我们假设这一切都会发生在边缘。过程会是这样的：

1．传感器数据收集在边缘

2．传感器融合在边缘

3．虚拟世界模型更新在边缘

4．AI决策规划在边缘确定

5．AI在边缘发布汽车控制命令

6．自动驾驶在边缘执行汽车控制命令

如果把云端加进来，作为一个非实时合作者，这意味着云会被告知正在发生的事情，但不会进行与自驾车有关的控制：

1．在边缘传感器数据收集

将数据发送到云端，但不要等待云端

2．传感器融合在边缘

将传感器融合结果发送到云端，但不要等待云端

3．虚拟世界模型更新在边缘

将虚拟世界模型发送到云端，但不要等待云端

4．人工智能行动计划在边缘确定

将AI行动计划发送到云端，但不要等待云端

5．AI在边缘发布汽车控制命令

将AI发布的汽车控制命令发送到云端，但不要等待云端

6．自驾车控制执行命令

从云端获取更新并在可行时更新边缘

我们将边缘信息传输到云端。这也可以在上述循环结束时完成，而不是尝试交错。

如果决定将云端控制放在这些步骤中，可能看起来是这样：

在边缘传感器数据收集

将数据发送到云端，等待云端

传感器融合在云端

虚拟世界模型更新在云端

AI在云中确定的行动计划

AI通过云发布汽车控制命令

等到收到云端车辆控制命令

自驾车执行汽车控制命令

在这种边缘云模型中，自动驾驶汽车几乎是一辆“哑巴”汽车，并没有通过自己处理很多事情。如前所述，这里所关心的是通信是否足够可靠，只有做到一致性且足够快才能满足需要做的事情。云本身可能有一些地球上最快的计算机，但最终是网络通信可能会破坏这种巨大的处理能力。

使用云的价值之一是能够利用我们在云中可以拥有的大得多的处理和内存容量，而不是我们已经加载到自动驾驶汽车上的容量。例如，当进行图像分析时，最好在边缘完成，而在云端进行大规模学习，其中有成千上万的自动驾驶驾驶的汽车图像，它可能比处在边缘处理器上的一些较小的神经网络更好地进行图像分析。

因此，精心设计的自动驾驶汽车能够在边缘拥有所需的自主权，并在适当的时候利用云。例如，当汽车停放或未被使用时，我们可能会让自动驾驶汽车AI在可用的情况下从云端获取更新信息。还可以通过利用来自云的大规模神经网络学习来增强局部边缘的神经网络。

有些人认为我们也需要雾计算

雾计算是边缘计算和云计算之间的中间地带。像一种中介计算，来充当边缘和云之间的中介。这可能意味着我们会在公路上安装计算机服务器，这些系统可以更快速，更可靠地与在高速公路上呼啸而过的自行驾驶汽车进行通信，而不会与云本身进行通信。因此，您大概会得到类似云的功能，不会像真正的云那样具有相同类型的延迟和问题。这需要增加大量的基础设施，而这些基础设施在初始设置和保持维护时往往都很昂贵。

在许多雾计算应用中，来自端点设备或者直接附接到简单的类服务器计算机（有时称为“网关”）的传感器数据会受到该网关的作用而触发某些动作，或者执行某些类型的任务。 之后，数据被传送到链条上更强大的服务器。这些服务器通常在云端进行更高级的数据分析。

前沿边缘计算设备的一个最好例子是联网自动（或甚至半自动）汽车。得益于大量的传感器数据以及关键的本地处理能力，再加上连接到云端更先进数据分析工具的需求，自动驾驶汽车成为了前沿边缘计算的典范。

尽管我们会怀念一切计算都发生在本地的简单日子，或者怀念一切任务都在远程数据中心完成的纯粹的云端世界，但可能今天的高级应用，需要更复杂的混合设计。打造基于云的基础设施和基于云的软件工具是计算进化的关键一环。显然，即将发生的最有趣且令人兴奋的进展将会把前沿计算推向边缘侧。