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。

物联网中的云计算

通过物联网和云计算模型，我们基本上推动并处理你的感觉信息到云。你拥有摄入模块，它可以接收数据并存储在一个巨大的存储池（也称为“海洋”），然后对其进行并行处理（它可以是Spark、AzureHDInsight、Hive等等），最后使用超快信息做出决策。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，可以非常容易地实现这一点：你可以使用AWSKinesis和BigData Lambda Services；你还可以利用像Google Cloud这样的工具，如Cloud IoT Core。在这里，我们面临的一些挑战包括：私人平台用户以及企业对于他们自己的数据不愿意让之留存在如Google、Microsoft或Amazon这样的公共平台上；延迟以及网络断开问题；增加了存储成本、安全性以及持久性；通常，大型框架不足以创建满足所有需求的大型摄取模块。

面向物联网雾计算

雾计算使得本地智能变得更加强大。雾计算采用的是本地处理单元或电脑，而不是将数据一路发往云端再等待服务器进行处理与响应。4-5年前，还没有像Sigfox和LoraWAN那样的无线解决方案，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坚固连接至本地智能单元。这是一个中心单元，是整个解决方案的心脏，但很少有专业提供商能够提供完整解答。

实施雾网络时，我们会发现这并不简单——需要理解许多复杂事项。而当把网络作为屏障时，它会降低速度。此类实现通常需要庞大的团队及众多供应商参与，并常常面临供应链锁定风险。OpenFog是一个由行业专家开发专为雾边缘架构而设计的一个开放标准框架，为不同案例提供测试台技术规格，并包含参考体系结构。

物联网边缘计算

物联网就是捕捉微小交互作用并尽可能快速作出反应。一旦涉及边缘与雾之间讨论，就应该明白边缘计算指的是应用于智能传感节点上的机器学习，而雾则是在局域网络中为大量操作提供额外加速能力。这一点被行业巨头们所证明，如微软已经发布Azure IoT Edge 和亚马逊发布AWS Greengrass，用以提高网关及传感节点上的机器智能，这些网关及传感节点配备着强大的运算能力尽管这些都是极好的解决办法，使工作变得轻松起来，但它们显著改变了我们所知晓且使用过边缘计算含义。

真正意义上的边缘智能发生在神经记忆芯片上，当它们预装着特定目的下的机器学习算法，那么就能展现其力量，让仓库末端节点执行几条关键字符串级别NLP，比如密码“芝麻开门”。这种设备具有类似神经结构，所以当加载机制学习算法时，它们似乎燃烧了一颗神经网络。但这是一次不可逆转的事态。

嵌入式设备空间激发低功耗传感节点上的嵌入式边界智慧。

物联MIST 计算

MIST 计算模式补充了两种先前的方法，不仅仅依赖于它们，而不会让我们再次期待新技术出现。此类型的小型化计较装置分配任务给不同的物理层级，同时既不依赖于先前的浓厚气候也不依赖于广泛布置但仍未普遍接受的地图导航探索方式，只需引入高效率访问因子即可提升性能，其内存大小达256KB，每秒可达100KB/秒，对Mesh 网络来说，无疑又一次展示了一种新兴趋势，一位潜心研究者提出了基于MIST 系统更佳灵活性的概念模型，将此概念迅速融入实践中，将带来高速准确率同时保持高度灵活性，为未来各种复杂应用打下坚实基础。