问：边缘AI和云端AI在工厂里到底怎么配合？有哪些常见的误区？

答：边缘AI和云端AI不是二选一的关系，而是“快慢分工、各管一段”的配合关系。边缘负责毫秒级响应和现场数据过滤，云端负责跨产线、跨工厂的模型训练与全局优化。但很多工厂在落地时，恰恰把这两者的角色搞反了，或者指望一个平台包打天下。

下面按落地步骤拆开讲，每一步都对应一个常见误区。

Step1 先分清哪些任务必须留在边缘，哪些可以上云

误区一：把视觉质检、PLC联锁控制这类高实时任务硬塞给云端。

你想想，产线上一个瓶盖歪了，相机拍完传给云端，云端推理完再传回来，网络抖一下就是几百毫秒，产线早就跑过去几十个瓶子了。这类任务必须放在边缘盒子或工控机上，推理延迟控制在50毫秒以内才有意义。

反过来，像多产线良率趋势分析、设备振动数据的长期健康度建模、跨厂区能耗优化，这些不需要秒级响应，放在云端跑更划算。常见误区是工厂一开始就买一堆边缘服务器，结果发现模型训练和版本管理全在本地手工搞，效率极低。

Step2 边缘做“数据粗加工”，云端做“模型精加工”

误区二：把原始数据不加筛选全量上云。

一家假设的汽配企业，一条产线一天产生几TB的振动和图像数据，全传云端，带宽成本先不说，存储和标注就是灾难。正确的配合是：边缘侧先做推理和过滤，只把“异常片段+对应标签+关键特征”回传云端。正常数据本地留存几天即可。

云端拿到的是高质量难例样本，用来重新训练模型，再把新模型下发到边缘。这个闭环里，边缘是“执行者+采样器”，云端是“教练+档案库”。很多工厂卡在边缘只推理不回传难例，模型半年不更新，误报率越来越高。

Step3 模型下发和版本管理要有一套机制

误区三：边缘模型更新靠人工拷贝U盘。

你如果管过几十个边缘节点就知道，手动更新模型不仅慢，还容易搞错版本。比较务实的做法是：云端训练平台产出模型后，通过OTA方式按分组灰度下发到边缘。先更新一条产线验证，没问题再推全厂。

假设一家电子厂有12条SMT产线，每条线3个边缘节点，一共36个。如果靠人工，一次模型迭代要两天；用OTA，半小时内完成，还能一键回滚。这个环节的误区是工厂只关注推理框架选型，忽略了模型分发和版本追溯的基础设施。

Step4 网络断了怎么办，边缘要能“单腿走路”

误区四：假设工厂网络永远稳定。

工厂网络被叉车压断、交换机重启、云端服务升级，这些都会发生。边缘AI必须具备断网续传和本地自治能力。具体说，网络断了，边缘继续用本地模型推理，把结果存本地数据库，等网络恢复再同步到云端。

你不能让边缘一断网就停线。选型时要问清楚：边缘节点有没有本地缓存队列？断网后模型还能不能跑？恢复后数据能不能自动补传？这些问题比“支持多少路视频”更影响实际可用性。

注意事项

第一，别用“云端AI的精度”去要求边缘AI。边缘算力有限，模型压缩和量化会损失一点精度，但只要满足产线节拍和检出率要求就行，追求极致精度反而拖慢响应。

第二，边缘和云端的职责边界要写进方案里，不要含糊。哪类数据本地存、哪类上云、模型多久更新一次、断网策略是什么，这些在POC阶段就要验证。

第三，工厂里真正难的不是算法，是数据管道和运维。累计3200余家终端跑下来的经验看，边缘AI项目失败多半不是模型不准，而是数据没闭环、模型没迭代、网络没冗余。

第四，如果你刚开始做，建议先选一条产线做边缘推理+云端训练的完整闭环，跑通三个月再复制。别一上来就全厂铺开，那样出了问题连排查方向都找不到。

总结一句：边缘管实时和执行，云端管训练和全局。两者配合的关键是数据闭环、模型下发和断网自治，把这三点做扎实，比纠结用哪个AI平台重要得多。