Similar concepts can work on other

Similar concepts can work on other sorts of systems. State estimators using computable mathematical models of systems can compute the position of a motor shaft from readily-accessible motor winding currents and voltages, or the state of a chemical reaction from external observations. In general, there appears to be a growing trend to favour a small number of remote sensors—often cameras—supported by computing resources, rather than a swarm of simple sensors with their attendant power, connectivity, reliability, and security issues.

That changes everything
The idea of substituting heavy computing algorithms—such as convolutional neural networks or Kalman filters—for clouds of simple sensors has obvious advantages. But it creates problems, too. Designers seem to face a dilemma. Do they preserve the spirit of virtualization by moving the raw data—potentially multiple streams of 4K video—up to the cloud for analysis? Or do they design-in substantial computing power close to the sensors? Both approaches have their challenges and their advocates.

Putting the computing in the cloud has obvious arguments in its favour. You can have as much computing power as you want. If you wish to experiment with big-data algorithms, you can have almost infinite storage. And you only pay for roughly what you use. But there are three categories of challenges: security, latency, and bandwidth.

If your algorithm is highly intolerant of latency, you have no choice but to rely on local computing. But if you can tolerate some latency between sensor input and system response, the question becomes how much, and with how much variation. For example, some control algorithms can accommodate significant latency in the loop, but only if that latency is nearly constant. These issues are obviously not a concern when the amount of data moving to the cloud is small and time is not critical. But if a system design requires moving real-time 4K video from multiple cameras to the cloud, the limitations of the Internet become an issue.

結果 (中文) 1:

类似的概念可以在其他系统的各种工作。利用可计算的数学模型，系统的状态估计可以计算从易电机绕组电流和电压或化学反应从外部观察状态的电机轴的位置。一般情况下，似乎那里越来越多的趋势，有利于远程传感器的小数目 — — 经常照相机 — — 支持的计算资源，而不是简单的传感器，其助理的权力、 连通性、 可靠性和安全问题的一群。这会改变一切替代重计算算法的想法 — — 如卷积神经网络或卡尔曼滤波器 — — 对于云的简单的传感器具有明显的优势。但它也引起问题。设计师们似乎面临两难的困境。他们做通过移动原始数据保留的虚拟化精神 — — 可能多个流的 4k 视频 — — 向那片云飞分析吗？或做他们设计中大量的计算能力接近传感器？两种方法都有其挑战和他们的支持。放在云计算已明显参数对其有利。只要你想，你可以有作为多的计算能力。如果你想与大数据算法实验，你可以有几乎无限的存储。你只需支付大约是你用了什么。但有三种类别的挑战 ︰ 安全、 延迟和带宽。如果您的算法是非常不能容忍的延迟，你有没有选择，只好依靠本地计算。但如果你能容忍一些传感器输入和系统响应之间的延迟，问题变成了多少，以及有多少变化。例如，一些控制算法可以容纳明显的延迟，在循环中，但只有如果该延迟是几乎保持不变。这些问题显然并不关注当迁移到云中的数据量小，时间并不重要。但如果系统设计要求将实时 4k 视频从多个摄像机移到云计算，互联网的限制成为一个问题。

結果 (中文) 3:

类似的概念可以在其他类型的系统中工作。使用可计算的数学模型的系统状态估计可以计算一个电机轴的位置，从容易接近的电机绕组电流和电压，或从外部观测的化学反应的状态。在一般情况下，似乎是一个增长的趋势，有利于少数的远程传感器通常由计算机资源的支持，而不是一大群简单的传感器，其随之而来的权力，连接，可靠性和安全性问题。改变一切用重计算算法，如卷积神经网络或卡尔曼滤波器的简单传感器的卡尔曼滤波器的想法有明显的优势。但它也带来了问题。设计师似乎面临着两难境地。他们把原始数据可能多流4K视频到云分析保存虚拟化的精神吗？或者他们设计的大量的计算能力接近传感器？这两种方法都有他们的挑战和他们的主张。云计算在云计算中有明显的优势。你可以有尽可能多的计算能力，你想要的。如果你希望用大数据算法来试验，你可以拥有几乎无限的存储空间。你只需支付大约你所使用的。但有三类挑战：安全性，延迟和带宽。如果您的算法是高度不容忍的延迟，您没有选择，但依靠本地计算。但是，如果你能容忍传感器输入和系统响应之间的一些延迟，问题就变成了多少，以及多少变化。例如，一些控制算法可以容纳显着的延迟，在循环中，但只有当延迟是几乎恒定的。这些问题显然不是一个问题，当数据移动到云中的数据量小，时间是不关键。但是，如果一个系统设计需要移动实时4K视频从多个摄像机的云，互联网的局限性成为一个问题。