从物联网从业者的角度来看，经常看到对计算更加可用和分布式的需求。当开始将物联网与OT和IT系统整合时，面临的第一个问题是设备发送到服务器的庞大数据量。在一个工厂自动化的场景中，可能有数百个集成的传感器，这些传感器每1秒发送3个数据点。大部分的传感器数据在5秒钟之后就完全没用了。数百个传感器，多个网关，多个进程，以及多个系统，都需要几乎在瞬间处理这些数据。大多数数据处理支持者都支持云模型，即总是应该向云发送一些东西。这也是第一种物联网计算基础。

通过物联网和云计算模型，我们基本上推动并处理你的感官数据在云。你有一个摄入模块，它可以接收数据并存储在一个巨大的存储库中，然后对它进行并行处理（它可以是Spark, AzureHDInsight, Hive等等），然后使用快节奏信息来做决定。自从开始构建物联网解决方案，现在有了许多新的产品和服务，可以非常容易地做到这一点：你可以使用AWSKinesis和BigDataLambdaservices；你也可以利用Azure生态系统，让构建大数据能力变得极其容易；或者，你还可以使用像GoogleCloud产品这样的工具，如CloudIoTCore。

然而，在物联网中面临的一些挑战包括：私有平台用户以及企业对于拥有他们的数据在谷歌、微软、亚马逊等感到不舒服；延迟和网络中断问题；增加了存储成本、安全性以及持久性。通常，大型机学习框架不足以创建能够满足所有这些复杂需求的大型摄取模块。

面向物联网雾计算

雾计算引领着更强大的力量。雾计算依赖于本地处理单元或小型电脑，而不是将所有信息一次性地发往云端再返回服务器处理响应。这一理念是在过去4-5年里才逐渐展开，比如无线技术Sigfox和LoraWAN，以及BLE远程功能。此前必须依靠更昂贵网络解决方案，以确保建立安全且持续连接到核心单元——这通常由专业提供商提供。但对于实施雾网络来说，这是一项复杂而耗时的事务，它需要深厚的人力资源知识，并涉及众多供应商合作。一旦完成，则会面临供应链锁定风险。

为了克服这一障碍，有专为雾智能设计开放结构框架OpenFog，它包含实例试验台技术规格以及参考体系结构，为实现者提供了一套全面的指南。

物联网边缘智能

边缘智能正处于捕捉微妙交互作用并迅速作出反应之路上。而边缘计算则离我们的感觉源最近，可以直接应用机器学习算法。如果我们谈论边缘与雾之间相似之处，我们应该明白，那么边缘就是关于聪明节点上的节点，而雾仍然是在局部网络内为大量操作提供能力建立起动态模式。在这个趋势下，如微软及其AzureIoTEdge，或亚马逊AWSGreenGas已经发布用于提升网关与传感器节点上的机器智慧，使得工作变得轻松许多，但同时也重新定义了“边缘”概念所涵盖范围广泛，从业人员所熟知且使用的一切内容。

真正意义上的边际化智能发生于神经元装置上，这些装置预装有适合特定目的或责任的小型人工智能算法。当考虑仓库结尾节点执行本地自然语言理解任务，就像解密密码“芝麻开门”，这种局域设备具备类似神经网络结构，当加载机器学习算法时，就像是燃烧神经元但不可逆转。此外，全新的嵌入式空间促进低功率传感节点中的嵌入式边界智慧发展。

物联MIST

MIST—基于三种不同类型（cloud-based, fog-based 和 edge-based）分散共享资源以优化性能，将使得各种新兴技术成为现实，无需进一步等待即可实现高效率硬件加速，并且能够进行高速硬件加速而不会产生额外负担。

随着Mesh Network发展，一种新的基于MIST系统模型被提议，其中融合了先前的两种方法，将提高速度，同时降低成本，使得决策过程更加快速有效。

最终，对比四种不同的模式，每一种都代表着不同的可能性：通过增强潜力的革新变革带来的改变，不仅仅是一个简单替换，更是一个不断创新与完善过程。