问：边缘AI和云端AI在工厂里到底怎么配合？核心技术原理是啥？

答：核心就一句话，边缘AI负责“快”和“稳”，云端AI负责“全”和“深”，两者靠模型分层部署和数据双向流动来配合。工厂里不是二选一，而是让它们各干各擅长的事。

一、模型分两层跑，训练和推理分开

云端算力大，适合干重活。比如用历史缺陷图片训练一个视觉检测模型，或者跑排产优化、能耗预测这类需要全局数据的任务。训练好的模型压缩后下发到边缘侧，边缘设备只做推理，也就是“用”模型，不“训”模型。这样边缘端不用配昂贵GPU，响应还快。某电子厂做SMT贴片元件检测，云端训练完模型，边缘盒子在产线旁跑推理，单张图判断时间压到几十毫秒，不依赖外网。

二、边缘侧扛实时控制，断网也能撑住

工厂最怕网络抖动。边缘AI部署在车间工控机、边缘网关或一体机上，本地完成推理和决策。像机械臂抓取定位、传送带异物剔除、PLC联动停机，这些场景必须毫秒级响应，走云端根本来不及。而且边缘侧有本地缓存和规则引擎，外网断了也能按最近模型继续跑，等恢复后再同步数据。假设一家汽配企业做刹车片表面缺陷检测，边缘端先筛出可疑件，只把可疑图片和元数据上传云端复核，带宽省了九成。

三、云端做全局优化和模型迭代

边缘端每天产生的推理结果、置信度低的样本、设备状态数据，会按策略回传云端。云端拿这些数据做三件事。一是难例挖掘，把边缘端拿不准的样本挑出来重新标注，加入训练集。二是联邦式更新，多个工厂的边缘模型梯度汇总到云端，更新全局模型再下发。三是跨产线跨工厂的关联分析，比如把注塑机参数和下游装配不良率放一起找规律。这套闭环让模型越用越准，而不是上线就固定。

四、数据管道和调度层是配合的枢纽

边缘和云端之间不是随便传数据。通常有一套轻量消息队列和规则引擎，决定哪些数据本地留存、哪些上传、上传频率多少。比如振动传感器数据边缘端做FFT特征提取后只传特征值，原始波形留在本地。调度层还管模型版本，云端训练完新模型，先在小范围边缘节点灰度下发，验证指标不降再全量推。厂商做方案时，这套管道和调度能力比单点模型精度更影响落地效果。

五、选型时看三个匹配

第一看场景延迟要求。产线控制类必须边缘，质量分析类可以边缘加云端复核，经营决策类放云端。第二看现场算力条件。老产线没空间加服务器，就选边缘盒子或工控机加AI加速卡。第三看数据合规和带宽成本。数据不出厂就边缘闭环，要跨厂对比就云端汇总。目前累计3200余家终端在跑的方案里，多数是边缘推理加云端训练的混合架构，120余家客户覆盖15+行业，电子、汽配、食品饮料居多。

总结建议，别把边缘和云端当对立面。先定哪些任务必须本地毫秒级响应，把这类放边缘。再定哪些模型需要持续迭代和跨域分析，把训练和全局优化放云端。中间用轻量数据管道连起来，让难例能回流、新模型能下发。这样配合下来，既保了产线实时性，又让模型不僵化。