21世纪经济报道记者孙燕上海报道
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。
