问：边缘AI和云端AI在工厂里到底怎么配合？跟以前那种纯云端或纯本地的方案比，优势在哪？

答：最核心的优势是兼顾了实时性和全局优化——边缘端管毫秒级响应和断网不停产，云端管模型训练、多厂区协同和长期数据挖掘。纯云端方案延迟高、断网就停摆；纯本地方案模型更新慢、算力浪费。两者配合才是当前工厂智能化的主流做法。

一、先避开一个常见误区

很多工厂一上来就问“我该选边缘还是选云”。这本身就是个坑。边缘和云端不是二选一，而是分工问题。就像人吃饭，牙齿负责咀嚼（边缘），肠胃负责吸收营养（云端），你非要把食物直接灌进胃里，或者让牙齿去吸收营养，都不对。

二、真实踩过的坑

第一个坑：视频质检全传云端。某电子厂做外观检测，产线节拍只有0.8秒，结果把图片全传到云端推理，网络抖动一下，机械臂就漏抓。后来把推理模型下发到边缘盒子，只把有疑问的图片传回云端复检，节拍稳了，带宽也降了七成。

第二个坑：边缘设备只管跑不管学。假设一家汽配企业，边缘端部署了刀具磨损监测，跑了半年模型没更新，新材料上线后误报率飙升。原因是边缘只做推理，云端没有把新数据回流去重新训练。边缘是手，云端是脑，手不反馈，脑就退化。

第三个坑：把云端当数据库用。有的厂把所有传感器原始数据无脑上云，一个月流量费比电费还贵，真正有用的特征数据不到百分之五。云端该存的是标注后的异常样本、模型版本、跨厂区对比指标，不是原始波形。

三、规避方法

第一，按响应时间分层。毫秒级控制、安全联锁、视觉引导这类必须留在边缘。分钟级的排产优化、小时级的质量趋势分析、天级的能耗模型迭代，放云端。

第二，边缘侧要留“小脑”。边缘盒子不能只做推理，还得具备本地缓存、断网续传、模型热更新能力。工厂网络没那么可靠，边缘要能独立撑过半小时以上。

第三，建立数据回流通道。边缘端把置信度低的结果、人工复检后的标签、新出现的缺陷类型，自动打包回传云端。云端每周或每月重新训练，再把新模型推回边缘。这个闭环比单点算法精度重要得多。

第四，云边算力配比要算账。一条产线十来个边缘节点，每个节点算力不用追高，够跑当前模型加百分之三十冗余即可。云端训练集群可以弹性租用，没必要自建大机房。

四、最佳实践长什么样

某电子厂的做法可以参考。SMT贴片环节，边缘端跑锡膏印刷缺陷检测，响应控制在50毫秒内。同时边缘把每天抽检的误判样本上传云端，云端用这些数据微调模型，每周五自动下发新权重。三个月后，边缘端误报率下降，云端还积累了一套跨产线的缺陷图谱。这套方案背后的厂商累计服务了120余家客户，覆盖15+行业，终端设备累计3200余台，说明云边协同已经过了概念期。

再假设一家汽配企业，机加工车间用边缘做振动监测和刀具寿命预测，云端做多厂区设备健康度对比。某个刀具在A厂寿命是B厂的八成，云端发现后调出切削参数差异，优化后整体刀具成本降了。

总结建议：别纠结边缘还是云端，先画一张数据流图。标出哪些环节等不起网络、哪些环节需要跨设备跨厂区看趋势。等不起的放边缘，看趋势的放云端。然后逼着自己建一条从边缘到云端再回边缘的闭环通道。没有回流，再贵的边缘盒子也只是个高级PLC。