在整體物聯(lián)網(wǎng)領(lǐng)域中所包含的終端技術(shù)非常多且復(fù)雜，因此并沒有單一的芯片或裝置技術(shù)能夠含括整個物聯(lián)網(wǎng)領(lǐng)域的需求，顯示這是一個集眾多技術(shù)、服務(wù)以及市場在一身的龐大科技領(lǐng)域。所有這些均連結(jié)至互聯(lián)網(wǎng)，未來隨著物聯(lián)網(wǎng)定義的持續(xù)演進(jìn)，物聯(lián)網(wǎng)架構(gòu)設(shè)計也將持續(xù)見到演進(jìn)及變革。
智能家居等物聯(lián)網(wǎng)終端應(yīng)用領(lǐng)域，成為一龐大資料搜集區(qū)塊
據(jù)SemiEngineering網(wǎng)站報導(dǎo)，物聯(lián)網(wǎng)領(lǐng)域與移動裝置領(lǐng)域或其他科技應(yīng)用領(lǐng)域不同的是，移動裝置等領(lǐng)域更適合于單一特定應(yīng)用并重復(fù)使用之，物聯(lián)網(wǎng)領(lǐng)域則有更多的一般目的版本，在部分情況下將會進(jìn)行具體的設(shè)計，并試圖針對其他市場領(lǐng)域再度運用。由于物聯(lián)網(wǎng)領(lǐng)域更加廣泛、規(guī)模也持續(xù)在增加，因此未來將可見到針對特殊應(yīng)用的更多特殊設(shè)計問世。
為了描述出一個完整的物聯(lián)網(wǎng)體系，將需要建構(gòu)一個三層的架構(gòu)，其一包含服務(wù)器與云端零組件、其二為介于物聯(lián)網(wǎng)邊緣裝置(edgedevice)與云端之間的網(wǎng)關(guān)零組件，其三則是作為真實世界與網(wǎng)絡(luò)之間鏈接的物聯(lián)網(wǎng)邊緣裝置，此即各類終端物聯(lián)網(wǎng)產(chǎn)品，如智能家居產(chǎn)品線等。
雖然上述過程看似有其邏輯性，不過在物聯(lián)網(wǎng)邊緣裝置方面，許多情況下卻是由效能較差的傳感器來搜集數(shù)據(jù)，再傳送這些資料至云端供進(jìn)行分析處理，有時候甚至傳送速度太慢以至于無法將全數(shù)數(shù)據(jù)上傳云端，這便形成了為物聯(lián)網(wǎng)設(shè)計芯片或傳感器時變得非常困擾的情況。
一方面這些物聯(lián)網(wǎng)邊緣裝置成本不能太高，但在部分物聯(lián)網(wǎng)市場又需要這些裝置不僅具可靠性又必須安全，且還必須符合大量標(biāo)準(zhǔn)規(guī)范，如在汽車領(lǐng)域還必須符合諸如ISO26262等多項標(biāo)準(zhǔn)、在工業(yè)物聯(lián)網(wǎng)(IIoT)領(lǐng)域符合OMAC及OPC等工業(yè)標(biāo)準(zhǔn)等，這些都為物聯(lián)網(wǎng)裝置在正式問世前增加許多成本及時間。
特別是在移動電子領(lǐng)域，這些物聯(lián)網(wǎng)系統(tǒng)設(shè)計上還需要非常省電及延長電池續(xù)航力，這就需要復(fù)雜的電源管理技術(shù)，如此也將進(jìn)一步提高成本及復(fù)雜性，更不用提這些裝置需要具備足夠的效能完成任務(wù)。
為了在降低成本且維持效能情況下開發(fā)適合物聯(lián)網(wǎng)邊緣裝置搭載的芯片及傳感器等零組件，運用摩爾定律(Moore’sLaw)將微處理器持續(xù)微縮，如將物聯(lián)網(wǎng)芯片從現(xiàn)行55納米及40納米技術(shù)水準(zhǔn)，提升至40納米及28納米水平，將有助于降低成本。
若要提升安全性，芯片設(shè)計也必須改進(jìn)至采用32位；另如將多個傳感器封裝至單一叢集以創(chuàng)造規(guī)模經(jīng)濟(jì)，也是一個能夠降低成本的方式。畢竟這些邊緣裝置必須針對各日常生活應(yīng)用領(lǐng)域客制化設(shè)計與打造，存有各式復(fù)雜的設(shè)計要求，甚至有時存在著高量產(chǎn)需求，因此壓低成本將有其幫助。
隨著邊緣裝置搜集到更多數(shù)據(jù)，網(wǎng)關(guān)會無法負(fù)荷將如此大量數(shù)據(jù)都傳送至云端、再由云端進(jìn)行分析處理的任務(wù)，這也因此對中階運算平臺形成需求性，這類平臺適合介于云端與邊緣裝置之間，可成為智能或簡單的網(wǎng)關(guān)、或是作為邊緣服務(wù)器等。
此外，讓邊緣裝置導(dǎo)入人工智能(AI)芯片直接就近處理大量數(shù)據(jù)、無需再上傳數(shù)據(jù)至云端，也是解決此一問題的辦法之一，前提是要開發(fā)出具足夠處理分析能力的AI芯片。云端接收到的邊緣裝置搜集數(shù)據(jù)往往不一致且龐大，這類資料可能在AI上作為模式識別的一部分，或只能進(jìn)行不適合于量子化學(xué)軟件Gaussian分布的像差篩選。
為解決此問題，芯片制造商與系統(tǒng)業(yè)者開始為邏輯與傳輸量設(shè)計全新的架構(gòu)，在同樣情況下將部分處理過程轉(zhuǎn)移至網(wǎng)絡(luò)中，或甚至導(dǎo)入各類型內(nèi)存。