随着物联网技术与5G网络的快速发展，网络边缘设备急剧增加，其所产生的边缘数据将呈现爆炸式增长，传统云计算模型难以支撑边缘数据高速访问和实时处理需求。边缘存储与计算通常将计算和存储能力下沉到网络边缘侧，提供高速低延迟的边缘数据访问和智能处理能力。本论坛中，来自学术界和工业界的学者对边缘存储与智能计算相关前沿研究进展进行报告，共同探讨边缘智能存储与计算未来的发展。本次论坛邀请到的嘉宾分别为：

随着数据的爆炸式增长，存储系统规模越来越庞大，其内部组成也变得越来越复杂，如何使其高效地运行、满足每个用户的服务质量要求，并保障系统的高可靠性，是一个极具挑战性的命题。传统基于规则的存储策略不能满足存储系统复杂性、动态化的要求。存储系统的运行数据，从不同侧面实时记录下了系统运行的整个过程，但隐藏的规律不容易被发现。采用人工智能技术分析运行数据进而优化存储系统成为一种趋势！周可教授在报告中介绍了智能存储的研究背景和定义，并介绍了在缓存分配、学习索引、数据放置等方面的最新研究进展。

随着5G、物联网等技术的迅速发展，越来越多的数据从边缘产生，边缘计算及存储这一新范式正在发挥重要作用。然而，边缘受场地、供电、算力、位置等方面的限制，在实时存储和处理边缘数据过程中正面临严峻挑战。舒继武教授介绍了一种边缘网存算融合的裸金属体系架构，将存储、计算及管理的软件逻辑卸载至可计算存储设备(computational storage device, CSD)或可编程网络设备，从而将完整的存算资源预留给用户使用。报告中详细介绍了1）存算融合的分布式边缘智能感知设备及可计算IO栈，2）网算融合的分布式任务调度及协议卸载。实验显示，网、存、算三要素的有机融合能够显著提升边缘数据存储及处理的效率，同时还可以最大化降低了对主机端资源的占用和对业务的干扰。

边缘智能是边缘计算赋能泛在分布式人工智能的一种新范式，是实现万物智联愿景的关键支撑技术之一。陈旭教授介绍了在分布式异构边缘计算环境下的云-边-端协同边缘智能技术的最新研究进展，包括面向深度神经网络的高效能边缘协同推理、面向实时图神经网络的分布式边缘协同推理、以及边缘协同智能机器人应用等内容。

边缘训练有望成为诸多应用场景下快速提升系统适应能力的有效途径之一。然而，随着数据和模型规模的不断增加，边缘训练受限于计算、存储和能耗约束，对芯片与系统的性能和能效提出了更高要求。郭崎研究员在报告中从数据位宽、数据搬移以及控制交互等维度对实现高能效边缘训练芯片与系统进行了探讨。

随着人工智能算法的快速发展，在更广泛的边缘异构计算硬件上部署相关算法的需求愈发强烈。为了满足实际部署场景的功耗、时延、吞吐需求，涌现了大量定制化硬件设备。然而，定制化的硬件限制条件复杂，基于手动开发的算子库需要大量的时间和人力成本，在当前硬件更新换代频繁、新兴架构频出、异构化趋势明显的背景下，这种开发方式已然不能满足人工智能算法部署需求。梁云教授介绍了课题组提出的面向边缘异构硬件的自动代码生成框架，该框架通过硬件架构的抽象建立硬件到软件的映射空间，并灵活适配多种边缘硬件。

数字经济驱动应用从Severful走向ServerLess，带来以数据为中心、计算无状态的新型极简数据架构的变革机会，催生DiskLess新存储技术演进与发展，进一步释放算力和存力价值。董浩工程师介绍了华为存储在DiskLess架构与技术上创新实践和思考。

论坛进行了Panel环节，每位讲者就当前的边缘智能存储与计算中最关注的问题发表意见和观点。