本文首发于与非网，由作者授权转载。

物联网能收集多少数据？

物联网到底能收集多大容量的数据？那可能是你想象不到的大。

根据IDC预测，到2020年全球会有超过500亿的智能设备，超过2120亿个传感器。有研究机构预测，随着物联网的快速发展，到2020年每个互联网用户一天将产生大约1.5GB的数据，每个智能医院每天将产生超过3TB的数据；每辆自动驾驶汽车每天将产生超过4TB的数据，一架联网飞机每天将产生超过40TB的数据；一家智慧工厂，每台设备上有很多个传感器，时时刻刻都会产生数据，按照一千台设备计算，那么整个工厂每天产生的数据量将是1PB，到2020年全世界每天产生的数据总量将是44ZB（注意：1ZB=1x1012 GB）。

而正是这样大量的数据，为AI计算提供了足够的训练素材。

为什么未来数据处理会从云端转移到边缘？

未来的数据量将不断增长，而带宽增长的速度势必要慢于它，我们不可能把所有数据都通过网络传到云端，所以未来数据处理从云端转移到边缘端是一种必然趋势。

对于实时性要求较高的应用场景，我们需要在边缘对数据进行判断，比如自动驾驶、无人驾驶等领域。

对于隐私保护要求比较高的场景，比如医疗信息或者用户不愿意进行云端分享的数据，需要在本地进行存储。

传统的物联网更多是线性思维，物体产生数据，通过互联网传到云端，分析产生价值，但如今的物联网完全是立体三维的概念。而物联网业界，对边缘端数据处理的应用已有共识：一是实时应用；二是成本问题；三是分析和预测；四是信息安全、信息保密等精准性问题。

为做好边缘端数据处理，物联网需要人工智能，而从当下技术发展来看，这一产业似乎已开始成熟。

边缘侧深度学习开发工具已准备好？

OpenVINO工具包——包括英特尔深度学习部署工具包，具有模型优化器和推理引擎，以及面向OpenCV*和OpenVX*的优化计算机视觉库，可通过基于英特尔架构的处理器（CPU）及核显（Integrated GPU）和深度学习加速器（FPGA、Movidius VPU）的深度学习加速芯片，增强视觉系统功能和性能。

这是计算机视觉领域的新宠，它具备两个优势：第一可以通过一次训练来满足不同的硬件平台，节约成本；第二可以加速产品化的过程，从芯片到做出产品，中间的周期变短了，产品可以更快的上市加速流转。

带宽、存储、延迟和安全性是边缘计算的驱动因素，预计到2019年45%的数据将在边缘进行存储、分析和处理，因此深度学习的采用率不断增长，而OpenVINO工具包的未来，也更值得期待。