2. 边缘AI基础

在工业现场做AI量产验证，第一步不是选模型，而是先厘清四个基础概念：边缘计算、嵌入式AI、工业物联网（IIoT）与云边协同。它们不是四个并列的流行词，而是同一套系统在不同层次上的分工：边缘计算解决“算在哪”，嵌入式AI解决“模型怎么跑在受限硬件上”，工业物联网解决“数据怎么从设备上来”，云边协同解决“训练、下发、回传与治理怎么闭环”。理解这四者的边界与接口，才能判断一个验证方案是否可落地、可复现、可量产。

一、核心原理：四层分工与一条数据链

从工程视角看，工业边缘AI系统可以抽象为一条自下而上的数据与决策链：现场设备层产生振动、温度、电流、图像、PLC寄存器等原始信号；边缘节点层完成采集、预处理、推理与实时控制；边缘管理/网关层负责协议转换、模型分发、日志与安全；云平台层承担大规模训练、版本管理、跨厂区分析与长周期数据归档。边缘计算强调在靠近数据源的位置完成计算，以降低时延、减少带宽、满足数据不出厂；嵌入式AI强调在算力、内存、功耗、散热都受限的芯片上部署模型，关注量化、剪枝、算子支持与实时性；工业物联网强调设备互联、协议互通与数据语义统一；云边协同则强调云侧训练与边侧推理之间的模型、数据、配置和监控的双向流动。

四者关系可以用一句话概括：IIoT负责“连”，边缘计算负责“算”，嵌入式AI负责“跑”，云边协同负责“管”。缺少任何一环，量产验证都会在某个阶段卡住：只有云没有边，时延和带宽不可接受；只有边没有云，模型无法持续迭代；只有AI没有IIoT，数据拿不到、控制下不去；只有嵌入式没有协同，现场设备会变成无法运维的黑盒。

二、方法流程：从场景到验证的四个判断

面对一个工业AI需求，建议按以下顺序判断，避免一上来就选模型：

1. 时延判断：控制闭环是否要求毫秒级？若是，推理必须放在边缘节点甚至设备端，云端只做训练与监控。
2. 数据判断：原始数据是否涉及工艺机密或隐私？若是，优先本地推理，仅上传特征、结果或脱敏样本。
3. 算力判断：目标硬件是MCU、ARM CPU、NPU还是GPU？据此决定模型规模、量化方式与算子限制。
4. 运维判断：现场是否有稳定网络？断网时能否继续推理并缓存？模型如何灰度升级与回滚？

三、典型应用场景与参数关注点

不同场景对四层分工的侧重点差异很大。下表给出常见工业场景的验证关注点，可作为方案设计清单。

四、误区与复盘：量产验证中最容易踩的坑

误区一：把边缘当“小云”。边缘节点通常无稳定散热、无冗余电源、无专业运维，模型必须考虑内存泄漏、看门狗、断网续传与异常重启。验证时要跑长时间稳定性测试，而不是只看单次推理耗时。

误区二：忽视IIoT数据质量。时间戳不同步、采样抖动、协议丢包会直接导致模型误判。建议在边缘侧增加数据质量标记，例如：

{
  "device_id": "motor_07",
  "ts": "2025-03-18T10:22:31.482Z",
  "vibration_rms": 2.31,
  "temperature_c": 68.4,
  "quality": "good",
  "clock_sync": true,
  "drop_count": 0
}

误区三：只验证模型精度，不验证系统指标。量产验证必须同时记录推理时延P99、CPU/NPU占用、内存峰值、功耗、温度与网络回传成功率。建议在边缘节点输出统一日志：

[edge-ai] model=defect_v3.2.1 latency_ms=18.7 p99_ms=27.4
[edge-ai] cpu=42% npu=61% mem_mb=318 temp_c=57
[edge-ai] upload=ok retry=0 cache=0
[edge-ai] result=NG confidence=0.93 action=reject