答:选供应商最容易踩的坑,是把边缘和云端当成两套独立产品分别采购,结果现场数据打通不了、模型版本对不上、出了问题两边互相推责。真正要盯的,是这家供应商能不能把边缘侧实时推理和云端训练迭代当成一套架构来交付。
一、常见误区:只看单点算力,不看协同架构
不少工厂选型时习惯分别问"边缘盒子多少TOPS""云平台多少核",却很少问模型怎么从云端下发到边缘、边缘采集的数据怎么回流。这会导致上线后模型更新靠人工拷贝,或者边缘设备只做数据透传、推理仍然跑在云端,产线节拍一紧张就延迟超标。边缘AI的价值在毫秒级响应和断网可用,云端AI的价值在算力弹性与全局模型训练,两者职责必须提前划清。
二、真实坑点:三类问题最常出现
第一类是数据链路断点。边缘侧用Modbus、OPC UA采集的设备数据,云端平台不认这些协议,中间要靠网关二次转换,时延和丢包都上来了。第二类是模型运维割裂。云端训练的模型精度提升了,边缘端却因为固件版本、推理框架不兼容无法部署,版本管理形同虚设。第三类是责任边界模糊。假设一家汽配企业的视觉质检出现漏检,边缘厂商说是模型问题,云厂商说是现场光照变化,最后工厂自己扛。
三、规避方法:合同和技术验证两头抓
技术上,要求供应商演示一次完整的"云端训练—模型下发—边缘推理—结果回传"闭环,而不是只看PPT架构图。重点确认三点:边缘设备是否支持容器化部署和远程OTA升级;云端是否有统一的模型仓库和设备影子管理;边缘断网时能否本地缓存数据、恢复后断点续传。合同上,把模型更新频率、边缘设备在线率、故障响应归属写进SLA,明确哪一层出问题由谁负责。
四、最佳实践:按场景分层,别一刀切
实时控制类场景,比如高速产线视觉检测、运动控制、安全联锁,推理必须放边缘,响应时间通常在几十毫秒以内,不能依赖公网。质量分析与工艺优化类场景,比如批次良率分析、参数寻优,适合云端做全局建模,再把轻量化模型下发到边缘执行。设备预测性维护可以边缘做特征提取、云端做寿命预测,减少上行带宽压力。某电子厂的做法是边缘侧只跑推理和异常初筛,云端负责跨产线模型聚合,这样单条产线断网不影响其他线。
相关追问:边缘设备要不要为未来模型留算力余量?建议留,模型迭代通常会变大,算力打满的设备半年后就可能跑不动新模型,选型时按当前需求的1.5到2倍估算比较稳妥。云端一定要用公有云吗?不一定,涉及核心工艺数据的工厂常用私有云或混合云,关键是看数据合规要求和现有IT基础设施,供应商要能适配而不是绑定一种部署形态。边缘和云端的网络怎么规划?产线边缘到车间汇聚层走工业以太网,汇聚层到云端走专线或5G上行,别让推理结果回传和视频流抢同一条带宽。
适合与不适合的边界:产品品类多、产线分散、对实时性要求高的工厂,适合边缘与云端分层配合;单一产线、数据量小、没有模型迭代需求的场景,硬上边缘加云端反而增加运维负担,可以先从云端做起。选供应商时,重点看它有没有同时交付过边缘推理和云端平台的完整链路,以及是否愿意把模型运维责任写进服务条款。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的厂商,通常在设备接入和现场运维经验上更扎实,但具体到边缘AI协同能力,仍要以闭环演示和SLA条款为准。