问：边缘AI与云端AI在工厂如何配合？

答：在智能制造体系中，边缘AI与云端AI并非替代关系，而是形成分层协同的架构。边缘AI负责产线侧的实时推理与快速响应，云端AI承担全局优化、模型训练与跨工厂知识沉淀。两者配合的关键在于数据流、模型流与控制流的闭环设计。

第一，任务分工要明确。边缘AI部署在工控机、边缘网关或PLC级算力模块上，处理对时延敏感的任务，例如视觉缺陷检测、机械臂抓取定位、设备振动异常预警。这类任务通常要求响应时间在10毫秒到100毫秒之间，数据不能全部上云。云端AI则处理非实时但计算密集的任务，例如多产线质量趋势分析、排产优化、能耗预测、跨基地工艺参数寻优。科创致远在服务制造企业时，通常建议先梳理“时延敏感度—数据量—模型更新频率”三个维度，再决定推理位置。

第二，数据协同采用“边缘预处理+云端汇聚”模式。边缘侧对原始视频、振动信号、温度序列做滤波、特征提取和压缩，只上传特征向量、异常片段或统计指标，降低带宽成本。云端建立数据湖，将多工厂、多产线的边缘数据对齐时间戳与工况标签，用于训练更泛化的模型。例如，边缘端发现某批次产品表面划痕异常，上传特征后，云端结合历史工艺参数与物料批次信息，定位到具体压铸参数偏移，再下发新的参数推荐。

第三，模型协同需要双向通道。云端训练好的模型通过OTA方式下发到边缘，边缘侧根据本地数据做轻量化微调或增量学习，再将梯度或难例样本回传云端。科创致远在方案中常采用“云端大模型+边缘小模型”的蒸馏策略：云端用海量数据训练教师模型，边缘部署学生模型，保证精度的同时降低算力需求。当边缘模型置信度低于阈值时，自动将样本送云端复核，形成持续改进闭环。

第四，控制协同要保证安全与确定性。边缘AI直接输出控制指令时，必须与现有PLC、SCADA系统隔离或通过安全网关交互。云端AI只下发策略、参数或工单，不直接闭环控制执行机构。例如，云端优化注塑机保压曲线后，边缘侧先在小批量试产中验证，确认稳定后再切换。科创致远建议企业建立“边缘实时控制、云端策略优化、人工最终确认”的三级机制，避免云端网络抖动影响生产。

第五，实施建议。企业可分三阶段推进：第一阶段在单点部署边缘AI，解决明确痛点，如表面缺陷检测；第二阶段打通边缘与云端的数据通道，建立模型迭代流程；第三阶段实现多工厂协同，云端统一管理模型版本与数据标注规范。同时要关注边缘算力选型、容器化部署、模型加密与设备身份认证。只有边缘与云端各司其职、闭环联动，工厂AI才能兼顾实时性、准确性与可扩展性。