在低延迟的严格要求下，智能交通对于边缘计算的需求相当高。图为光宝科技的智慧信号灯。Liteon
据研调机构IDC预测，未来3年内，全球超过60亿个联网装置将有高达4成产生的数据量，会就近在边缘装置处理、分析及储存。此外，预计至2020年，全球物联网(IoT)装置数量将逾500亿个。从联网装置密布的情况看来，将带动边缘计算的发展迎向更高峰。因此，近年不论是云端服务厂商、硬件厂商或是电信营运商等，皆嗅到市场商机而推出各式各样的边缘计算解决方案。
边缘计算简单地说就是一种就近计算的概念，它的兴起主要是因为IoT在发展上有了新的需求。IoT演进的过程大致可分为几个阶段，Dell EMC技术副总梁汇华表示，首先第一阶段是连结，即让未连网的设备打开向外沟通的大门;第二阶段透过传感器采集从设备产生的动态数据，并借助联网将数据传递到下一阶段;而在第三阶段中，则是通过对数据进行计算，经由过滤、处理、分析后，产生智慧的行动和反馈。
整个过程可视为一种循环，由于越来越多设备联网后将不断产生海量数据，因此如何充分利用新旧数据中的潜在价值，甚至回馈到最前端进行设备的优化使用，则是整个IoT的核心。
随着市场中的联网设备越来越密集，这也代表着在第二阶段中的数据量将呈现爆炸性的成长，特别是以影像内容为主的数据量更是庞大。数据密集将造成数据传递的壅塞，显然在IoT时代中，以云端计算为主的做法已经不足以应对，因此比云端更靠近终端的边缘计算随之兴起。
梁汇华观察，边缘计算在未来IoT中所扮演的角色将作为数据传递的缓冲。边缘计算将在靠近终端的地方进行预处理，尽可能不将数据回传至云端，甚至就算没有网络，邻近终端的设备也能自处理。如此一来可降低数据往返云端的时间，二来可减少传回云端的数据量，以减轻云端对终端所产生海量数据的承载以及计算负荷，也可进一步节省网络带宽的使用，并降低云端传输的成本。
特别在某些对于延迟要求极高的应用上，例如医疗产业、制造业、公共安全相关以及交通运输等领域，边缘计算的贡献更加重要。如果说云端相当于人类的大脑，那么边缘计算就犹如人类的末梢神经，能够对简单的刺激进行自处理，并将处理的讯息反馈给大脑。
专精于智能交通系统整合的全徽道安，在国内的指标性案例有雪山隧道、八卦山隧道等地所建置的事件侦测系统。全徽道安现也已针对路口碰撞、闯红灯等路况开发预警系统，能提前侦测各种异常路况并警示，提醒驾驶人避免追撞。
诸如此种与人命安全相关的智慧应用，对于延迟性的要求必须小于10毫秒，但业者观察，以目前端到端的网络传输延迟来看，几乎难以符合此要求。因此在低延迟的严格要求下，智能交通对于边缘计算的需求也具有相当高的发展性。
此外，未来我们在智能交通的应用上将会开始导入如车辆、车流辨识以及影像辨识等技术以进行智慧化的交通管控，但在分秒必争的当下也很难确保网络传输是否正常，当边缘计算允许终端装置在未连网的情况下，也能根据已建立好的分析模型自处理时，便可达到实时的交通流量管控。
而在此种情况下亦可达到两种效果，一是透过自处理达到实时反馈，确保路面交通时刻正常的运行，二则是将长期累积的数据数据再后抛至云端，进行更长远的路况大数据分析。在云端与边缘系统各取优势的的情况下，将产生双重效益。
当边缘装置开始接手云端平台的部分功能后，过去一段时间，“边缘计算会终结云端计算”的说法也被热烈讨论着。不过目前多数看法则是认为，被终结的可能只是“纯云端”时代，未来云端仍会扮演一定重要的角色跟边缘计算相辅相成，甚至当边缘装置越来越聪明时，云端就会扮演集中式协调管理的角色，而边缘端则成为分散节点上的「小兵」。
梁汇华进一步分析，至少就人工智能(AI)的发展进程上来看，仍少不了云端的助力。由于AI在训练建模阶段的计算量极大，现阶段终端装置几乎无法负荷大数据的计算效能，因此绝大部分的AI还是会在云端先行完成，再下放至终端运行。
台湾施耐德(Schneider)工业自动化事业部总经理孙志强指出，就云端与边缘的数据类型与其所负责的「任务」，认为不论是云端或是边缘端，都是不会被取而代之的。
举例来说，水处理厂中的水量不定时在变化，此时根据流量需求就可以透过边缘控制判断帮浦运行需要加快还是放缓，因此在这个例子中，边缘控制器是根据「实时」数据快速判断，反应时间仅在几秒或毫秒内，且反馈的动作也是用于「现况」。
而云端则可能是透过经年累月的大数据，分析人类可能无法察觉的异常情况，找出潜在问题或是可改善的空间。简单的说，就是更长远的分析。「云端与边缘所看重的数据与时间点是不一样的。」孙自强认为，虽然有些边缘端可取代云端执行某些功能，但诸如大数据分析则依然会要求在云端的环境下操作。
营业执照公示信息