云計算和物聯網的結合，能夠強化后端平臺實現“中樞智能”的能力，但在單一集中智能模式下，如果終端和某個集中的后端平臺通過廣域網絡連接，網絡傳輸導致的傳輸時延和海量終端導致的分析處理時延都是不容忽視的。一旦終端數量越來越多，數據量將越來越大，數據傳送頻率越來越高，后端平臺的處理時間將變得越來越長，響應速度會變得越來越慢，影響部分時延敏感的物聯網應用的實施效果。此外，頻繁交互的海量數據也會占用、進而競爭網絡的帶寬，尤其是無線接入網絡的帶寬，從而影響整個物聯網應用的運行效率。

　　在實施基于云計算技術的集中智能的同時，也要在感知層充分依賴基于邊緣計算的邊緣智能。所謂邊緣計算，是指區別于后端集中智能的、分布于物聯網邊緣節點的智能計算能力，往往分布于感知延伸層的終端單元內。通過邊緣計算，將部分智能處理功能分布到這些終端單元，感知到的數據首先在這些單元進行預處理，然后根據預設的邏輯將結果上傳到后端平臺進行后續的分析處理。下面以幾個案例進行說明。

　　1、溫/濕度信息的采集處理

　　下圖中，直接將采集到的原始溫度數據通過模/數轉換后，傳送到后端平臺進行處理；感知延伸層的終端節點采集了溫度、風速和濕度等多個指標后，經過本地的運算處理，在滿足預先設定的某種條件后，發出“風暴”預警信號。

　　2、全球眼客流識別系統

　　中國電信基于全球眼平臺推出的客流密度分析系統，結合人體識別和越界分析技術，對出入口區域的人和車輛進行自動計數，實現對區域的出入總量，以及實時人和車輛數量的準確分析，這種智能分析能力是在對采集到的視頻圖像進行算法處理后獲得的。在實現方式上，上述算法的處理功能在采集點附近的特殊終端完成，終端只需要定期把分析得到的結果傳送到后端平臺即可。

　　此外，很多應用場景下，信息的采集、處理和反饋往往是在本地完成的。在智能家居場景下，室內的各種設備之間的互動在本地就能夠完成；車聯網場景下，汽車與汽車（V2V）之間、汽車與設施之間（V2H）的信息互動，對于車輛來說，也是在本地就可以完成的。對于這些場景，邊緣計算是一個必然的選擇。

　　中國科學院相關專家提出了“海計算”這個概念，認為感知信息的預處理、判斷和決策等往往在當前場景下的前端單元完成，需要大運算量的計算才通過“云端”的數據中心處理，只有這樣，才能節省通信帶寬、存儲空間，滿足實時性的交互處理，以及物聯網的大規模擴展性要求。

　　物聯網應用的復雜性，往往會導致智能分布選擇不同的模式。在后端平臺，以及邊緣的網關和終端都可能分布智能處理邏輯，如圖下圖，這取決于物聯網的應用類型。

　　·對于以采集原始數據為目標的應用，邊緣節點智能處理可能很少，絕大部分的數據都要匯總傳遞到集中的后端平臺，智能處理主要集中于后端平臺。

　　·對于監控類的應用，原始信息本身往往不是關注的重點，系統關注的是原始信息的變化是否達到門限，或者是多項原始信息的組合判斷的結果。這種情況下，邊緣節點往往會增加相應的智能處理邏輯，和后端平臺一起協作完成全程智能處理。

　　·對于本地互動控制功能較多的應用，邊緣節點上用于本地互動控制的智能處理邏輯可以和后端平臺無關，這種情況下，邊緣節點也有大量的本地智能處理邏輯。

　　總體來看，物聯網應用中的智能處理邏輯可以分布在從終端到后端集中平臺之間的多個單元上，如何分布取決于物聯網的應用類型。一個極端的例子是，邊緣節點可以演變為智能節點，智能處理邏輯主要分布在這些智能節點上，通過薄薄的一層中間平臺，這些智能節點提供的信息或服務供不同應用或用戶進行訪問。進一步說，這是另一種形式的云計算，即讓很多處理能力一般的、分布于不同位置的智能節點完成主要的計算處理工作，通過一個中間平臺為用戶提供服務，如下圖，如同 Google的搜索服務，讓很多低成本、不同位置的PC共同完成一個搜索任務。