邊緣運算(Edge computing)聽過嗎？身在資訊領域數十年，看過太多曾被炒作到半天高的技術議題，最終都是一事無成就銷聲匿跡了！我估計邊緣運算也是一個永遠不會實現，也不需要實現的假議題！為甚麼會被炒作到似乎很重要？很有未來性呢？其實是因為本身就可能會泡沫化的機器學習技術需要它！

我不是一開始就這麼認為的！事實上我在2015年時曾在一個研討會上發表一個簡短的演說，主題概念上是比較接近支持邊緣運算的！摘要如下：

在概念上，當時我可以說是支持邊緣運算的！那時我已是賣車牌辨識軟體的廠商了！很多人會問我：如果將車牌辨識功能集中到雲端，就是所有需要車牌辨識的地方，如停車場出入口，都將拍攝的照片或影片用網路傳到雲端辨識中心辨識可不可行呢？我直接潑冷水說：別傻了！行不通的！

因為那時(2015)的網路環境還在2G、3G的時代，即使前端設備只是簡單的樹莓派微電腦，慢慢辨識一張照片中車牌需要的時間(約兩秒)，也比用網路傳回遠端伺服器辨識，再將結果回傳使用端所需要的時間少！那時問此問題的客戶關心的是：應否在手機端實作車牌辨識App？還是丟回雲端作辨識？

我當時的答案是：絕對應該在手機端作車牌辨識！也就是在前端(邊緣)設備上作運算。但是此一時也，彼一時也！之後還不到一年，我的答案就180度大迴轉了！我開始製作辨識引擎軟體，幫很多客戶建立雲端車牌辨識系統，至今都還是我的熱銷產品。在手機端的車牌辨識App呢？我們是做出來玩過，但一個產品都沒賣出去過！

原因很簡單，到了4G、5G的時代，大家現在到各處打卡遊玩時，自拍一張高解析度影像上傳FB或IG或推特，你會覺得需要等好久不耐煩嗎？當然不會！但是我知道如果我硬是將車牌辨識寫成App在你的手機辨識車牌，你一定會覺得好慢，不耐煩的！因為手機不是設計來做大量數值計算的電腦！我們試過的！結論是：拍照上傳到雲端伺服器辨識後回傳辨識結果最方便，也最快速！

電腦資訊的環境甚麼進步最快？就是網路傳輸速度與高階CPU的運算速度與核心數目！如果你替網路擔心流量太大塞車？或是替伺服器擔心要做的運算太多無法負荷？所以想辦法將資料運算分散到周邊的微(爛)電腦？那是杞人憂天！你真的是白擔心了！那種壓力根本就不存在了！但那就是所謂邊緣運算的基本概念了！

如果你堅持要在邊緣設備的微電腦中做部分的運算，你知道有多麻煩嗎？我是做影像辨識軟體的！我知道！有點像某個執行高科技研發的實驗室，想將精密實驗的「部分」流程，分派給一些狗屁都不懂的工讀生幫忙一樣！光是交代清楚該做甚麼事？該怎麼作？就麻煩死了！絕對不如研究員自己直接做比較快！

但是很不幸的，機器學習派的興起給了這個資訊環境一個無謂的災難！就是按照他們的理念發展出來的研究方式與軟體執行，計算的需求量都暴增到超過奈米科技給CPU增加的速度！機器「學習」其實就是暴力運算，他們假裝計算量是免費的？但計算真的是需要錢的！照ML的玩法，伺服器真的會撐不住的！

所以只有在大量使用ML技術的體系中，分散較低階簡單的資料處理計算工作到周邊的設備如GPU等等，才會是一個需要考慮討論的議題！如果不要這麼濫用ML、DL或CNN呢？目前的網路與CPU其實都是超過正常軟體執行的需求很多很多的！哪裡需要邊緣運算的協助？

周邊設備中的微電腦，本來就不是設計來做數值計算的！多數只是儲存操作過程的簡短資料，協助開關或調整強度的控制功能之用！如攝影機也只要負責取得影像資料後送就可以了！硬要他們分擔影像辨識的工作？太強人所難，效能差速度也太慢。譬如車牌辨識攝影一體機就是個餿主意！根本賣不出去的！

總之，除非ML技術真的成為各種實用AI軟體的主流，運算需求量不合理的暴增，否則我們是不需要邊緣運算幫忙的！因為網速與CPU效能一定足以應付正常需求！就像只有敗家子當家太浪費才會缺錢，搞到需要去徵收員工(周邊設備)的(計算)資源。