Edge Computing ist ein verteilter Computing-Ansatz, bei dem Daten näher an dem Ort verarbeitet werden, an dem sie entstanden sind, z. B. in Fabrikhallen, in Geschäften, in Fahrzeugen und an Remotestandorten, anstatt sich ausschließlich auf zentrale Cloud-Rechenzentren zu verlassen. Im Jahr 2026 umfasst Edge-Computing zunehmend Edge-KI: Lokale Ausführung von KI-Modellen für Erkenntnisse und Automatisierung in Echtzeit, während nur das Notwendige zur Koordination, Speicherung und für tiefere Analysen in die Cloud gesendet wird.

• Schnellere Entscheidungen und niedrigere Latenz: Analysen und KI-Inferenzen durchführen, wo Daten generiert werden, um Echtzeit-Reaktionen zu unterstützen (z. B. Qualitätsprüfungen, Sicherheitsüberwachung, Robotik).

• Größere Resilienz: Halten Sie kritische Workloads auch bei begrenzter oder unterbrechungsbedingter Konnektivität zur Cloud oder zum Rechenzentrum am Laufen.

• Verbesserte Privatsphäre und Datensouveränität: Sensible Daten lokal verarbeiten (Video, Patientendaten, Produktions-IP) und nur die erforderlichen Ausgaben teilen, um Compliance und Governance zu unterstützen.

• Bandbreiten- und Kostenoptimierung: Reduzieren Sie den Backhaul-Verkehr, indem Sie Daten am Edge filtern, aggregieren und bearbeiten – und Ausnahmen, Zusammenfassungen oder Modellergebnisse in die Cloud senden.

• Skalierbare, flexible Bereitstellung: Verteilen Sie Rechenleistung dort, wo sie benötigt wird, auf Standorte, Linien und Zonen, und standardisieren Sie gleichzeitig Hardware, Sicherheit und Flottenverwaltung.

KI ist ein wichtiger Treiber für die Edge-Einführung. Mit Edge AI werden Modelle lokal (auf dem Gerät) ausgeführt, um Sensor-, Video- und Maschinendaten in Echtzeit-Entscheidungen zu verwandeln, ohne auf die Cloud zu warten. Dies ermöglicht Anwendungsszenarien wie maschinelles Sehen und Defekterkennung, prädiktive Wartung, Sicherheitsüberwachung, autonome mobile Roboter (AMR), intelligente Kioske, Videoanalysen und mehr. Das Ausführen von Inferenzen am Edge kann auch den Datenschutz verbessern, die Bandbreite reduzieren und die Abläufe in Gang halten, auch wenn die Konnektivität eingeschränkt ist.

Edge und Cloud ergänzen sich oft – statt zu konkurrieren. Edge wird in der Regel für Echtzeitreaktionen, lokale Autonomie und Datenreduzierung verwendet; Cloud wird für zentralisierte Sichtbarkeit, Langzeitspeicherung, umfangreiche Analysen und Modelltraining verwendet. Viele erfolgreiche Bereitstellungen verwenden beides: am Edge ausführen und handeln, dann die Ergebnisse synchronisieren und Modelle über die Cloud verbessern.

• Wo Computing stattfindet: Edge-Computing führt Workloads in der Nähe von Geräten und Sensoren aus; Cloud-Computing führt Workloads in zentralisierten Rechenzentren aus.

• Latenz und Echtzeitsteuerung: Edge ist optimiert für sofortige Reaktionen; Cloud ist ideal für umfangreiche Verarbeitung, die Netzwerk-Roundtrips toleriert.

• Datenbewegung: Edge filtert und analysiert Daten lokal und sendet nur die benötigten Daten an übergeordnete Systeme; Cloud zentralisiert Daten für langfristige Speicherung, standortübergreifende Analysen, Modelltraining und Orchestrierung.

• Erwartungen an die Konnektivität: Edge-Lösungen sind für den Betrieb mit intermittierender Konnektivität ausgelegt; Cloud-Lösungen setzen zuverlässige Konnektivität voraus. In der Praxis wählen die meisten Kunden einen hybriden Ansatz: Edge für Echtzeit-Inferenz und Kontrolle, Cloud für Sichtbarkeit und Verbesserungen auf Flottenebene.

Edge und Cloud sind keine konkurrierenden Ansätze – sie funktionieren am besten zusammen. Kostenvergleiche hängen von Workload, Skalierung und Konnektivität ab, aber eine praktische Möglichkeit, darüber nachzudenken, ist, zu betrachten, wo die variablen Kosten anfallen. Edge-Lösungen erfordern in der Regel höhere Vorabinvestitionen (CapEx) sowie festen Support und Verwaltung, während Cloud-Lösungen mehr Kosten in verbrauchsabhängige OpEx (Rechenleistung, Speicher, Anfragen) und Netzwerkgebühren verlagern.

In einem Hybridmodell übernimmt der Edge die Echtzeitverarbeitung und die lokale Datenfilterung, was Backhaul und laufende Cloud-Ausgaben reduzieren kann, während die Cloud zentralisierte Analysen, Orchestrierung und Burst-Workloads unterstützt. Diese Kombination ermöglicht es Unternehmen, Leistung und Kosten effektiver in Einklang zu bringen.

Für die Planbarkeit der Ausgaben sind Edge-Bereitstellungen oft einfacher zu prognostizieren, sobald die Hardware ausgewählt wurde (Gerät, Lebenszyklus und Support), während die Cloud-Kosten je nach Auslastung, Datenspeicherung und Datenausgang variieren können. Ein vollständiges Modell sollte den Lebenszyklus und die Wartung des Geräts, die Softwarelizenzierung und die Verwaltungstools, die Konnektivität, den Betrieb vor Ort (z. B. Servicebesuche) und die Cloud-Kosten für Speicher, Orchestrierung und Modellschulung umfassen. Lenovo kann Kunden helfen, die Infrastruktur richtig zu dimensionieren und einen hybriden Ansatz zu entwickeln, der Kosten, Leistung und Planbarkeit in Einklang bringt.

Lenovo ThinkEdge ist ein Portfolio robuster Edge-Geräte, die für die Ausführung moderner industrieller Workloads entwickelt wurden – von der Datenerfassung und Konnektivität bis hin zu KI-Inferenz in Echtzeit. Im Jahr 2026 umfasst das Produktangebot kompakte intelligente Gateways (SE10n Gen2, SE30n Gen2), einen industriellen All-in-One-Panel-PC (SE50a) und einen leistungsstarken, KI-optimierten Industrie-PC (SE60n Gen2), der für anspruchsvolle Edge-KI-Workloads und Erweiterungsanforderungen entwickelt wurde.

Entscheiden Sie sich im Allgemeinen für ein Gerät unter Berücksichtigung von Parametern wie Workload-Intensität, Konnektivitätsanforderungen und Umgebungsbedingungen:

• SE10n Gen2: Einstiegsmodell, kompaktes lüfterloses Gateway für zuverlässige Datenerfassung und OT/IT-Konnektivität in Bereitstellungen mit begrenztem Platz. Ideal zum Verbinden von Geräten, zum Sammeln von Daten und zum Ausführen leichter Edge-Workloads.

• SE30n Gen2: Intelligentes Gateway der nächsten Generation mit verbesserter KI-Beschleunigung (bis zu 26 TOPS mit optionaler diskreter NPU) und robuster E/A für Edge-Analysen und Konnektivität mehrerer Geräte. Ideal für intelligentere Automatisierung, Integration mehrerer Kameras oder Sensoren und skalierbare Gateway-Bereitstellungen.

• SE50a: Industrieller All-in-One-Panel-PC, der Computing und ein Multi-Touch-Display (12,1 Zoll, 15,6 Zoll oder 21,5 Zoll) kombiniert. Entwickelt für vom Bediener ausgerichtete Workflows wie HMI, Fertigungslinienüberwachung, Kioske und visuelle Inspektion, mit umfangreicher lokaler KI-Verarbeitung und robustem Schutz (IP65 auf der Vorderseite).

• SE60n Gen2: Leistungsstarker, lüfterloser Industrie-PC, speziell für Edge-KI entwickelt. Das SE60n Gen2 unterstützt anspruchsvolle Echtzeitanalysen und Inferenzen (bis zu 97 TOPS mit integrierter NPU auf Intel® Core™ Ultra) und ist für raue Umgebungen mit umfangreicher E/A, modularen Erweiterungsoptionen und langer Lebenszyklusunterstützung entwickelt – ideal für maschinelles Sehen, Fehlererkennung, Robotik/AMRs und Videoanalysen.

Ja. Viele Edge-Projekte sind schneller erfolgreich, wenn Kunden validierte Hardware mit bewährter Software kombinieren können. Lenovo arbeitet mit einem Pool von Lenovo-zertifizierten ISV-Anbietern und Lösungspartnern in Bereichen wie industrielle Automatisierung, Computer Vision, Videoanalysen und Geräteverwaltung zusammen. Die Verwendung validierter Stacks kann den Integrationsaufwand reduzieren, die Bereitstellungszeit verkürzen und das Risiko senken. Und das alles, während Kunden weiterhin die richtige Software für ihre Branche und ihre Anforderungen wählen können.

Edge-Bereitstellungen sind erfolgreich, wenn Geräte in großem Maßstab verwaltet werden können. Lenovo ThinkEdge-Systeme können mit Lenovo Device Orchestration (LDO) unterstützt werden, einer cloudbasierten Endpunktverwaltung, mit der Teams den Zustand des Geräts überwachen, Hardware inventarisieren, Remoteaktionen durchführen und KI-gestützte Erkenntnisse nutzen können, um Ausfallzeiten proaktiv zu reduzieren – ohne dass Kunden eine neue Verwaltungsinfrastruktur erstellen müssen.

Zu den wichtigsten Anforderungen gehören in der Regel lüfterlose Zuverlässigkeit, weite Betriebstemperaturbereiche, Staubschutz, umfangreiche E/A für ältere und moderne Geräte sowie Sicherheit auf Unternehmensebene (z. B. TPM 2.0) sowie Wiederherstellungsfunktionen wie Watchdog-Timer. An verteilten Standorten sind die Fernverwaltung (wie Intel vPro^® wo zutreffend) und ein langer Produktlebenszyklus ebenfalls entscheidend, um Außeneinsätze zu minimieren und die Bereitstellungen über Jahre hinweg stabil zu halten.

• Internet der Dinge (IoT): Ermöglicht Echtzeitanalysen und Entscheidungsfindung für vernetzte Geräte, reduziert die Reaktionszeiten und ermöglicht eine lokalisierte Automatisierung.

• Smarte Städte: Verarbeiten Sie Daten näher an der Quelle, um Anwendungen wie Verkehrsverwaltung, Überwachung der öffentlichen Sicherheit und Umweltüberwachung zu unterstützen.

• Industrielle Automatisierung: Unterstützung einer schnelleren Verarbeitung und Kontrolle in der Fertigung, prädiktive Wartung, Robotik und maschinelles Sehen.

• Einzelhandel: Erkenntnisse aus Echtzeit-Bestandsaufnahme, Verlustprävention und Erlebnisse im Geschäft, ohne auf ständige Cloud-Konnektivität angewiesen zu sein.

• Gesundheitswesen: Ermöglicht die Patientenüberwachung aus der Ferne, die Unterstützung von Diagnoseprogrammen nahezu in Echtzeit und eine schnellere Reaktion in kritischen Szenarien, während sensible Daten lokal gespeichert werden.

• Komplexität der Infrastruktur: Das Identifizieren und Bereitstellen der richtigen Infrastruktur an verteilten Standorten kann eine Herausforderung darstellen, insbesondere wenn Leistung, Skalierbarkeit und betriebliche Anforderungen in Einklang gebracht werden sollen.

• Sicherheit: Die Sicherung von Edge-Geräten und die Gewährleistung des Datenschutzes können eine Herausforderung sein, da Edge-Umgebungen unterschiedliche Sicherheitsanforderungen und begrenzte Ressourcen für einen robusten Schutz aufweisen können.

• Dimensionierung der Infrastruktur: Die Auswahl der richtigen Mischung aus Rechenleistung, Beschleunigung, Speicher, Netzwerkfunktionen und Verwaltung für jeden Standort kann schwierig sein, insbesondere bei der Skalierung an vielen Standorten mit unterschiedlichen Einschränkungen. Eine klare Bewertungs- und Referenzarchitektur hilft dabei, Bereitstellungen zu standardisieren und Über-/Unterbereitstellung zu vermeiden.

• Datensynchronisierung: Die Koordinierung der Datenverarbeitung und Synchronisierung zwischen Edge-Geräten und der zentralen Cloud kann kompliziert sein, insbesondere in dynamischen Umgebungen.

• Anwendungsbereitstellung und Verwaltung: Die Sicherstellung einer konsistenten Bereitstellung und Verwaltung von Anwendungen in einer verteilten Edge-Infrastruktur kann ohne geeignete Tools und Frameworks eine Herausforderung darstellen.