起源于云计算，主要为应对海量数据需求。云计算的处理方式是将所有数据上传至计算资源集中的云端数据中心或服务器处理，任何需要访问该信息的请求都必须上送云端处理。但随着互联网、物联网数据量增加，传统云计算架构已无法满足庞大的计算需求。传统云计算模式下，物联网数据被终端采集后要先传输至云计算中心，再通过集群计算后返回结果，这必然出现较长的响应时间。边缘计算则可就近在网络边缘侧完成数据分析与处理，降低传输时间的同时也加强了安全性。

数据已愈加在边缘侧集中。作为推动人工智能发展的关键驱动力，数据源已经历了从超大规模云数据中心到日益广泛的终端设备（如移动设备、边缘设备和物联网设备）的彻底转变。过去，在线购物记录、社交媒体内容及商业新闻等大数据主要产生并存储在超大规模的数据中心。然而，随着物联网与AI 的出现，这一趋势正在逆转。根据IDC 及Statista 预测，2025 年全球将有近800 亿个物联网设备及传感器，数据中心侧产生约175 ZB 数据流量。根据思科全球云指数，2021 年云外总共生成近850 ZB 的数据，而全球数据中心流量预计仅为20.6ZB。即数据来源正在从大规模的云数据中心向边缘设备迁徙；另一方面也印证了云计算逐渐无法处理大规模分布的计算能力。

AI 大模型已从“玩具”走向“工具”，数据进一步刺激边缘计算需求。我们认为如何让大模型渗透进入各类垂直场景，如何更低成本的使用大模型，如何让更多场景与用户接触AI，成为了发展的下一个重点。目前AI 已同边缘计算结合催生了“边缘智能”这一新领域，其可利用规模化的边缘节点资源驱动AI 应用，而非完全依赖云计算能力。我们认为边缘智能类似于：在终端设备上本地运行人工智能算法，并使用在设备上创造的本地数据。

边缘智能多集中在推理阶段。我们认为未来的边缘智能主要侧重于提升模型推理阶段同用户间的交互性能，模型训练依旧主要交由云上数据中心完成。但我们认为不同于边缘计算的是，边缘智能并非必须强调模型已拥有完全的训练能力，因为边缘智能本身可以通过获取设备终端、网络节点资源进行自我推理更新。

一定程度上，边缘智能更像是当下流行深度神经网络中的计算节点。

投资建议：我们认为AI 大模型下不仅需要提升训练侧精度与准确度，对于边缘端的快速响应、数据隐私也同样重要。看好AI 规模化应用下的应用场景多点开花，同时建议关注在边缘智能与数据安全侧具有先发优势的公司。

风险提示：边缘计算商业化落地速度不及预期；产业供应链风险。