Es gibt eine Erzählung in der Technologie, die Zentralisierung voraussetzt: Daten wandern in die Cloud, dort findet die Berechnung statt, Ergebnisse kommen zurück. Für Cloud-Computing-Unternehmen ist diese Erzählung bequem. Für Unternehmen, die tatsächlich KI-Systeme aufbauen, die zuverlässig, schnell und sicher in realen Umgebungen funktionieren müssen, wird diese Erzählung zunehmend einschränkend.
Edge Computing – die Verlagerung der Rechenkapazität näher an den Ort, an dem Daten generiert werden und an dem Entscheidungen getroffen werden müssen – ist nicht neu. Was neu ist, ist seine Dringlichkeit. Die Kombination aus Echtzeit-KI-Anforderungen, Datenschutzvorschriften, Netzwerkbandbreitenbeschränkungen und der aufkommenden Komplexität von IoT und autonomen Systemen macht Edge Computing nicht zu einer Nischenarchitekturentscheidung, sondern zu einer zentralen Anforderung für ganze Anwendungskategorien.
Ich habe diesen Wandel durch NexaTech Ventures genau beobachtet, da er einen der bedeutendsten architektonischen Übergänge in der Technologieinfrastruktur seit dem Wechsel zum Cloud-Computing selbst darstellt.
Wo Cloud-Architektur versagt
Cloud-Computing wurde auf einer Annahme aufgebaut, die sich in den ersten zwei Jahrzehnten des Internets als richtig erwies: Es ist günstiger, Daten zu zentralen Rechenressourcen zu transportieren, als die Berechnung über das Netzwerk zu verteilen. Für die meisten Webanwendungen – Suche, soziale Medien, E-Commerce – gilt dies nach wie vor. Aber für eine wachsende Anzahl von Anwendungen bricht diese Annahme zusammen.
Betrachten Sie autonome Fahrzeuge. Ein selbstfahrendes Auto trifft sicherheitskritische Entscheidungen in Millisekunden auf der Grundlage von Sensordaten. Das Senden von Rohdaten an einen entfernten Cloud-Dienst, das Warten auf eine Antwort und das Empfangen der Entscheidung ist nicht nur ineffizient; es ist grundsätzlich nicht praktikabel. Die Latenz ist inakzeptabel und die Zuverlässigkeitsanforderung kann nicht erfüllt werden. Die Berechnung muss am Fahrzeug selbst, in Echtzeit, unter Verwendung lokaler Verarbeitung erfolgen.
Oder betrachten Sie datenschutzregulierte Anwendungen im Gesundheitswesen oder in Finanzdienstleistungen. DSGVO und ähnliche Vorschriften verlangen zunehmend, dass sensible personenbezogene Daten in bestimmten Rechtsräumen und unter bestimmten Sicherheitskontrollen verarbeitet werden. Das Streaming von medizinischen Daten oder Finanztransaktionsdetails an einen Cloud-Dienst in einem anderen Land, selbst für legitime Analysen, schafft Compliance-Komplikationen, die die zentralisierte Verarbeitung rechtlich und operativ riskant machen.
Oder betrachten Sie die Fertigung auf der Werkstatt. Eine Produktionsanlage, die Terabytes an Sensordaten von Produktionsausrüstung generiert, kann nicht realistischerweise alles an einen Cloud-Dienst zur Analyse streamen. Die Bandbreitenkosten sind unerschwinglich, die Latenz für Echtzeit-Prozessanpassungen ist inakzeptabel und das operative Resilienzrisiko ist zu hoch. Die Berechnung muss lokal erfolgen.
Dies sind keine Randfälle. Dies sind Kernkategorien aufkommender Anwendungen. Und Cloud-Computing-Architektur ist konstruktionsbedingt für alle schlecht geeignet.
Die erforderliche technische Verschiebung
Edge-KI erfordert eine andere technische Architektur als cloud-basierte KI. Die Machine-Learning-Modelle müssen kleiner, effizienter und für ressourcenbeschränkte Geräte optimiert sein. Die Inferenz-Pipelines müssen robust gegenüber intermittierender Netzwerkkonnektivität sein. Das Sicherheitsmodell muss für verteilte Systeme funktionieren und nicht für zentralisierte Rechenzentren. Die Update- und Versionierungsmechanismen müssen Änderungen effizient und sicher auf Tausende oder Millionen von Edge-Geräten übertragen.
Dies sind schwierige Probleme, und sie erfordern andere Ansätze als die Cloud-KI-Entwicklung. Die Unternehmen, die sie lösen, sind keine Cloud-Computing-Unternehmen; es sind neue Unternehmen, die edge-optimierte KI-Infrastruktur aufbauen.
Mehrere technische Trends konvergieren, um diesen Übergang möglich zu machen. Modellkomprimierungs- und Quantisierungstechniken verbessern sich rasch und ermöglichen es anspruchsvollen KI-Modellen, auf Edge-Geräten mit einem Bruchteil der Rechenressourcen zu laufen. Spezialisierte Hardware – TPUs, NPUs und andere KI-Beschleuniger – wird in Edge-Geräten verfügbar und bietet die notwendige Rechenleistung. Offene Standards für Edge-Bereitstellung entstehen und durchbrechen die Bindung an proprietäre Plattformen.
Bei NexaTech Ventures unterstützen wir Unternehmen in drei Kategorien innerhalb der Edge-KI-Infrastruktur. Erstens Modelloptimierungs- und Bereitstellungsplattformen, die große KI-Modelle nehmen und sie für die Edge-Ausführung komprimieren. Zweitens Edge-Inferenz-Engines, die für Low-Latency-, verteilte Ausführung optimiert sind. Drittens Edge-Orchestrierungssysteme, die die Bereitstellung, Updates und Überwachung von KI-Workloads über verteilte Edge-Infrastruktur verwalten.
Wo Europa positioniert ist
Europas Infrastrukturvorteil im Edge Computing ist subtil, aber real. Der Kontinent hat stark in Telekommunikationsinfrastruktur und 5G-Bereitstellung investiert, was die Netzwerkkapazität und Low-Latency-Konnektivität bietet, die für Edge Computing notwendig sind. Europäische Datenschutzvorschriften sind alles andere als ein Nachteil und treiben die Nachfrage nach Edge-Computing-Lösungen an, die sensible Daten lokal halten.
Noch wichtiger ist, dass europäische Fertigungs-, Automobil- und Industriesektoren echte Nachfrage nach Edge-KI treiben. Deutsche Automobilunternehmen benötigen Edge-KI für autonome Fahrzeuge. Italienische Hersteller benötigen Edge-Computing für Präzisionsfertigung. Niederländische Landwirtschaft benötigt Edge-KI für Präzisionslandwirtschaftssysteme. Dies schafft einen positiven Kreislauf, bei dem Nachfrage Investitionen in Edge-KI-Infrastruktur antreibt, was Talente und Kapital anzieht, was die Fähigkeit der Technologie verbessert, was weitere Akzeptanz vorantreibt.
Die amerikanische Edge-Computing-Erzählung wird derzeit von Cloud-Unternehmen dominiert, die versuchen, ihre Plattformen auf die Edge auszudehnen. AWS, Google Cloud und Azure bieten alle Edge-Dienste an. Aber dies sind im Wesentlichen cloud-zentrische Architekturen mit angehängter Edge. Die transformative Edge-KI-Architektur wird von Unternehmen aufgebaut, die mit der Annahme beginnen, dass Berechnung an der Edge stattfindet und Cloud die Ausnahme ist, nicht die Regel.
Das Investment Case
Edge Computing und Edge-KI stellen einen strukturellen Wandel dar, wie Software bereitgestellt und ausgeführt wird. Es ist kein vorübergehender Trend oder Nischenmarkt. Es ist ein grundlegender architektonischer Übergang, der von realen technischen Anforderungen angetrieben wird, die Cloud-Computing nicht erfüllen kann.
Die Investitionsmöglichkeit liegt in mehreren Schichten. Auf der Infrastrukturebene schaffen Unternehmen, die edge-optimierte KI-Plattformen und Bereitstellungstools aufbauen, dauerhaften Wettbewerbsvorteil. Auf der Anwendungsebene werden Unternehmen, die ihre Software für Edge-Ausführung umstrukturieren – autonome Fahrzeuge, Industriesysteme, Gesundheitsgeräte – Leistungs- und Zuverlässigkeitsvorteile erzielen, die schwer zu verdrängen sein werden.
Bei NexaTech Ventures suchen wir nach Edge-KI-Unternehmen, die sowohl die technischen Anforderungen als auch die operativen Herausforderungen verstehen. Die besten Unternehmen optimieren nicht nur Algorithmen; sie bauen vollständige Systeme für Edge-Bereitstellung auf, einschließlich Überwachung, Sicherheit, Update-Management und operativer Unterstützung.
Der Wechsel von zentralisierter Cloud zu verteiltem Edge Computing stellt den bedeutendsten Infrastrukturübergang in der Technologie seit der Migration zur Cloud dar. Die Unternehmen, die sich früh in diesem Übergang positionieren, werden substanzielle und verteidigungsfähige Geschäfte aufbauen.
Scott Dylan ist der Gründer von NexaTech Ventures. Er schreibt über Technologieinfrastruktur, KI und Deep-Tech-Investitionen. Lesen Sie mehr auf scottdylan.com.
