在物联网领域，从业者经常面临着如何更好地利用计算资源和实现分布式计算的需求。尤其是在物联网与OT（操作技术）和IT（信息技术）系统的整合过程中，一个关键问题是如何处理来自数百个集成传感器的大量数据。在一个工厂自动化场景下，每秒钟可能会有数百个数据点被发送，这些数据通常在5秒钟后就变得过时。大规模传感器网络、多个网关、复杂的进程以及众多系统需要几乎实时地处理这些数据。

大多数支持者倾向于云模型，即将所有东西都推向云端。这是物联网中的第一种计算模式。通过结合物联网和云计算，可以有效地推送并处理感官数据到云端。你可以使用摄入模块来接收数据并存储在一个庞大的存储空间——所谓的“数据湖”，然后对其进行并行处理（例如使用Spark、AzureHDInsight或Hive等），最后利用即时信息做出决策。

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能够轻松实现这一目标。我们可以使用AWS Kinesis 和Big Data Lambda Services，或者利用像Google Cloud这样的工具，如Cloud IoT Core。在物联网中，我们还面临一些挑战，比如私有平台用户对自己的数据不愿意留在第三方服务器上，以及延迟、网络断开的问题。此外，还存在增加存储成本、保证安全性和持久性的问题，并且大型摄入模块往往不足以满足我们的需求。

除了云模式之外，还有一种名为雾计算的模式，它通过本地处理单元或设备来增强功能，而不是将所有数据都发送到远程服务器进行处理。过去，由于缺乏适当的无线解决方案，如Sigfox和LoraWAN，BLE mesh功能尚未开发完善，因此必须依赖更昂贵的网络解决方案才能确保建立稳定的连接至中央单元。这种中心单元是整个解决方案的心脏，但专业提供商相对较少。

实施雾网络也非易事，需要深厚知识背景及理解广泛内容。而直接把网络作为一道屏障，将降低速度。此类实施往往要求庞大的团队与众多供应商合作，同时也容易陷入供应商锁定局面。OpenFog是一个由行业内知名人士开发，以专门为雾计算架构设计的一个开放框架，为雾计算提供了用例试验台、技术规格以及参考体系结构。

边缘计算则专注于捕捉微小交互并迅速响应，对机器学习应用特别重要。如果讨论边缘与雾之间的话题，就应该明白边缘涉及智能传感器节点，而雾则侧重于局域网络对于大量操作提供更多权力。在这个领域，微软和亚马逊等巨头已经发布了Azure IoT Edge 和AWS Greengrass，以提升网关及传感器节点上的机器智能能力，使得工作变得更加简单，但这显著改变了从业者所了解及运用的边缘概念含义。

真正意义上的边缘不应该仅仅要求机器学习算法运行于网关上，以此构建智能；而应该发生在神经元装置上，它们预装机制学习算法服务特定目的与责任。一旦仓库结束节点能执行本地NLP任务，就能识别密码如“芝麻开门”。这种设备通常具有类似神经结构，当加载机器学习算法时，其效果类似燃烧神经网络。但这是一种不可逆转的情况，有利於嵌入式设备空间促进嵌入式边界智能发展。

最后，还有一种称作MIST（Machine Intelligence, Sensor Technology and Transmission）的模式，它既包括基于云模型，也包含基于雾模型，再加上基于Edge模型，使它们更加完善，不必再等待年份增长。这一种类型电脑补充了两者的不足，让它们成为更加动态智慧模型的一部分，可以引导进入高效率快速提取智能体验具有256KB内存大小～100kb/s高速传输率的小型设备。这项技术已被用于Mesh 网络，一定会有人提出更好的MIST 系统版本使其更可行。