芮勇：让智能边缘计算下沉到行业场景，更靠近数据产生的地方 2020年

2020年10月28日，联想集团高级副总裁、首席技术官芮勇博士在2020联想创新科技大会演讲时表示：随着人工智能和5G等新兴技术的迅猛发展，智能化的应用场景变得越来越丰富，新的解决方案不断涌现。这些新兴解决方案和应用场景对实时计算能力的要求不断提高，于是，智能边缘计算就应运而生了，它让计算和智能下沉到行业场景，更靠近数据产生的地方。
文章插图
参加联想创新科技大会的朋友们，大家早上好！
我是芮勇，很高兴能在这里和大家分享联想最新的技术创新成果。 2020已经是一个充满智能的新时代，而联想呢，正在成为智能化变革的引领者和赋能者！
刚才，元庆在演讲中提到了联想“端边云网智”的战略布局，并指出，联想已经积累了众多的“建材”与“模块” ，致力于打造行业智能化的解决方案。
随着人工智能和5G等新兴技术的迅猛发展，智能化的应用场景变得越来越丰富，新的解决方案不断涌现。这些新兴解决方案和应用场景对实时计算能力的要求不断提高，于是，智能边缘计算就应运而生了。所以我今天给大家汇报的主题是：智能边缘计算：让AI在你身“边” 。这里的“边”就代表边缘计算，我们要让计算和智能下沉到行业场景，更靠近数据产生的地方。
边缘计算并不“边缘” ，在行业智能化新需求的拉动下， “边缘”正在变得越来越“主流” 。它也是联想技术战略布局的重点领域之一。联想在边缘计算领域的领导力包含三个层次，首先是边缘计算设备这一层，设备一直是联想的传统强项，产品布局非常丰富，我就不展开讲了。
今天，我想重点介绍硬件设备之上的这两层，这两层的核心技术，构成了联想智能边缘计算的技术基石。
首先我们来看边缘基础架构层。就像我刚才所介绍的那样，现在越来越多的行业应用，需要更低的时延、更灵活的部署、更强的适应性、更安全的数据隐私保护。在这种情况下，传统的云的基础架构可能无法满足需求了，我们需要有一个更加扩展的、强化的基础架构，从云延伸到边。联想研发了业界领先的边缘计算平台LECP (Lenovo Edge Computing Platform) ，它能够和联想的各种边缘设备深度融合，为边缘场景下的业务提供网络及算力实时动态的感知调度，以及统一自主的运维管理。
当然，光有边缘基础架构，还是不够的。我们还需要最上面这一层，也就是边缘智能层，来支持各行各业智能化的应用和需求。联想研发的边缘AI平台，能基于边缘设备和场景数据训练出适配场景的AI模型，并实现模型在云-边-端之间的协同推理，能够更有效地发挥边缘侧的算力，助力实现更广泛的场景智能。
这两层里面有很多关键的技术，由于时间的关系，我就在每一层里挑一个关键技术来介绍一下。
我们先来看一下边缘基础架构层中的一项关键技术——混合轻量级虚拟化引擎。
【芮勇：让智能边缘计算下沉到行业场景，更靠近数据产生的地方】当云计算能力下沉到行业场景时，往往存在设备空间、耗电量等诸多限制因素，进而限制了计算存储等基础资源规模，因此需要运行其上的边缘计算平台向轻量化发展。另一方面，边缘平台上仍然需要承载原来云端所承载的多种边缘智能应用，而这些应用有些需要跑在容器上，有些需要跑在虚拟机上。如何满足这些多样化的虚拟化需求？传统的虚拟机及容器通常是由两套独立的虚拟化堆栈来分别实现。但这样问题来了，这样的虚拟机和容器的两套方案会导致虚拟化开销大、资源利用率低，并且不能混合编排和管理。为此，联想在业界首创了混合轻量级虚拟化引擎，实现了虚拟机和容器在虚拟化引擎层的深度融合。仅通过一个虚拟化可执行程序，就可以同时虚拟出轻量级虚拟机和安全容器，有效降低了虚拟化开销，缩短了启动时间。效率和性能大幅提升。
我们再看看边缘智能层。首先，联想首创了渐近式模型优化技术。云侧模型为追求精度一般体积较大，在边缘侧执行时，需要根据可用资源进行模型裁剪。以深度学习卷积神经网络模型为例，该技术可以自适应调整卷积层的裁剪比例，根据场景渐进式优化模型。模型下发到边缘侧之后，我们的AI任务协同计算技术不是把云边端看成是分割开来的资源，而是把云边端视为一个统一的资源池，通过感知资源池中的计算、存储和网络总体情况，动态调整任务在云边端上的计算分布。此外，云侧训练好的模型不可能预知边缘侧特有的数据特征。为此，我们使用终身学习技术更新预加载模型的参数，使模型更好地适配场景。