人工智能和机器学习算法增加了嵌入式视觉系统的复杂性，使设计人员可以决定在边缘或云中部署此类系统。在过去的项目中尝试了各种边缘和云处理的组合之后，我们认为应该在边缘完成繁重的工作。最明显和最有价值的优势是，它大大减少了将大量数据发送到云端进行处理时可能出现的延迟或延迟程度。
无论是工业应用，联网自动驾驶汽车还是其他一些消费类技术；只要边缘具有足够的计算能力，在该处运行算法总是尽可能高效，安全和经济高效–尽可能靠近图像和数据的来源。
技术以边缘为中心
在边缘拥有足够的处理能力并不总是一件容易的事。实际上，由于底层芯片组技术的成本和功能限制，许多应用程序被迫在云中进行处理。
然而，在过去的三年中，视觉和人工智能的交集发生了重大变化。随着产品开发人员（例如相机制造商、分析开发人员、安全公司等）对边缘处理的需求不断增加，许多芯片组提供商已经解决了这一难题，并在短短几年内发布了能够进行更强大处理的硬件。
创新的速度令人印象深刻。实际上，今天发布的几乎所有用于相机和视觉系统的片上系统（SoC）都带有板载GPU，这使基于AI的系统中的分析处理变得容易。
2020年及以后消费者对视觉的需求
尽管存在所有不利因素，但这种流行病还有助于加速边缘AI创新。许多始终基于亲临现场的流程已移至远程工作，这也意味着远程视觉。对视觉系统的需求越来越广泛，例如监视、健康和安全检查、医疗设备、研究、远程教育等等。
在这一点上，硬件已经赶上了要与视频实时操作，以通过AI进行实时处理。已经出现了许多有趣的平台，它们可以处理基于云的系统并与之竞争，并使离线系统可以在边缘处理基于AI的分析。
结合更高的消费者需求和更强大的技术能力，我们相信在未来三年中，嵌入式视觉的边缘处理将迅速发展。知名度高的品牌和全新的初创企业以出色的产品创意进入行业。
产品开发的竞争优势归于合作者
通过像iENSO这样的工程/商业服务公司可以提供帮助，公司是否已拥有经验丰富的内部团队也没关系。实际上，嵌入式视觉仍然是一个复杂且发展迅速的领域，这意味着即使在许多知名企业中也选择不保留内部技能集。
对于刚进入嵌入式视觉领域的产品公司，尤其是规模较小或处于早期阶段的公司，这是一个巨大的飞跃，需要雇用20名工程师组成的完整团队并在内部建立这种能力。这不仅是成本问题，而且是寻找合格人员的挑战和延误。
各种规模的产品公司都希望专注于其核心产品技术和具有竞争力的秘密调味料，同时寻找具有专业知识的合作伙伴来扩大内部团队并为其开发AI和相关的视觉系统。从技术角度和协作角度来看，这为整个行业生态系统中的边缘AI创造了巨大的机会。
随着对视觉数据更强大的离线处理的需求不断增长，具有多核CPU，嵌入式GPU和所有相关开发工具的新技术平台以及产品公司与嵌入式视觉工程专家之间令人兴奋的合作，视觉的未来是在边缘。
