AI模型有着多样化的部署方式，常见的模型部署形态分为两种：服务器部署和嵌入式部署。本文在智能工地（数字工地）背景下，对视频AI算法的边缘计算和云计算进行比对。

AI部署方式

AI模型有着多样化的部署方式，常见的模型部署形态分为两种：

服务器部署嵌入式部署

服务器部署指的是将模型部署在CPU/GPU上，形成可调用的API接口，根据需要可选择云服务器部署和本地服务器部署；

嵌入式部署指的是部署到边缘侧或端侧的嵌入式设备中，进行单机离线运行。

下表对比了这两种部署方式的特性。当用户的模型应用场景没有网络覆盖，或是业务数据较为机密，或是对预测延时要求较高时，往往会选择嵌入式部署方式。

嵌入式部署方式具有实时响应、网络开销低、隐私保护、能耗比高等优势；但同时，由于边缘设备种类繁多，适配部署难度较高。

在一项百度和波士顿咨询公司的联合调研中，发现在有定制业务模型需求的客户中，超过35%的场景有离线边缘计算的需求。而如上文所述，端计算由于设备的多样性，研发和部署成本相比云部署更高，且往往实际业务场景对在端上运行的模型的时延和稳定性也会有极高的要求。因此，如何将定制好的模型部署到各类端设备上是一个技术难题。

云计算的主要优势是海量计算和海量存储、计算效率高、广域覆盖，适合计算密集型、非实时性的计算任务和海量数据的并行计算与存储，能够在长周期维护、业务决策支撑等领域发挥优势，并且计算硬件都集中在云计算中心，实行集中式的管理，因此无需在本地维护计算硬件、数据存储和相关软件。

边缘计算的主要优势是广泛分布的边缘节点提供了实时的数据处理，边缘计算的过程是一个以用户和应用为中心的过程，弥补了云计算中时延和移动性的缺陷，适合非计算密集型、实时性、移动性数据的处理分析和实时智能化决策，并且作为一种新的网络范式能够满足5G时代计算需求的空前增长和用户体验质量的不断提高，数据的本地化处理相较于云端也更安全。

智能工地（数字工地）视频AI边缘计算 VS 云计算

近年来，随着人工智能技术的不断发展，视频监控也逐渐迎来了AI时代。AI算法可以运用在视频监控摄像头上，将不同的监控内容进行分析和处理，提高监控系统的智能程度和监控效率。

在AI算法应用的过程中，AI边缘计算和AI云计算分别成为两种不同的技术路线。两种技术路线都有各自的优势和劣势，对于，具体该如何选择，下面本文将逐一剖析智能工地（数字工地）场景下，视频监控AI边缘计算和云计算。

一、依靠AI边缘计算技术的视频监控

AI边缘计算是指AI算法在设备端进行推断和决策。对于视频监控来说，采用AI边缘计算技术的设备需要包括监控摄像头和算法芯片，以及存储和处理数据的设备。与AI云计算相比，AI边缘计算会大量减少对网络传输的依赖，能够快速处理大量的监控数据。边缘计算设备采用AI算法可以帮助监控摄像头完成以下任务：

对视频图像内容进行人体、车辆等物体的检测和跟踪，支持视频流与事件数据处理；
监控摄像头的运行状态监测，提高监控设备的可靠性；
原始数据加密解密，增强数据的安全性；
将摄像头数据输入到存储设备进行存储和分类，实现AI算法在监控系统本地快速的分类和分析。

边缘计算技术对于数字建筑工地的监控效果尤为显著。AI边缘计算可以在本地对建筑工地进行实时的视频监控，对人员和机器进行检测和跟踪，可以提高工地的安全性，同时还可以监测建筑物的结构安全性和机器设备的运行情况。

此外，相对于云计算，边缘计算还能够大大节省网络带宽，优化整个系统的效率。数字化公司网络出了提供视频监控使用，还需要运用于门禁、环境监测、施工监测等。而边缘计算下，即使网络传输带宽不足、峰值流量突然增加且延时要求高的特殊情况下，AI边缘计算技术也能在设备内部处理视频监控数据，确保监控系统的正常运营。

除此之外，采用边缘计算技术的视频监控系统的一个关键优势是保护用户数据隐私。由于算法在设备本地运行，不需要将数据上传至云端，因此边缘计算技术可以保护数字建筑工地的重要数据隐私不被泄漏。

二、采用AI云计算技术的视频监控

与AI边缘计算不同，AI云计算是指AI算法在云端进行处理。采用云计算技术，视频监控摄像头需要上传视频数据至云端进行分析和处理。这样的技术路线具有以下优势：

大规模的监控系统可以直接利用云计算资源进行处理，直接弥补边缘计算设备能力不足的问题；
云端可以存储大量的数据，借助云计算技术可以快速处理海量数据；
云端的资源共享和统一管理，可以提高算法的并行计算水平。

但是，与优点相对应的，采用云计算技术的视频监控系统，也会面临一系列的局限性：

视频监控数据需要通过网络传输大量流量，如果带宽不足时会导致延迟和等待，甚至是数据传输中断等问题；
由于云计算依赖于互联网，因此面临着由网络故障、数据安全问题等带来的风险。

在数字工地中，可能会出现网络故障等问题，这样会对视频监控造成极大的影响，甚至可能导致监控系统无法正常运行。所以，在网络条件实在无法保障的情况下，云计算技术的性能表现不理想。

三、厂商产品、理论研究

随着数字建筑工地的发展，越来越多的工厂商和研究者开始将AI算法应用于视频监控中，许多成熟的厂商公司包括华为、海康威视等，都推出了视频监控领域快速而专业的AI技术。同时，业界也有不少研究性的论文支持采用边缘计算和云计算两种技术路线。

比如，华为的ASCend芯片和AI视频解决方案可以提供机器学习和深度学习能力，为视频监控设备提供边缘计算的性能增强。华为公司的视频监控AI技术可以实时识别小区外或商户门口的人和车，还能根据不同的场景设置不同的策略，从而保证安全性。

海康威视也是该领域的领先厂商之一。其基于边缘计算的多层人脸识别系统有效地解决了传统人脸识别技术中的准确性和稳定性问题。该系统可以应用于智能安防、金融、零售等领域。海康威视还推出了AI云计算平台，实时进行视频内容的分析，提供针对性的安全预警和应急响应，更好的保护数字建筑工地的安全。

此外，许多研究者也对采用边缘计算和云计算两种技术路线进行过具有参考资料价值的研究。《 The Impact of Edge Computing on Industrial Communications: A Review》一文中，作者对利用边缘计算技术服务于未来智能工厂的可能性进行了研究，并发现利用边缘计算能够降低数据传输时间，优化监控系统性能。而《A Video Surveillance System Based on Cloud Computing and Cloud Storage》的相关研究表明，基于云计算和云存储的视频监控系统能够大大提高响应速率和监控效果，以更好地保护数字建筑工地的安全。

四、总结

对于智能工地（数字工地）的视频监控，采用边缘计算和云计算两种技术路线都可以提高监控的智能性和安全性，但是两种方案各自存在不同的优劣。

采用边缘计算技术，该技术能够将AI算法在监控设备本地实现，需要处理的数据量较少，在计算的过程中没有过多的网络传输和等待时间，更能够快速处理监控的数据。这对于智能工地（数字工地）视频监控的实时性有着积极的影响。但在性能增强的同时，边缘计算可能对设备端的性能和计算能力的要求较高，尤其是在大规模引入AI算法时，对设备端的资源消耗会比较大。

采用云计算技术，可以运用大规模的计算和存储资源对海量数据进行处理和分析，监控数据的处理能力更为强大。但同时，云计算技术依赖于互联网，一旦网络状况不良或故障，会影响整个监控系统的正常运行。此外，由于上传的数据需要进行服务器的托管和灾难性备份，因此在保护用户隐私方面有一定风险。

因此，在智能工地（数字工地）监控中，建议多方考虑，根据实际特点和需求进行搭配和选择，并尽量利用好两种技术路线的优势，从而更好的保障数字智能工地（数字工地）的安全和高效的运营。