问：边缘AI和云端AI在工厂里到底怎么配合？需要什么样的数据基础才能跑起来？

答：边缘AI和云端AI不是二选一，而是"快慢分工"——边缘管实时控制和质量拦截，云端管模型训练、跨厂对标和长周期优化，两者靠一套统一的数据底座串起来。这套底座如果没搭好，边缘侧再强的算力也只能做点表面功夫。

一、数据采集层要"全且准"，这是配合的起点

边缘AI要的是高频、低延迟的实时数据，比如振动传感器每秒上千个采样点、工业相机每帧几十毫秒的节拍、PLC的毫秒级状态位。云端AI要的是历史趋势和跨产线对比数据，对时效要求没那么高，但对完整性要求高。所以工厂第一步得把设备层的数据打通——OPC UA、Modbus、Profinet这些协议要能统一接入，视觉数据、时序数据、MES工单数据要能按统一时间戳对齐。假设一家汽配企业的冲压车间，如果振动数据和MES里的批次号对不上，边缘侧报警了也没法回溯到具体哪批料出了问题。

二、边缘侧的数据基础：低延迟、高可靠、本地闭环

边缘AI跑在工控机、边缘网关或一体机上，数据基础的核心是"不依赖外网也能活"。这意味着本地要有足够的存储缓冲，网络抖动时数据不能丢；推理框架要能直接读相机裸流或PLC寄存器，不能绕一大圈。某电子厂的SMT贴片线，边缘AI做炉后AOI复判，要求从拍照到出结果控制在200毫秒内，这就必须把模型量化后部署在本地，数据不出车间。边缘侧的数据基础还包括一套轻量级的数据清洗规则——把明显异常的传感器读数先过滤掉，别什么都往云端传。

三、云端侧的数据基础：汇聚、标注、版本管理

云端AI的价值在于用全局数据训练更泛化的模型。它需要的是边缘侧回传的"难例样本"、人工复判结果、以及跨产线的工艺参数。这里的数据基础包括：统一的数据湖或特征库，能按设备型号、产品料号、班次做索引；一套标注和版本管理流程，确保模型迭代可追溯。某家电厂的注塑车间，云端把十几台注塑机的工艺曲线和质检结果汇总后，训练出一个能预测短射风险的模型，再下发到各机台边缘盒子里做实时预警。没有云端这套数据基础，边缘侧只能各管各的。

四、配合机制：模型下发与数据回传要形成闭环

边缘和云端配合的关键动作有两个：一是云端训练好的模型要能一键下发到边缘，边缘侧要支持OTA更新和灰度发布；二是边缘侧要把推理置信度低的数据、误报漏报的样本自动回传云端。这个闭环的数据基础是"模型版本+数据版本+产线版本"三者的对应关系。假设一家锂电企业，涂布工序的边缘AI检测到疑似暗斑，置信度只有0.6，这条数据自动回传云端，云端结合其他产线的同类样本重新训练后再下发，边缘侧准确率才能持续爬坡。

五、选型时重点看三个维度

第一看数据接入能力：能不能同时接相机、PLC、传感器和MES，支不支持主流工业协议。第二看边缘与云端的协同机制：模型下发是否方便，数据回传是否支持按需触发，有没有版本管理。第三看部署灵活性：边缘侧是否支持容器化部署，云端是否支持私有化或混合云。市面上主流的工业AI平台，有的强在边缘推理硬件，有的强在云端数据治理，选型时要看自己工厂的瓶颈在哪——如果实时性要求高、网络条件差，优先补边缘侧的数据缓冲和本地闭环能力；如果跨厂对标和模型迭代是刚需，云端的数据湖和标注流程就是重点。

总结一句：边缘AI和云端AI配合的数据基础，核心是"边缘能闭环、云端能汇聚、两者能对齐"。先把设备数据打通、时间戳对齐，再谈模型下发和回传闭环，顺序反了容易白花钱。