“终端”当前涵盖的意义远远超过了传统意义的client，已扩展到任何“近场”端的实体，包括常见的消费电子类产品、视频监控设备、物联系统设备、车联系统模组等各种形态的通信或者功能实体。网络和终端在目前在通讯不断演进和应用不断涌现的发展趋势下，已经逐渐脱离了传统的二元体系，有的网络功能在下沉，而终端的部分功能逐步也在上移。我们可以看到，在某些特定场景，终端侧具有丰富而强大的计算存储能力，对网络功能的需求相应减弱。在另外的一些场景下，网络侧也具备了高效的算力和极佳的弹性，特定功能对终端要求反倒降低。
胖终端、瘦终端的定义
典型的计算机通信系统一般采用服务器-客户端(Server-Client)的体系架构，在传统的PC时代，电脑往往作为一个客户端存在，这种客户端作为具备较多本地存储和计算能力的设备，常被称为Fat Client(Rich /Thick Client);相对应的，如果设备配置比较单薄，主要是显示和低算力功能的客户端实体，则称为Thin Client。
实际上， “终端”当前涵盖的意义远远超过了传统意义的client，已扩展到任何“近场”端的实体，包括常见的消费电子类产品、视频监控设备、物联系统设备、车联系统模组等各种形态的通信或者功能实体。
▲Pixabay
而胖瘦“终端”并没有标准的定义解释。回归到本质，其差异主要来源于硬件和应用两部分：
胖终端：举个较极端的例子，胖终端设备具备自己的硬盘、RAM、控制计算单元，通过安装full-fledged OS可以跑计算和存储程序，乃至于具备近场的AI算力，具有完整的运算能力。这种设备对于网络的需求是获取连接、数据和服务，按需请求即可。
瘦终端：而另一个极端的例子则是，一个终端只具备最基础的硬件设施和轻量级的light OS，其所有的功能都必须通过联网/云端实现，终端本身通常只具备基础的显示或者初级的计算存储功能。
简单的比较如下：
胖瘦终端和边缘的融合场景
乔布斯最早提出过胖网络(云服务)+胖终端(Rich Client)的理念：通过引入云服务将部分算力上移，将功能实体拆分为更小的服务，通过多服务器强大的搜索和分析能力，将最终需要的结果推送至终端，例如Siri服务。而另一层面，Apple也通过芯片的迭代、端侧应用的强大不断提升本机的计算和通信能力。
而随着云端的强大，网络速度的提升，瘦终端也有了越来越多的应用。在现实中，瘦终端、胖终端都有大量使用实例。
比如最近火热的云游戏，将AR/VR的渲染放置云端，大大降低了终端的复杂度。再例如家庭用某盒子，本地廉价终端只保留必需硬件，所有计算和存储服务全部上云。这些典型的瘦终端通过将算力上移，降低了硬件购买门槛，释放了强大的终端购买力。
而在某些To B场景中，如智能监控等，将摄像头额外叠加AI算力形成“胖终端”，通过外设将图像识别置于本地，一方面降低时延，一方面减轻了对于网络连接和容量的需求。另外一个有意思的例子是家用NAS(Network Attached Storage)服务器，它可以提供文件服务器同步、数据备份、多媒体中心等功能，从家庭角度相当于一个家用私有边缘云。但是另一方面从对外的连接来讲，家用NAS服务器又相当于一个胖终端，完成和外界的网络连接，但是存储和计算都在本地完成。
实际上，胖瘦终端的应用场景十分泛化，可以根据需求部署介于两种极端情况的中间态。随着边缘计算在传统CDN业务的基础上的继续泛化衍生，将会在传统云业务和终端之间架起了一条缓冲道，同时提供了连接的能力，成为了终端和网络功能灵活汇集的重要一环。这就形成了胖/瘦终端、胖/瘦网络以及边缘层，其实质是算力、存储、应用能力在整个通信链路的重新灵活分配。
越来越多的应用场景模糊了终端、边缘和网络的概念以及边界。从实用价值角度出发，未来还将不断出现适合每种场景的融合方案。
边缘AI现状：落地因素复杂多元
胖瘦终端的应用很大程度上是跟随AI技术的应用逐步普及开来的，而边缘(网络边缘和设备边缘)AI在落地过程中也有诸多现实因素需要考虑：
云端AI成本高企，前端设备复杂多样。AI运算要求的算子算力极高，往往云端设备成本本身就是问题。而在终端侧，如果要对于存量设备进行AI改造，也将面临不同的设备类型、已有的方案架构不同等多种问题，导致难以有统一框架来解决。
云端训练和终端推理之间需要密切的交互。往往AI训练的过程需要大量的数据计算，所以主要在云端完成。随着终端能力的强大，部分算力的下沉使得终端推理可以将本地得到的结果快速反馈，从而进一步调优模型。针对不同的既有网络和云端，不同的AI解决方案均需要具备一定的适配和迁移能力。
无论对于胖瘦终端还是边缘网络，连接的能力必不可少。这个“连接”的涵义广泛，可以是无线连接，同样也可以是有线接入。不同场景中，对于连接的需求大相径庭，如工业场景要求高可靠低时延，传统的WiFi很难达到，5G就成为不二选择。所以，如何融合连接和计算，在对客户提供解决方案时，将终端、连接、边缘网络和AI本身的算力需求匹配，也是关键点。
产业趋势：算力在网络中的泛在和灵活部署
试想一个可能场景：身边都是屏幕、摄像头、传感器的世界，信息的流动渗透到生活的方方面面，算力的普及也随着泛在连接分布到了各个功能实体。
当你走到一个饭店中，桌面就是菜单屏幕，主动和网络发生连接将你的需求告知后厨，后台根据旁置的摄像头进行人脸识别追踪调取出过往的喜好，主动推送当日折扣……
当你走进图书馆需要查阅资料时，数字化书籍以AR的方式打开，并根据你的过往学习工作经历主动分类……
工厂中机械臂飞舞，流水线上实时将各个传感器收集的数据分析整合，及时根据需求调优流程和产量，分层决策在各个环节都在实时产生……
上述高科技高智能的场景背后是无数分布在云端、边缘及终端的复杂运算及交互，涉及各类胖瘦终端、连接和云方案。这些方案的设计本质上就是要解决一个问题——分配好终端和云端分别需要完成的任务。这个分配工作不只是会影响各个关联方的利益(比如手机厂商肯定不想被云化)，而且应用程序、AI等本身的安全性、健壮性，以及后期升级、移植灵活度都要被考虑在内，方案的多样性和复杂性是必然趋势。
AI算力在全链路分配
AI无论应用于消费还是行业场景，其未来的算力是多点协同性质的。这就要求针对不同的问题场景提供不同的解决方案，这些方案需要能够解决针对异构的适配能力和迁移能力，以便更好地利旧和未来的前向兼容。
计算和存储比连接更有价值
连接永远是终端和网络的桥梁，当连接越来越多、连接越来越长期在线，大量的连接提供数传通路的同时，其附加价值的重点在计算。往往在边缘侧，重点是计算，所以如何做好便宜的连接和强大的计算融合，是解决方案的关键点。
无处不在的神经元
为网络和终端提供连接另外一个必须的条件是，这个连接要“触及机体全身”，在实际中就是对边缘网络的可达性提出了较高的要求。网络和终端的胖瘦根据场景可伸缩，那么中间边缘层次也同样应当具备各种等级的触角，才可以完成整个全链路的资源合理分配。
新型的服务方式
新型的服务方式有两个层面涵义，一种是多种功能的集合终端，另外一种是对于网络新模式的探索。
如在终端侧集成摄像头和毫米波雷达，通过两方面数据的整合对于成像、大范围移动物体的监控取得更好地效果。
对于网络设施，器件通用化浪潮的到来促使边缘网络也可以尝试更为灵活的运营方式，如伸缩带宽、租用服务等。
