边缘计算是一种将计算和数据存储从中心云端推向网络边缘的技术。​
边缘计算具有低时延、减少网络带宽压力和数据隐私保护等特点。在一些对实时性要求极高的应用场景中，如智能工厂的设备控制、自动驾驶汽车的决策，数据在本地边缘节点进行处理，无需上传到云端，大大降低了时延。同时，大量数据在边缘处理，减少了向云端传输的数据量，缓解了网络带宽压力。并且，对于一些敏感数据，在边缘处理可避免数据在网络传输过程中的泄露风险，保护数据隐私。​
在智能安防领域，边缘计算设备可实时分析摄像头采集的视频数据，进行人脸识别、行为分析等操作，一旦发现异常立即报警，无需将大量视频数据上传到云端。假设使用 OpenCV 库在边缘设备上进行简单的运动物体检测（Python）：

import cv2

cap = cv2.VideoCapture(0)
ret, frame1 = cap.read()
prvs = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)
hsv = np.zeros_like(frame1)
hsv[..., 1] = 255

while True:
    ret, frame2 = cap.read()
    next = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)
    flow = cv2.calcOpticalFlowFarneback(prvs, next, None, 0.5, 3, 15, 3, 5, 1.2, 0)
    mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])
    hsv[..., 0] = ang * 180 / np.pi / 2
    hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)
    bgr = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
    cv2.imshow('Motion Detection', bgr)
    k = cv2.waitKey(30) & 0xff
    if k == 27:
        break
    prvs = next

cap.release()
cv2.destroyAllWindows()

在零售行业，部署在门店的边缘计算设备可对顾客流量、商品陈列效果等数据进行实时分析，帮助商家优化店铺运营策略。​
边缘计算与云计算并非相互替代，而是相辅相成。简单、实时性要求高的任务在边缘处理，复杂、需要大规模计算资源的任务则交给云端。随着物联网设备的不断增加，边缘计算的应用前景将更加广阔，推动各行业智能化升级。