传感器技术和边缘计算是现代社会不可缺少的基础技术，是各种智能算法和应用的数据源。各种各样的传感器给人类的生活带来了许多便利。传统的感知系统通常由几个部分组成：首先将物理域信号转换成模拟电信号，然后再通过ADC模数转换器进行模数转换。
基于这种模式，各个器件制造商结合最新的技术进展，不断提升传感器系统的性能性能。但缺乏边缘计算的这种技术范例有明显的缺点：
(1)各模块分开设计，独立优化，忽略了系统整体优化的潜力。
举例来说，当今的音频传感器主要集中在优化音频信号到电信号的转换过程。接着，电信号通过ADC[2-5]进入数字域。模数转换后，信息被传送到以CPU为代表的数字处理器，进行压缩编码等工作。但是，经过实践证明，集成化设计可以大大提高系统的性能。缺乏边缘计算常规的分立设计浪费了整个系统设计的巨大潜力。
(2)在事件驱动的应用中，处理了大量无用载荷。
就拿安全场景来说，很多公司都采用全天候摄像，随后在监控室中由专人看守，防止偷窃或者其他安全事故发生。但在所有时空数据中，真正有效的数据和事件只占很小的比例。也就是说，大量的无效数据被直接传送到后台的控制环节，缺乏边缘计算，既增加了人力成本，又增加了数据传输和存储的成本。
(3)缺乏边缘计算，面向通用性的应用增加了设计难度和生产成本，针对性不强。
当前，各传感器制造商生产的许多传感器产品针对性不强，希望在各个指标上达到最优，以保证不同应用各有重点的需求。比如互补的金属氧化物半导体。图像传感器的制造商在设计传感器时，没有考虑太多的应用场景的需求，而是专注于改进主要参数的技术性能。但是实际上，以行动目标检测为例，这类应用对图像传感器帧率等指标要求不太高，其准确率主要取决于传感器的感光度。也就是说，与应用场景相分离的传统设计会产生大量严重的多余性能，既增加了研发设计难度和生产使用成本，又显著提高功耗，不利于“持续感知”类应用。
感应器生成数据只是第一步，数据立即被传送到云中心或留在边缘作相应的处理。
