大讲堂
半米的延迟，能要了一个人的命
他之前踩的坑说起来都让人心疼。最早做导盲设备的时候，整个团队想当然把所有视觉识别的算力都架在公有云上——眼镜拍的路牙子、斜冲的电动车、飘到脚边的塑料袋，全部打包成视频流，顺着光缆传到几百公里外的中心机房，算完障碍物的位置、距离、移动速度，再把指令传回眼镜的扬声器。平均延迟1.2秒。
我第一次戴着试版在办公室外的人行道走，巷口突然冲出来个骑共享电驴的小哥，眼镜足足晚了一秒多才扯着嗓子喊“前方障碍物”，我吓得往后跳了半步，差点把手里的热豆浆泼到路过的猫身上。老陈站在旁边脸都白了，说上个月有个视障用户反馈，过马路的时候因为300毫秒的延迟，没躲开斜插过来的外卖车，膝盖缝了四针。
说穿了根本不是技术不够好，是距离不对。人走路的速度是每秒1.2米，300毫秒的预判差，就是40厘米的反应距离——等你听到“躲开”两个字的时候，脚已经踩在电动车的轮胎边上了。
把算力塞到墙缝里
后来老陈带着团队熬了三个月，把原来上G大小的目标识别模型，剪到只剩30%的体积，塞进了导盲眼镜镜腿里那个指甲盖大的本地NPU芯片里。这就是边缘计算最朴素的起点。
不是行业报告里写的那些玄乎的“分布式算力架构”“云边协同网络”，说白了就是把“算”这个动作，从远在天边的中心机房，挪到离你半米远的设备上。简单的、急的、容不得等的事儿，当场就算完，根本不往远了传；复杂的、不着急的——比如今天走了哪条路，遇到了几个障碍物，攒着晚上你回家了，再把数据传到中心机房，给模型做迭代升级。
我第二次戴着改完的眼镜，在文二路的非机动车道边站了十分钟。一个外卖小哥骑着车贴着我胳膊冲过去，眼镜几乎是在他离我还有两米的时候，就用压得很低的声音报出“右侧0.8米，非机动车，快速移动”，延迟压到了28毫秒。我当时鸡皮疙瘩都起来了。
现在他们连小区的安防系统都改了。之前物业的摄像头，把24小时的录像全部传到监控室的硬盘里，找个跑丢的猫得翻三小时的录像。现在摄像头自带的小芯片就在镜头边上算，只要看到没牵绳的狗、推电动车上电梯的住户、在单元门边上徘徊的陌生人，当场就给保安的对讲机发提醒，根本不用把整段视频往中心传。算下来整个小区的带宽成本砍了70%，连换硬盘的钱都省了一半。
那些不被“云”记得的私密
换成本地边缘计算的版本之后，所有实时识别都在眼镜的芯片里完成，根本不会把原始画面传出去，只有模型需要更新的时候，才会把脱敏后的轮廓数据——抹掉所有人脸、所有可识别的个人特征的像素块，传到服务器做训练。小姑娘现在戴眼镜出门，再也不刻意把镜腿往下滑挡眼睛了。
这事儿说起来真的有点讽刺。我们之前花了十几年的时间，把所有的计算、所有的记忆、所有的日常，都搬到了越来越大的中心机房，总觉得集中起来的算力效率最高、最方便。可慢慢的大家发现，那些最急的、最私密的、最带着烟火气的事儿，根本不适合存在远在天边的机房里。
比如你家智能门锁的人脸，凭什么要传到千里之外的厂商服务器上？万一被拖库了，全小区的人脸数据都漏了怎么办？比如你家里的智能摄像头，凭什么要把你在客厅吃火锅、跟家人吵架的画面，全部传到云端存三个月？现在新出的一批家用路由器，都开始自带边缘计算模块，门锁拍的人脸、摄像头识别的异常动静，全部在你家玄关那个小盒子里算完，根本不往外传。
上周我妈给我打视频，说小区换了新的智能快递柜，取件码的识别就在柜子的屏幕边上完成，不用把你取快递的照片传到云上去。她在电话那头笑，说这才像个过日子的东西嘛。
之前我总觉得，技术的演进就是往“大”的方向走——机房越建越大，算力越堆越集中，像个站在数字世界中心的巨人，伸手就能摸到所有的数据。可慢慢的大家发现，巨人的反应太慢了，他听不清你在耳边说的悄悄话，他赶不上你躲电动车的脚步，他甚至记不住你家楼下那棵每年春天飘满飞絮的梧桐树。
前几天老陈给我发消息，说他们现在在给浙西山区的小学做边缘计算的课堂盒子，就是把原来要拉100M专线、要连云端才能用的AI科普课，直接塞到一个鞋盒大的设备里，放在教室的角落。哪怕山里的光缆被暴雨冲断了，孩子们照样能跟AI学认植物、学画水彩画。
我问他，那中心机房以后干嘛用？
他说，当仓库呗。存点大的、沉的、不着急的东西就好。那些离人近的、急的、带着温度的事儿，就让身边的小芯片来算。
作者|大讲堂
排版|大讲堂
审核|小北