在物联网领域，数据处理和智能化的需求日益增长。从业者面临的一个关键问题是如何有效地管理大量来自传感器的数据。在一个自动化工厂中，可能有数百个集成的传感器，每秒钟发送3个数据点。大部分这些数据在5秒后就变得无用。数百个传感器、多个网关、多个进程和系统需要几乎瞬间处理这些数据。大多数支持者都倾向于云模型，即将所有东西都发送到云端。这是物联网计算模式中的第一种基础。

通过物联网与云计算模型，可以基本上推动并处理你的感知数据到云端。你有一个摄入模块，它可以接收数据并存储在一个大型存储器——称为“海洋”，然后对其进行并行处理（可以是Spark, AzureHDInsight, Hive等），最后使用即时信息做出决定。现在，有了许多新产品和服务，可以轻松实现这一点：使用AWS Kinesis 和Big Data Lambda Services；利用Azure生态系统，使得构建大规模能力变得非常容易；或者，使用Google Cloud产品，如Cloud IoT Core。

然而，在物联网中也存在一些挑战：私有平台用户和企业对于自己的数据不愿意托管给如谷歌、微软或亚马逊这样的第三方，这导致延迟和网络中断的问题。此外，还包括增加存储成本、保障安全性及持久性，以及通常的大型框架不足以满足巨大的摄入模块需求。

为了解决这个问题，我们可以采用雾计算，它使得本地处理单元或计算机成为核心，而不是将所有数据一路发送到服务器进行处理。这意味着我们不再需要昂贵的网络解决方案来建立安全且可靠连接至中央单元。雾网络建设并不简单，但它提供了更直接与开放的软件开发方式，同时降低速度瓶颈。OpenFog是一个专为雾计算架构设计的开放框架，它提供了案例研究、试验台技术规范以及参考体系结构。

边缘计算则是在最接近源头的地方应用机器学习。如果讨论边缘与雾计算，我们应该明白边缘指的是智能传感节点应用，而雾指的是局域网络能量密集型操作提供额外计算能力。行业巨头微软和亚马逊发布了Azure IoT Edge 和AWS Greengrass，以提高物联网网关和传感器节点上的机器智能。这改变了从业者所理解与运用的边缘概念。但真正的边缘应发生在神经元装置上，这些设备预装机学习算法，仅服务于特定目的与责任，那将会很棒吗？

假设仓库末端节点能够执行本地自然语言处理，对少量关键字符串，比如密码“芝麻开门”！这种设备通常具有类似神经网络结构，当加载机器学习算法时，就像燃烧神经网络一样永久不可逆转。不过，这也创造了一片全新的嵌入式设备空间，让低功率传感节点促进嵌入式边际智能。

MIST 计算结合了基于云、基于雾以及基于边缘三种模式，使它们更加完善而又灵活，不必等待未来年份。一种类型补充了两者的缺陷，没有要求再次等待，也没有依赖于任何一种独特模式，而是一种既没有雾也没有边际提供动态智慧模型的一般方法。这种方法带来了高速的数据流转及智能提取设备，其内存容量256KB，加速率100kb/秒，并且适用于Mesh 网络，从而成为MIST 系统促进者的最佳选择之一。而有人提出，将来会出现更好的基于MIST 系统模型，该模型易于实施，无需过度担忧资源分配问题，因此，为人们带来了更多便利。