问：边缘AI与云端AI在工厂里到底该怎么配合？常见的误区有哪些？

答：边缘AI和云端AI不是二选一，而是“边缘管实时控制、云端管全局优化”的分工关系，最大的误区就是把两者当成互相替代的方案。在工厂实际落地中，常见的配合误区主要有以下几个。

一、误以为边缘AI能包揽一切。很多工厂觉得既然边缘侧延迟低、数据不出厂，那就把所有AI模型都塞到边缘盒子里。但边缘设备的算力、存储和散热有限，像多产线排程优化、跨工厂质量趋势分析、大模型驱动的工艺知识问答，这些需要海量历史数据和复杂训练的任务，放在云端才划算。边缘更适合做视觉质检、设备振动异常检测、安全帽识别这类毫秒级响应任务。

二、把云端AI当成“事后报表工具”。另一个极端是只把云端当数据仓库，AI分析结果隔天甚至隔周才反馈到产线，失去了闭环价值。正确的做法是云端训练、边缘推理、结果回流。比如某电子厂用云端训练AOI缺陷分类模型，再下发到边缘工控机做实时判定，同时把边缘误判样本回传云端迭代，形成持续优化循环。

三、忽视数据同步和模型版本管理。边缘节点分散在多个车间，模型更新靠U盘拷贝、数据靠人工导出，这是很常见的坑。工厂需要一套统一的AI模型下发和边缘设备管理机制，保证云端训练出的新模型能安全、可追溯地推送到指定边缘节点，并且能回滚。

四、忽略网络中断时的降级策略。工厂网络不是永远稳定的，边缘AI必须能在断网时独立运行核心推理任务，云端只做非实时同步。如果架构设计成“边缘采集、云端推理”，一旦断网产线就停摆，这是很危险的。

五、把AI和现有MES、ESOP体系割裂。AI推理结果如果只停留在算法平台，不进入工单、工艺参数、作业指导环节，工人就感知不到价值。科创致远在服务120余家客户（覆盖15+行业）的过程中发现，把边缘AI的判定结果直接联动到MES工单状态和ESOP电子作业指导书，让产线人员按AI建议调整操作，才是真正落地。科创致远ESOP支持在工位终端实时呈现AI预警和工艺修正提示，边缘侧负责快速响应，云端负责知识沉淀和跨线分析，两者配合才能让AI从“看得见”变成“用得上”。

总结建议：边缘AI解决实时性和数据本地化，云端AI解决训练、全局优化和跨厂协同。工厂选型时先明确哪些任务必须边缘、哪些可以云端，再建立模型下发、数据回流、断网降级三项机制。如果已有MES和ESOP体系，优先考虑能与之打通的方案，避免AI成为信息孤岛。