Pietro Antonio Cicalese

高級技術(shù)營銷工程師

倉庫裝卸區(qū)的一臺安防攝像機，每天會采集86400 秒視頻。長途貨運卡車上的車隊遠程信息終端，在兩次加油間隙會產(chǎn)生數(shù) GB 的路況影像。手術(shù)機器人的雙目攝像頭以每秒 60 幀的速率生成稠密點云。海量數(shù)據(jù)均產(chǎn)生于數(shù)字與物理世界的交界處，卻幾乎未被用于智能決策。

原因很簡單。在聯(lián)網(wǎng)設(shè)備時代的大部分時間里，主流架構(gòu)都很簡單：傳感器采集、網(wǎng)絡(luò)傳輸、云端計算。智能能力集中在數(shù)據(jù)中心，設(shè)備只是被動的采集工具。任何一臺攝像頭、雷達或激光雷達模塊的價值，都取決于有多少帶寬能將其數(shù)據(jù)傳輸?shù)娇蛇M行有效處理的位置。

在推理難度高、網(wǎng)絡(luò)成本低的時期，這種架構(gòu)可以很好地擴展。但在當下，數(shù)十億搭載傳感器的設(shè)備產(chǎn)生數(shù)據(jù)的速度已超過任何網(wǎng)絡(luò)的承載能力；而最關(guān)鍵的決策必須在現(xiàn)場、毫秒級完成，無需往返云端。這種架構(gòu)已逐漸不再適用。

算法層正在向設(shè)備端遷移

過去十年，半導(dǎo)體行業(yè)已實現(xiàn)邊緣側(cè) AI 推理落地。借助神經(jīng)網(wǎng)絡(luò)加速器、量化技術(shù)與模型壓縮，使卷積神經(jīng)網(wǎng)絡(luò)能夠在端側(cè)部署。當前，數(shù)億臺終端設(shè)備可在個位數(shù)瓦特功耗范圍內(nèi)，本地實現(xiàn)實時目標檢測、場景分類與運動跟蹤。

感知只是第一步。當前，一場更為深遠的變革正在進行，推理、規(guī)劃與決策遷移到感知所在的物理層。行業(yè)關(guān)注的問題已經(jīng)改變：不再是 “我們能否在這臺設(shè)備上運行神經(jīng)網(wǎng)絡(luò)”，而是 “這臺設(shè)備能否自主達成目標、使用工具、持續(xù)維護上下文，并在出錯時自行恢復(fù)”。

這一區(qū)別至關(guān)重要，因為它標志著智能系統(tǒng)設(shè)計方式發(fā)生了結(jié)構(gòu)性變革。無狀態(tài)推理流水線是將輸入映射為輸出，例如感知模型在一幀圖像中識別出人物并生成檢測框。相比之下，智能體工作流會持續(xù)觀察場景、留存歷史信息、依據(jù)策略決策下一步動作、調(diào)用工具執(zhí)行決策，并驗證結(jié)果。推理流水線的輸出是預(yù)測，智能體工作流的輸出是行動。

為何智能體智能必須需要邊緣計算

智能體系統(tǒng)與邊緣計算深度綁定，原因不止于時延。三大約束讓這種結(jié)合成為必然。

第一是時效性。物理系統(tǒng)在連續(xù)時間內(nèi)運行。一臺在園區(qū)內(nèi)協(xié)同執(zhí)行巡邏路線的云臺攝像機，需要在數(shù)秒內(nèi)響應(yīng)事件并調(diào)整視場角，無需等待云端服務(wù)器處理過去五分鐘的錄像。執(zhí)行基礎(chǔ)設(shè)施巡檢的無人機，必須根據(jù)攝像頭實時畫面即時調(diào)整飛行路徑。對這些系統(tǒng)而言，決策時延直接決定性能，而決策時延取決于智能運行在何處。

第二是經(jīng)濟性。大規(guī)模將傳感器原始數(shù)據(jù)流式上傳到云端處理成本極高。單臺高清攝像機每月產(chǎn)生的原始視頻可達數(shù) TB 量級；企業(yè)安防部署數(shù)千臺攝像機，或智慧城市部署數(shù)萬臺傳感器時，帶寬與存儲成本將高到難以承受。在數(shù)據(jù)源端處理數(shù)據(jù)，僅回傳結(jié)果、元數(shù)據(jù)或異常信息，可大幅降低大規(guī)模智能系統(tǒng)的運營經(jīng)濟負擔。

第三是合規(guī)性。在醫(yī)療、制造、國防與關(guān)鍵基礎(chǔ)設(shè)施領(lǐng)域，傳感器原始數(shù)據(jù)通常受隱私法規(guī)、數(shù)據(jù)駐留要求或分級管控約束。將患者、員工或敏感設(shè)施的視頻上傳到云端數(shù)據(jù)中心會帶來合規(guī)風險。設(shè)備端處理可使數(shù)據(jù)保留在產(chǎn)生地，簡化整個系統(tǒng)的合規(guī)管理。

時效性、成本與合規(guī)三大因素共同決定：最強大的智能系統(tǒng)，必然是將算法能力集中在物理邊界側(cè)的系統(tǒng)。

分布式智能作為設(shè)計范式

將智能集中在端側(cè)，并不意味著放棄云端，而是將智能分布在不同算力層級，讓每一層承擔與其優(yōu)勢匹配的任務(wù)。

安防、車載、工業(yè)、機器人等領(lǐng)域已形成三層分工的實用范式：

遠端邊緣（設(shè)備本體）：處理器負責實時感知、首步策略執(zhí)行與時敏控制閉環(huán)。

近端邊緣（本地網(wǎng)關(guān) / 服務(wù)器）：更強算力的處理器負責多設(shè)備協(xié)同、狀態(tài)維護、多傳感器事件關(guān)聯(lián)，以及現(xiàn)場知識的本地檢索。

云端：在網(wǎng)絡(luò)允許時，由大模型執(zhí)行取證分析、全域統(tǒng)計、長周期報表與模型生命周期管理。

這種三層架構(gòu)將最時延敏感的決策保留在本地，時延最低、數(shù)據(jù)隱私最強，同時支持系統(tǒng)漸進式擴展。小型部署可完全在遠端邊緣運行，僅定期連接云端；大型園區(qū)部署可三層并用，由近端邊緣協(xié)同數(shù)十臺遠端邊緣設(shè)備，云端負責模型更新與運營匯總。

實現(xiàn)這一范式的核心是系統(tǒng)工程能力，這標志著邊緣 AI 開發(fā)對從業(yè)者要求的實質(zhì)性轉(zhuǎn)變。開發(fā)者必須定義層間契約：哪些數(shù)據(jù)、以何種格式、在何種條件下跨層傳輸；必須設(shè)計平滑降級機制，確保網(wǎng)絡(luò)斷續(xù)或中斷時系統(tǒng)仍可運行；必須構(gòu)建驗證閉環(huán)，讓自主組件行為可預(yù)測、可審計。因此，其設(shè)計思路更接近分布式系統(tǒng)，而非單純的模型訓(xùn)練。長期專注優(yōu)化單個神經(jīng)網(wǎng)絡(luò)的團隊，現(xiàn)在需要應(yīng)對異構(gòu)計算環(huán)境下的協(xié)同邏輯、工具接口、狀態(tài)管理與故障恢復(fù)。換句話說，邊緣智能體 AI 本質(zhì)上不是機器學(xué)習(xí)問題，而是系統(tǒng)問題；盡早認清這一差異的團隊，將在自主產(chǎn)品的交付速度與可靠性上擁有結(jié)構(gòu)性優(yōu)勢。

視覺語言模型：作為協(xié)同編排核心

邊緣智能下沉過程中，一項影響深遠的突破是：視覺語言模型（VLM）已可在嵌入式處理器的功耗約束下運行。VLM 融合視覺感知與自然語言理解，可解析開放式指令、基于場景上下文推理，并協(xié)同專用模型工作。

目前，大多數(shù)量產(chǎn)智能體系統(tǒng)以大語言模型（LLM）作為編排層：解析任務(wù)描述、選擇工具、排序子任務(wù)、并綜合輸出結(jié)果。這種方式在以文本、結(jié)構(gòu)化數(shù)據(jù)與 API 調(diào)用為主要輸入的云原生應(yīng)用中已被驗證有效。但邊緣環(huán)境不同，主要輸入是視覺數(shù)據(jù)：視頻流、熱成像、深度圖、雷達回波。無法直接感知物理場景的編排器，必須依賴獨立感知鏈路將視覺信息轉(zhuǎn)為文本才能推理，每一次轉(zhuǎn)換都會引入時延、丟失空間細節(jié)，并產(chǎn)生誤差累積。隨著視覺語言模型與多模態(tài)語言模型在能力與效率上持續(xù)成熟，編排層可直接處理原始傳感輸入，無需中間轉(zhuǎn)換。實際效果是感知與推理形成更緊密的閉環(huán)，這正是邊緣部署智能體系統(tǒng)所需的核心特性。

在成熟的智能體系統(tǒng)中，VLM 可擔當編排器：負責基于上下文理解任務(wù)意圖，并將需要高精度的子任務(wù)路由給專用訓(xùn)練模型。例如，安防攝像機收到 “監(jiān)控西門是否有人尾隨闖入” 指令時，由 VLM 理解意圖、管理接口、全局場景推理，同時配合針對人體檢測優(yōu)化的專用模型完成校驗。VLM 負責編排，專用模型負責精準驗證。

這種混合范式意義重大：無需替換用戶已信任的感知模型，即可實現(xiàn)靈活的場景化定制。針對車牌識別、人臉比對、煙火檢測等明確高頻任務(wù)訓(xùn)練的 CNN，依然能提供更優(yōu)精度；VLM 在其上疊加一層語言驅(qū)動的靈活協(xié)同能力。

芯片架構(gòu)決定了這一切能否實現(xiàn)。同時運行 VLM 與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)并保持實時視頻處理，對處理器有明確要求：持續(xù) AI 吞吐、高效內(nèi)存利用、在受限功耗下處理多路并發(fā)負載。邊緣設(shè)備受散熱與體積限制，這是數(shù)據(jù)中心硬件不存在的約束，因此芯片必須針對這類負載從頭設(shè)計。改裝用于邊緣的通用處理器，往往只能在 AI 性能與功耗效率之間二選一；而專用邊緣 AI 處理器可兩者兼顧。

垂直行業(yè)落地：理念變?yōu)楝F(xiàn)實

從感知到智能體智能的演進，在傳感器數(shù)據(jù)密集、決策時敏、數(shù)據(jù)傳輸受限的行業(yè)中打開了明確機遇。

在實體安防領(lǐng)域，智能體系統(tǒng)有望將運維人員的角色從持續(xù)監(jiān)控轉(zhuǎn)變?yōu)閮H處理異常事件。能夠理解現(xiàn)場策略、協(xié)同巡邏路線、跨多路視頻關(guān)聯(lián)事件、生成結(jié)構(gòu)化事件報告的攝像機，解決了視頻監(jiān)控長期存在的規(guī)模化難題。該行業(yè)每年部署大量具備 AI 能力的攝像機，真正的機遇在于：讓這些終端內(nèi)置的智能能力，真正服務(wù)于每天依賴它們的一線人員。

在工業(yè)檢測領(lǐng)域，部署在基礎(chǔ)設(shè)施上的自主智能體可將視覺與傳感器數(shù)據(jù)按嚴重程度分級，生成帶完整審計追溯的維護建議，并在網(wǎng)絡(luò)受限或禁止上云的環(huán)境中自主運行。管道腐蝕檢測、新能源設(shè)備熱異常識別、環(huán)境合規(guī)監(jiān)測等場景，正因數(shù)據(jù)敏感、環(huán)境偏遠、決策時敏，設(shè)備端推理才能發(fā)揮最大價值。

在車載領(lǐng)域，汽車本身已是移動的邊緣計算網(wǎng)絡(luò)。高級駕駛輔助與自動駕駛依賴車載 AI 完成實時感知與規(guī)劃。下一階段是座艙智能：多模態(tài)智能體理解語音指令、感知駕駛員狀態(tài)，并在導(dǎo)航、空調(diào)、影音等領(lǐng)域?qū)Ｓ米酉到y(tǒng)間協(xié)同。座艙智能體編排專用模塊的理念，與其他行業(yè)正在普及的三層架構(gòu) + VLM + 專用模型完全一致。

在科研與野外作業(yè)中，邊緣部署的篩選智能體可就地處理影像與傳感器數(shù)據(jù)，標記關(guān)注目標并生成帶完整溯源的結(jié)構(gòu)化報告。巖土勘察、環(huán)境監(jiān)測、野外生物研究等場景的共同需求：在數(shù)據(jù)采集點自主推理—— 現(xiàn)場網(wǎng)絡(luò)不可靠，且漏檢關(guān)鍵信號代價極高。

開發(fā)者生態(tài)：放大價值的關(guān)鍵

從感知到智能體智能的轉(zhuǎn)型，歸根結(jié)底是開發(fā)者層面的問題。在邊緣約束下構(gòu)建、測試、部署自主運行的多模型工作流，需要匹配任務(wù)復(fù)雜度的工具鏈。

在邊緣 AI 行業(yè)，能簡化開發(fā)與部署的芯片公司，將吸引最廣泛的生態(tài)：獨立軟件開發(fā)商、原始設(shè)備制造商、系統(tǒng)集成商。這一規(guī)律在相鄰市場反復(fù)驗證：降低開發(fā)者門檻的平臺，最終擁有最大應(yīng)用裝機量，進而吸引更多開發(fā)者。提供優(yōu)化模型、驗證過的參考工作流、低代碼搭建工具、跨硬件統(tǒng)一軟件棧的企業(yè)，可降低整個生態(tài)的單項目工程成本。在這種環(huán)境下，開發(fā)者體驗與芯片本身同樣是核心競爭力。

安霸在 2026 年國際消費電子展（CES）推出的開發(fā)者社區(qū)（DevZone），正是其邊緣 AI 戰(zhàn)略的體現(xiàn)。開發(fā)者專區(qū)通過 Cooper 模型花園集中提供優(yōu)化模型，提供低代碼 / 無代碼智能體藍圖，用于快速搭建多智能體工作流原型；并提供入門資源，幫助獨立軟件開發(fā)商與系統(tǒng)集成商通過 Cooper 開發(fā)平臺，在安霸 CV7 與 N1 系列 SoC 上完成從評估到部署的全流程。其目標是打造一條覆蓋全邊緣 AI 產(chǎn)品線（從遠端邊緣終端到近端邊緣基礎(chǔ)設(shè)施）的原型到量產(chǎn)標準化路徑。

開發(fā)工具本身也在進化。嵌入式 AI 開發(fā)歷來要求開發(fā)者精通設(shè)備專用工具鏈、SDK 接口與硬件感知優(yōu)化，這類人才稀缺，并成為邊緣 AI 平臺擴展的瓶頸。自然發(fā)展方向是讓開發(fā)環(huán)境本身智能化：工具能理解開發(fā)者意圖、知曉目標硬件能力與約束，并屏蔽底層平臺復(fù)雜度。隨著語言模型在代碼生成、工具使用、多步規(guī)劃上能力增強，“描述應(yīng)用” 到 “產(chǎn)出可運行設(shè)備端程序” 的差距將大幅縮小。尤其對邊緣 AI 平臺而言，同一套應(yīng)用邏輯可能需要跨不同加速器配置與 SDK 版本的處理器家族運行，這種門檻降低將顯著擴大可高效開發(fā)的開發(fā)者生態(tài)規(guī)模。

算法驅(qū)動的未來

到 2030 年底，全球聯(lián)網(wǎng)設(shè)備數(shù)量預(yù)計將達到約 400 億臺。其中絕大多數(shù)將搭載傳感器，且越來越多設(shè)備將配備可本地運行神經(jīng)網(wǎng)絡(luò)的處理器。

第一波邊緣 AI 浪潮使這些設(shè)備具備感知能力。正在到來的下一波浪潮將賦予它們目的性：能夠自主達成目標、維護上下文、使用工具、協(xié)同其他設(shè)備與云端。最終形成的系統(tǒng)將不再像被動傳感器，而更像嵌入物理世界、在真實約束下運行的協(xié)作體，其行為由運行在其上的算法驅(qū)動。

長遠來看，萬物終將由算法驅(qū)動。行業(yè)需要回答的問題是：這些算法運行在哪里、如何架構(gòu)、由誰打造可規(guī)模化部署的工具鏈。能很好回答這些問題的企業(yè)與開發(fā)者，將定義智能系統(tǒng)的下一個時代。