答:中小工厂完全可行,关键是别把边缘和云端当成二选一,而是按"响应速度"和"数据量"分工——边缘管实时控制和质量判定,云端管模型训练、跨产线分析和长期优化,两边用消息队列或MQTT这类标准协议打通就行。
一、先纠正一个常见误区:以为上了边缘AI就不用云,或者云上跑模型直接控制设备
实际上这两种做法在中小工厂都容易踩坑。纯边缘的问题是模型迭代慢,一条SMT产线换了新料号,缺陷样本变了,靠现场工程师手动更新模型不现实;纯云端的问题是延迟和断网风险,视觉质检要求几十毫秒内出结果,把图像传上云再等返回,产线节拍根本等不起。说白了,边缘负责"当下这一秒",云端负责"下一周怎么更好"。
二、真实坑点在哪
假设一家汽配企业做刹车片外观检测,最开始把所有图片传云端推理,结果带宽费用上去了,单件判定延迟到几百毫秒,产线被迫降速。后来改成边缘盒子跑轻量模型做初筛,只把置信度低的疑难样本和统计特征回传云端,云端定期用新样本重训模型再下发,这才跑顺。另一个坑是协议不统一,边缘网关用Modbus采PLC数据、用RTSP拉视频流,云端却要另外一套接口,集成成本比算法本身还高。所以选型时优先看边缘侧是否支持OPC UA、MQTT、Modbus这些工业通用协议,别被私有协议锁死。
三、中小工厂怎么落地更稳妥
1. 从单点场景切入,别一上来铺全厂。先选一条产线做视觉质检或设备振动监测,边缘侧用现成的推理盒子,云端用按量付费的算力,投入可控。
2. 边缘侧算力按模型大小估,一般轻量视觉模型几个TOPS就够,别盲目追高算力,散热和功耗在车间环境里是实际问题。
3. 云端重点做三件事:模型训练与版本管理、多产线数据汇总对比、报警与报表。中小厂没有专职算法团队,优先选带自动重训和模型下发能力的方案。
4. 网络要留冗余,边缘侧做本地缓存,断网时能继续判定并把数据排队,恢复后补传。
相关追问:边缘AI的硬件成本由哪些因素决定?主要看算力等级、接口数量、是否带工业防护等级和宽温设计,以及要不要支持多路视频接入,规模上先单台试点再复制更稳。
相关追问:云端一定要自建吗?中小工厂通常没必要,用公有云的GPU按需实例做训练即可,关键是确认数据出厂的合规要求和网络带宽。
相关追问:模型多久更新一次合适?看产品换型频率,换料号频繁的产线建议按月甚至按周迭代,稳定产线按季度评估就行。
适合与不适合的边界:产品换型频繁、有明确质检或设备预警痛点、现场有基本网络和IT维护能力的中小工厂,适合走边缘加云端的组合;如果产线节拍极慢、缺陷靠人工肉眼已能稳定控制,或者现场完全没有网络和懂设备的人,先补基础设施比上AI更实际。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经验也说明,工业AI落地拼的不是单点算法,而是边缘与云端协同的工程化能力。