从物联网行业的角度来看，广泛需求的是更为可用的和分布式的计算方式。在将物联网与OT和IT系统进行整合时，我们面临的一个关键问题是大量数据的传输至服务器。例如，在一个高度自动化的工厂环境中，可能存在数百个集成的传感器，每秒钟产生3条数据点。大部分传感器数据在5秒内即失去价值。考虑到数百个传感器、多个网关、复杂的进程以及多种系统，我们需要几乎实时处理这些数据。大多数支持者倾向于云模型，即认为应该将一切发送至云端。这是物联网中的第一种计算基础。

物联网上的云计算

通过结合物联网与云计算，我们主要推动并处理来自传感器的大量数据。你拥有一个接收模块，可以接收并存储在巨大的存储空间——所谓“大型湖泊”——然后利用Spark、Azure HDInsight或Hive等工具进行并行处理，最终以极快速度做出决策。

随着我们开始构建物联网解决方案，现在有许多新的产品和服务可以轻松实现这一目标：

使用AWS Kinesis 和Big Data Lambda Services。

利用Azure生态系统，使得构建大规模大数据能力变得异常容易。

或者，可以使用Google Cloud提供的一系列工具，如Cloud IoT Core。

在实施物联网解决方案时，我们遇到了几个挑战：

私有平台用户和企业对于其数据在谷歌、微软或亚马逊这样的公有云服务上感到不适。

延迟和网络中断问题增加了存储成本、安全性以及持久性要求。

大规模摄入模块往往难以满足日益增长的大型数据库框架需求。

面向物联网雾计算

雾计算能够增强我们的能力。它使用本地单元或设备，而不是将所有数据一次性发送到远程服务器进行处理。4年前，没有像Sigfox或LoraWAN这样的无线技术，这使得我们必须依赖更昂贵的网络解决方案，以确保建立一个安全且持久连接到中央单元。此中心单元通常由专业供应商提供。

了解如何构建雾网络后，你会发现这并不简单，它需要深厚知识背景。而当把网络视作屏障时，它会降低效率。实施此类模式需要庞大的团队及众多供应商协作，常常导致对某些供应商过度依赖。

OpenFog是一个由业界专家开发，为雾计算架构设计开放标准框架，提供用例、实验室试验台技术规格，以及参考体系结构指导。

物联网边缘计算

物联网涉及捕捉微小交互，并尽可能快速响应边缘节点应用机器学习。如果你陷入讨论边缘与雾计算之间差异，你应该明白：边缘指智能传感节点应用，而雾则关注局域网络，为大量操作提供强劲之力支持。

行业巨头如微软和亚马逊已经发布了Azure IoT Edge 和AWS Greengrass，以提高IoT网关及传感器节点上的机智功能，这些设备配备良好的算法执行能力。这一转变显著改变了从业者所知晓且使用边缘概念含义。但真正意义上的边际化不应仅限于网关上运行机器学习算法；而是在神经记忆装置上运行预装算法，专为特定目的而设计，那样岂不美哉？

这种类型设备通常具有类似神经结构，因此，当加载机学学习算法时，其工作方式就像是燃烧神经网络，但这种燃烧是不可逆转性的。在嵌入式新领域，可以促进低功率跨越全天候智能化过程。