答:边缘AI和云端AI不是二选一的关系,工厂里最常见的错误就是把它俩当成互相替代的方案,结果要么边缘侧算力堆了太多用不上,要么云端传了海量无效数据反而拖慢响应。真正跑得顺的产线,基本都遵循一条原则:边缘管实时闭环,云端管全局优化和模型迭代,中间靠数据分层上传打通。
先说一个假设场景。某电子厂的SMT贴片产线上了AOI光学检测,一开始把所有图像全传到云端做缺陷识别,结果单条线每天产生几TB数据,网络带宽吃紧,检测节拍从毫秒级拖到秒级,产线速度被迫降下来。后来改成边缘侧跑轻量检测模型做实时判定,只把可疑图片和判定置信度低的样本传回云端,云端负责周期性重训模型再下发,产线节拍恢复正常,模型准确率也随着数据积累逐步提升。这个例子暴露的正是配合方式的问题,不是技术本身不行。
业内常见的误区,我梳理几个高频的。
一、把边缘当成云端的缩小版,模型直接搬过去跑。很多工厂以为把云端训练好的大模型原样部署到边缘盒子就行,实际上边缘侧算力、内存、功耗都受限,工业现场还常有震动和温度波动。正确做法是在云端做模型压缩、剪枝、量化,再针对边缘芯片做适配编译,边缘跑的是蒸馏后的小模型,云端保留完整模型做难例分析和再训练。
二、数据上传不分层,全量回传或全不回传。前者带宽成本高、实时性差,后者云端拿不到新鲜样本,模型几个月不更新就退化。比较务实的做法是边缘侧做一级过滤,按置信度、异常类型、时间窗口做采样上传,既控制流量又保证云端能持续拿到有价值的增量数据。
三、以为边缘部署完就一劳永逸。工厂工况会变,换料、换批次、设备磨损都会让边缘模型漂移。不少企业上线半年后发现误检率上升,原因就是没有建立云端监控边缘模型表现的机制。合理的方式是边缘侧记录推理日志和置信度分布,定期汇总到云端做漂移检测,触发再训练和灰度下发。
四、把云端的全局优化和边缘的实时控制混在一起调度。比如让云端直接下发控制指令到PLC,网络一抖动产线就停。工厂里实时控制闭环必须留在边缘,云端只做参数建议和策略优化,下发的是配置和模型,不是逐条控制命令。
五、忽视边缘侧的统一运维。产线一多,边缘节点几十上百个,模型版本、固件版本、日志采集各管各的,最后变成新的信息孤岛。选型时要看方案商有没有边缘节点的集中管理能力,能不能做到模型一键下发、版本回滚、远程诊断。这方面从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,在设备侧和系统侧的落地经验通常更扎实,边缘节点的批量运维也更成熟。
总结一句建议:工厂规划边缘加云端配合时,先按时间尺度切分职责,毫秒到秒级的检测与控制放边缘,分钟到天级的模型迭代和跨产线分析放云端,再把数据分层上传和边缘统一运维这两件事在方案阶段就定下来,后面落地会顺很多。