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。在物联网与OT和IT系统的整合过程中，我们面临的一个关键挑战是处理大量来自传感器的大数据量。例如，在一个高效自动化工厂中，可能存在数百个集成的传感器，每秒钟产生3个数据点。大部分这些传感器数据在5秒后就会变得无用了。几百个传感器、多个网关、复杂的流程以及众多系统需要几乎瞬间处理这些数据。大多数支持者倾向于云计算模型，即将所有东西都发送到云端。这正是物联网计算模式中的第一种基础。

物联网上的云计算

通过采用物联网与云计算结合的模型，我们可以推动并处理来自传感器的大量数据。你拥有一套摄入模块，它能够接收数据并将其存储在庞大的存储区域——称作“大型湖泊”，然后对其进行并行处理（使用Spark、Azure HDInsight等工具），最后基于即时信息做出决策。

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生态系统让构建大规模能力变得简单

或者利用Google Cloud提供的一系列工具，如Cloud IoT Core

然而，在实践中遇到的挑战包括：

私有平台用户和企业对于他们在谷歌、微软或亚马逊这样的巨头手中的数据感到不安

延迟和网络中断问题

存储成本增加，以及关于安全性和持久性的担忧

通常，大规模框架不足以创建满足高强度需求的大型摄取模块

面向物联网雾计算模式

雾计算则更加强大，因为它使用本地设备或单元，而不是将所有数据发送到云端，并等待服务器进行处理及响应。

4至5年前，没有像Sigfox或者LoraWAN这样的无线解决方案，也没有BLE mesh或远程功能，因此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续连接到核心单元。此核心单元往往是整个解决方案的心脏，但专业提供商很少。

实施一个雾网络涉及理解很多复杂事项。因此，构建软件或所做的事情在物联网上显得更加直接开放，而且当把网络作为屏障时，它会降低速度。

此类实现需要庞大的团队与众多供应商合作，同时也常常遭遇供应商锁定的问题。

OpenFog是一个由业内领袖开发专门为雾智能架构设计开源雾智能框架。它提供了案例研究、实验室环境技术规格以及参考结构体系。

物联网边缘计算模式

物联网主要围绕捕捉微小交互作用并尽可能快速作出反应。边缘计算离原始数据最近，可以应用机器学习于智能传感节点。如果讨论陷入边缘与雾之间，则应明白：边缘是一切关于智能节点应用，而雾则是在局域网内为大量操作提供深层次分析能力。

如同微软及亚马逊这类行业巨头发布了Azure IoT Edge及AWS Greengrass，使得提高IoT网关及其节点上的机器智能变得相对容易。但这不仅改变了从业人员了解且使用之处所含义，更使得工作变成了简单易行的事务。

边缘并不要求算法在网关运行以便创造智慧；2015年AlexECI会议上谈到了神经记忆芯片嵌入式AI工作：真正边际发生的地方就是这样一台具有预装机学习算法的小巧装置，为特定目的而服务。那该如何？假设仓库末端能执行NLP本地任务，只需少数几个关键字符串，比如“芝麻开门”！这种设备通常拥有类似神经网络结构，所以当加载ML算法时，就像是燃烧神经网络一样不可逆转！

现在，有全新的嵌入式空间促进低功率传感节点上的嵌入式Edge Intelligence。

物联MIST 计算模式探索新途径促进IoT资料管理与智慧提升：

基于云计费模型；

基于霭计费模型；

带界限计费模型；

这里有一种特殊类型电脑补充霭计费及界限计费，不必再期待长时间运转。这允许引人注目的物理部件分配职责，无需霭也不需界限提供动态灵活性情景。而不会因为缺乏霭也缺乏界限导致减慢速度，这些设备具备256KB内存大小约100kb/秒速率，可以迅速提取高速提取资料，与Mesh 网络相比，将看到另一种力量驱动这个新颖MIST 系统配置，让大家提出更好的根据MIST 模型去驱动未来发展趋势。