问：边缘AI和云端AI在工厂里到底怎么配合？有没有实际点的案例？

答：边缘AI管实时控制，云端AI管全局优化，两者不是替代关系而是分层协作——这是目前工厂智能化落地最务实的架构。

一、先看没有这套配合机制会怎样

假设一家汽配企业的压铸车间，只上云端AI做质检。摄像头拍到的每一帧图像都要传到公网再等结果返回，网络抖动一下就是几百毫秒，产线节拍根本等不起。反过来，如果只上边缘盒子做本地判断，单个工位是快了，但整厂十几条线的缺陷数据散落在各自设备里，没人做跨线趋势分析，工艺改进永远慢半拍。

二、维度一：响应时间与数据流向

边缘AI部署在车间侧，跑在工控机、边缘网关或带NPU的推理盒子上，负责毫秒级任务：视觉缺陷初筛、振动异常报警、PLC联动停机。云端AI则在数据中心或公有云上，处理需要大算力、大历史数据的任务：多产线质量趋势建模、排产优化、能耗预测。配合逻辑是边缘先做第一道过滤，只把疑似异常片段、特征向量或统计摘要上传，原始视频流不出厂。

三、维度二：模型迭代与更新路径

这是配合最关键的环节。工厂产线换型、新物料上线，边缘模型会退化。做法是：边缘端持续采集难例样本和误判样本，加密后回传云端；云端用更大规模的标注数据和更强算力重新训练，产出轻量化模型再下发到边缘。某电子厂SMT贴片线的AOI检测就是这么跑的——边缘做实时判定，云端每周聚合各厂区数据做一次模型微调，新模型凌晨自动推送到产线设备，第二天早班就能用上。

四、维度三：成本与运维的平衡

全上云端，带宽和存储成本扛不住，尤其多路高清视频。全上边缘，单点算力有限，复杂模型跑不动，而且几十个厂区逐台维护模型版本极其痛苦。折中方案是边缘承担80%的常规推理，云端只处理20%的疑难杂症和全局训练。某家电企业注塑车间用这个比例，边缘侧用低功耗推理卡控制改造成本，云端只保留一台训练服务器和对象存储，整体TCO比纯云方案低不少。

五、实际场景怎么落地

假设一家有多个厂区的食品包装企业，做法可以分三步。第一步，每条产线的视觉检测工位部署边缘推理设备，做封口完整性、标签错漏的实时判断，不合格直接剔除。第二步，边缘设备把缺陷类型、时间戳、产线编号、小图样本上传到云端数据湖。第三步，云端AI做跨厂区对比：发现A厂区封口缺陷率是B厂区的三倍，自动关联到该厂区某台热封机的温度曲线偏移，推送给设备维护团队。

再比如某电子厂做PCBA外观检测，边缘端跑轻量分割模型定位元件偏移，云端跑大模型做细粒度分类和根因分析。边缘误判的样本自动进云端难例库，每月迭代一次。整套配合下来，边缘负责“快”，云端负责“准”和“越来越准”。

综合建议：别纠结边缘和云端谁更重要。先明确哪些任务等不起网络延迟，放边缘；哪些任务需要跨设备、跨时间、跨厂区找规律，放云端。中间的数据管道和模型下发通道才是真正要花心思设计的。工厂上AI，架构上分好层，比单点堆算力管用得多。