随着这一趋势的热度高涨，也许您认为是时候投资智能边缘技术，并发展物联网网络了。但是，在您决定采购新兴边缘设备之前，让我们先讨论一下到底何为边缘计算、边缘计算的作用以及您的应用是否能够受益于边缘技术。边缘计算可以大幅提升物联网网络的灵活度、速度和智能化程度，然而边缘AI设备并不是应对智能网络应用所有挑战的灵丹妙药。在帮助您确定边缘技术是否适合您的应用之后，本文将探讨购买边缘AI设备时应注意的主要功能和注意事项。

评估边缘AI

在选择能够执行边缘处理并运行AI算法或机器学习推理引擎的平台前，必须进行仔细评估。简单的传感器和执行器，甚至需要在物联网中应用的传感器和执行器，都可以通过较小的集成设备来实现。提高边缘执行处理量需要一个更强大的平台，并应用高度并行化的架构。这通常意味着需要使用图形处理器（GPU），但是如果平台过于强大，也会给网络边缘有限的资源带来负担。

此外，边缘设备从根本上来说是现实世界的一个接口，因此需要兼容一些如以太网、GPIO、CAN、串行和/或USB等常见接口技术，并支持如摄像头、键盘和显示器等外围设备。

与环境因素可控的数据中心相比，边缘环境可能截然不同：边缘设备可能会暴露在极端的温度、湿度、振动，甚至高原环境中。这些因素将影响设备选择及其包装或安装的方式。

还需考虑的另一重要方面是法规要求。任何使用射频（RF）进行通信的设备都会受到法规的管制，并且可能需要获得许可才能使用。某些平台能够“开箱即用”，但其他平台可能需要投入更多精力。平台一旦投入使用，就不太可能进行硬件升级，因此在设计平台时就应谨慎确定其处理能力、内存和存储，为将来的性能提升留出空间。

这其中就包括软件升级。与硬件不同，软件更新部署在设备不在现场的情况下也可实现。如今，这种无线更新（OTA）方式非常普遍，未来大多边缘设备都可能支持OTA更新。

要想选对解决方案，需要仔细评估以上所有要点，并符合应用的特定需求。设备是否需要处理视频数据或音频？它仅需要监测温度，还是也需要监测其他环境指标？它是否需要始终处于开启状态，还是会长时间休眠？它会被外部事件触发吗？上述大部分要求适用于部署在边缘的所有技术，但是随着客户对处理水平和产出的期望提高，需求清单也有必要随之扩展。

边缘计算的优势

从技术上讲，现在AI和机器学习可以被应用于边缘设备和智能节点中，这将带来重大的机遇。这意味着处理引擎不仅离数据源更近，而且可以利用所收集的数据，开展更多的工作。

边缘计算的优点着实不少。首先，它能够提高其使用数据的生产率或效率。其次，由于需要移动的数据较少，边缘计算能够简化网络架构。第三，它使设备与数据中心的邻近性变得不那么重要。如果数据中心位于城市中心并离执行任务的地点很近，那么最后一点似乎无足轻重，但是如果网络边缘位于如农场或水处理工厂等遥远的地点，边缘计算就会带来很大的不同。

数据在互联网上飞速移动。当得知自己的搜索结果可能绕了地球两圈才显示在屏幕上，多数人可能会感到惊讶，因为总耗时可能只有几分之一秒，这对我们来说只是弹指瞬间。但是，对组成互联、智能且通常是自主的传感器和执行器和其他智能设备而言，每秒钟都像一小时。

这种往返延迟是实时系统的制造商和开发者需要重视的问题。数据往返于数据中心的耗时并非无关紧要，也肯定不是瞬时的，而缩短延迟就是边缘计算的关键目标。边缘计算能够与5G等速度更快的网络整合。但需要注意的是，随着越来越多的设备上线，网络提速也将无法解决累积的网络延迟问题。

据预测，到2030年，可能有多达500亿互联设备在线。如果每一台设备都需要通往数据中心的宽带，网络将一直堵塞。如果每台设备的操作都需要等待数据从上一阶段到达才能进行，总延迟很快就会变得非常明显。因此，边缘计算是缓解网络堵塞的唯一实用解决方案。

然而，尽管大多数应用都需要边缘计算支持，但其优势仍很大程度上取决于应用本身。边缘计算定律将帮助工程团队确定边缘计算是否适合某些特定应用。

边缘计算的四大定律

毋庸置疑，第一定律是物理定律。射频能量的优点是它能以光速传播，就像光纤网络中的光子一样。但缺点是它们无法更快速地传输。因此，如果射频能量的往返时间仍然较长，边缘计算可能更好的选择。

Ping测试提供了一种简单的方法来测量数据包在两个网络端点之间传输所需的时间。在线游戏通常托管在多台服务器上，游戏玩家需要对服务器进行ping操作，直至找到延迟最小的服务器，以实现最快速的数据传输。由此可见，即使十分之一秒对于时间敏感型的数据也十分关键。

网络延迟不只取决于传输机制。数据传输的两端都有编码器和解码器，物理层需要将电子转换为正在使用的某一能量形式，然后再将其转换回去。即使处理器以GHz级的速度运行，这一过程也需要时间，且移动的数据量越大，所需时间越长。

第二定律是经济学定律。该定律相对更为灵活，但是随着对处理和存储资源的需求猛增，其可预测性也越来越差。利润本就微薄，如果在云中处理数据的成本突然上升，就可能造成亏损。

云服务的成本包括购买或租用服务器、机架或刀片。成本高低可能取决于CPU内核数、所需的RAM或永久存储量、以及服务级别。相较于缺乏保障的服务，可以保障正常运营时间所需的服务成本会更高。网络带宽基本上是免费的，但是如果需要带宽始终保持某一标准，则将需要为此服务付费，在评估成本时需要考虑这一点。

话虽如此，边缘数据处理的成本不会大幅波动。一旦支付了设备的初始成本，在边缘处理任何数量数据的额外成本几乎为零。

数据有价值是由于其携带的信息。这就与第三定律有关，即土地定律。现在，任何捕获信息的人可能都需要遵守捕获数据所在区域的数据隐私法。这意味着即使您是数据设备的合法所有者，可能也不被允许跨地理边界传输该数据。

相关规定包括欧盟数据保护指令、通用数据保护条例（GDPR）和亚太经济合作组织隐私框架。加拿大的《个人信息保护和电子文件法》符合欧盟的数据保护法，而美国的《安全港安排》也显示了类似的合规性。

然而，边缘处理可以解决这一问题。通过在边缘处理数据，数据就无需离开设备。便携式消费设备的数据隐私变得越来越重要。手机上的面部识别使用本地AI来处理相机图像，因此数据永远不会离开设备。同样，闭路电视（CCTV）和其他安全监视系统使用摄像头来监控公共空间，图像通常需要经过基于云的数据服务器进行传输与处理，这就带来了数据隐私问题。通过边缘计算，数据就可在摄像头端直接处理，更快速安全，并有可能消除或简化对数据隐私措施的需求。

最后，我们要考虑墨菲定律，即如果某些地方可能出错，那么它终将出错。当然，即使最精心设计的系统也总有可能出错。通过网络传输数据、在云端存储数据并在数据中心处理数据的整个过程中可能会出现许多故障，而边缘处理可以避免冗长过程中可能出现的故障。