第25届中国国际工业博览会上，多家厂商带来了工业边缘AI计算产品：曙光网络发布了新一代国产工业边缘AI计算平台，研华科技也展示了多款基于X86和ARM架构、涵盖6Tops-2000Tops的边缘AI计算产品。
不同于传统的边缘计算设备，边缘AI计算产品集成了人工智能算法，能够靠近数据源进行实时数据处理与分析。
浙商证券预计，DeepSeek引领AI应用浪潮，随着海量终端连接和场景化应用兴起，未来将有超过75%的数据会在边缘侧产生和处理。
而工业数据处理，正经历从云计算向边缘计算，再向边缘AI计算的演进。
从云计算到边缘计算边缘计算是一种在现场或邻近特定数据源进行的计算形式，其本质是将数据处理从集中式的云计算中心，迁移到数据产生源头附近。
曙光网络总工程师陈冰冰告诉21世纪经济报道记者，工业企业数字化转型的第一步是设备联网，实现设备之间的互联互通，这一过程通常被称为物联网（IoT）的部署。而设备一联网，就出现了边缘计算需求：需要把数据汇集在某个边缘计算节点上进行存储、显示、处理。
“数据处理有两种形式，一个是传到云端去处理，另一个是就近处理。但传到云端存在风险，可能造成数据暴露，此外是在通信带宽有限的情况下，所有数据都上传云端不太现实。”陈冰冰补充道，因此很多工业企业选择就近先处理，把处理后、缩小很多的数据再上传云端进一步处理。
这种分布式架构解决了传统云计算的延迟、隐私、带宽三大痛点：云计算依托集中式算力处理数据，但在工业实时控制和高频采集中面临延迟与带宽压力；而边缘计算通过将计算任务下沉到靠近数据源的边缘节点，能够显著降低传输延迟，支持毫秒级响应，并减少云端依赖、回传成本及隐私风险。
这也能够节约空间、降低能耗：一方面，边缘计算设备通常体积小、集成度高，甚至可以直接嵌入到工业设备中；另一方面，数据传输是能耗的重要来源之一，边缘计算减少了数据传输的距离和频率，降低了传输过程中的能耗。
有工业边缘网关厂商向记者举了这么一个例子，一台约三本书堆叠起来大小的边缘网关便能够覆盖一个充电场站，可以实现传感器采集、图像识别、图像接入、边缘侧数据处理。
工业大模型边缘落地随着AI模型在工业领域的广泛应用，除了传统的数据处理需求外，推理需求正变得越来越重要。
“边缘AI就是这么来的。”陈冰冰指出，有些数据可以直接在边缘进行推理：企业自建数据中心或者利用公用数据中心训练模型，而后将训练好的模型下发到边缘侧，进行推理计算。
通过将AI算法模型部署至边缘设备，构成了云边端协同：终端获取数据，边缘实时推理识别，推理数据传输上云，云上实现模型统一再训练、再分发，实现模型自主学习迭代、提升识别准确度。
对于传统边缘设备而言，其能够承载小模型（机理模型）。例如，工业边缘计算网关通常只能支持轻量级的推理任务，如设备状态监测或简单的数据预处理。
但大型专业模型通常需要大量的内存和计算资源。玄武大模型工厂总经理李强告诉记者，每次进行推理，大模型需要消耗的算力要比小模型大得多。
为何大模型推理成本高，工业企业依然积极部署？李强解释道，小模型单次推理成本较低，但开发成本高，需要大量数据才能训练出小模型，背后需要的人力成本巨大。而大模型凭借丰富的预训练知识，仅需少量样本即可实现高效的后训练效果，开发成本较低，能快速覆盖长尾场景（样本量、数据量少的场景）。
长期来看，李强指出，与硬件、计算能力相关的成本呈指数下降趋势，未来推理所需的算力成本也会指数下降。“先做到能用，再做到便宜好用，这符合工业领域的成本曲线规则。”
而支持数十亿参数的模型需要强大的GPU或专用AI芯片，这在传统边缘设备中难以实现。
对此，业内开始将GPU、ASIC、NPU、FPGA等AI芯片置于边缘设备之中：如曙光网络的新一代国产工业边缘AI计算平台内置国产GPU加速卡，能够在边缘端独立运行十亿至百亿参数级工业大模型；研华的MIC-ATL2D和MIC-ATL2S边缘AI计算产品搭载昇腾Atlas 200I A2加速模块，作为其NPU（神经网络处理器）。
“考虑到当前AI对GPU相关算力的需求，我们在小空间里放了4块双宽大卡。”曙光网络总裁刘立告诉记者，这既符合工业场景没有足够空间用于放服务器的实际情况，又能满足散热和算力需求。
随着AI推理下沉至边缘端，低延迟、高能效的定制芯片需求激增。意法半导体推出的STM32N6系列微控制器，集成了自研的Neural ART Accelerator™ NPU，支持计算机视觉、音频处理等工业级应用。易灵思推出的FPGA产品，支持轻量化AI模型部署，适用于工业视觉、AR眼镜等场景。
信达证券研究指出，尽管边缘AI发展迅猛，但仍需突破算力功耗限制：当前边缘设备平均功耗仅5W，难以支撑7nm以下先进制程芯片散热，需探索RISC-V架构与光电芯片融合方案。
众和策略提示：文章来自网络，不代表本站观点。
