虽然人工智能在处理数据和提供价值产出上具有巨大的优势，但是有一个缺点是无法避免的，那就是人工智能“大脑”的距离问题。
大多数AI算法需要大量的数据和计算能力来完成任务。因此，他们需要依靠云服务器来执行计算，并且无法在边缘、手机、计算机等设备上实现大多数功能。
相比之下，我们人类可以大脑边缘中执行大多数计算和决策，只有在自身处理能力和记忆能力不足时才会引用其他来源。
在这里我还是要推荐下我自己建的大数据学习交流qq裙：522189307 ， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴。上述资料加群可以领取
这种限制使得当前的AI算法在连接不足或不存在的情况下表现低效甚至无效，同时也需要一定的时间成本。然而，科学家和科技公司正在探索让人工智能更接近边缘的概念和技术。
区块链上的分布式计算
考虑到全世界数千万台计算机会产生相当可观的空闲时间，大量的计算能力被迫损失。如果能够协调和结合这些资源，将会让我们充分利用计算能力，降低成本，并创造出可以在边缘处理数据和算法的分布式服务器。
分布式计算并不是一个新概念，但是像区块链这样的技术把它带到了一个新的水平。区块链和智能合同可以让多个节点无需集中式处理就可以合作完成任务。
这对于物联网（IoT）尤为有用，因为延迟、网络拥塞、信号冲突和地理距离是物联网处理云中边缘数据时需要面临的一系列挑战。区块链可以帮助物联网设备实时分享计算资源，并无需往返云端就可以执行算法。
使用区块链的另一个好处是对资源共享的激励。参与节点通过共享其空闲的计算资源可以获得奖励。
有一些公司已经开发了基于区块链的计算平台，比如iEX.ec公司。这家区块链公司将其定位为分散式高性能计算领先者，它使用Ethereum区块链来创造一个计算资源市场，可以应用于分布式机器学习等诸多案例。
Golem是另一个提供分布式计算的区块链平台，在该平台上，应用可以从供应商处租赁计算周期。在Golem平台上可以训练和执行机器学习算法。Golem还拥有一个分散式声誉系统，可以允许节点根据制定任务的表现来进行彼此排名。
便携式AI协处理器
从登陆无人机到运行AR应用和导航的无人驾驶汽车，有很多设置需要在边缘运行实时深度学习。往返云端所造成的延迟可能会导致灾难性的结果。如果出现网络中断，甚至不得不停止运行。
AI协处理器拥有可执行机器学习算法的芯片，可以板集成或即插即用的深度学习设备形式缓解这种边缘智能化的缺陷。这个市场很新，但是看起来很有前景。
Movidius是英特尔在2016年收购的一家硬件公司。这家公司一直在研究边缘神经网络，包括开发无人机障碍导航和智能热像仪。Movidius的Myriad 2视觉处理单元（VPU）可以集成到电路板中，并在边缘上提供低功耗计算视觉和图像信号能力。
最近，该公司发布了深度学习计算棒——一个USB-3的加密狗，可以为计算机、树莓派和其他计算设备添加机器学习功能。该计算棒可以单独使用，也可以组合使用。这对于很多独立于云而存在的AI应用来说是非常理想的，例如智能安全摄像机、手势控制无人机和工业机器视觉设备。
谷歌和微软都已经发布了自己的专用AI处理单元。但是目前，它们并不打算将之部署在边缘上，而是用于增强其云服务。但随着边缘AI市场的增长以及更多玩家的进入，这些公司将会将硬件供应给制造商。
依赖于较少数据的算法
目前，执行任务（例如识别图片）的AI算法往往需要数百万个标记样本进行训练。而一个人类小孩只需要一部分数据就可以完成相同的任务。使机器学习和深度学习算法更接近边缘的可能途径之一是降低其数据和计算需求。一些公司正在努力使其成为可能。
去年，Uber AI Labs人工智能公司推出了一款机器学习软件，数据需求量要比比较流行的AI算法少。虽然该公司并没有透露具体细节，但是性能图表显示，Xprop算法执行识别图像任务所需的样本量较少。
由国防高级研究计划署（DARPA）支持的AI创企Gamalon使用了一种被称为“Bayesian Program Synthesis”的技术，可以采用概率编程来减少训练算法所需的数据量。
与深度学习使用大量样本训练系统相反，BPS通过学习少量样本，并根据增加的数据不断更新其理解。这更接近于人类大脑的工作方式。
BPS所需的计算能力也相应的减少。不再依赖于昂贵的GPU阵列，Gamalon可以在包含相同处理器的iPad上对其模型进行训练，这一点也让边缘计算变得更加可行。
边缘化AI并不会取代云，相反，它是云的补充，并会创造出难以想象的可能性。虽然现在的人工智能还不足以与人类的大脑相媲美，但是边缘计算将会让AI应用的运作方式更加接近于人类。